提出了一種雙線性分段二分網(wǎng)格搜索方法來確定SVM模型的最優(yōu)參數(shù)。首先,在初始搜索范圍內,以等間隔固定取樣值,對懲罰因子進行采樣,分別計算這些取樣點的SVM的交叉驗證正確率,并尋找出滿足交叉驗證最高正確率所對應的懲罰因子,確定搜索SVM最佳參數(shù)的最佳搜索段;然后,在搜索段間分段采用二分法,迭代求解出每段SVM的最高正確率,已得到所對應的最佳參數(shù);最后,找出所有最佳搜索段的SVM最高正確率的最大值,其對應的最佳參數(shù)即為SVM模型參數(shù)優(yōu)化結果。與傳統(tǒng)的雙線性法、網(wǎng)格搜索法和雙線性網(wǎng)格搜索法等方法相比,論文提出的參數(shù)優(yōu)化方法訓練量小,計算簡單,學習精度高,優(yōu)選的參數(shù)能夠使得SVM具有更高的泛化性能。 

【文章來源】：計算機與數(shù)字工程. 2020,48(09)

【文章頁數(shù)】：6 頁

【參考文獻】：
期刊論文
[1]基于AOSVR的交通流預測及參數(shù)選擇[J]. 王凡,譚國真,楊際祥,鄧超.  小型微型計算機系統(tǒng). 2010(06)
[2]基于K-L變換和支持向量機的三維肺結節(jié)識別[J]. 劉陽,趙大哲,劉積仁.  東北大學學報(自然科學版). 2009(09)
[3]支持向量機最優(yōu)參數(shù)選擇的研究[J]. 劉東輝,卞建鵬,付平,劉智青.  河北科技大學學報. 2009(01)
[4]基于遺傳算法對支持向量機模型中參數(shù)優(yōu)化[J]. 袁玉萍,胡亮,周志堅.  計算機工程與設計. 2008(19)
[5]基于支持向量機的自適應圖像水印技術[J]. 李春花,凌賀飛,盧正鼎.  計算機研究與發(fā)展. 2007(08)
[6]基于RBF核函數(shù)的支持向量機參數(shù)選擇[J]. 林升梁,劉志.  浙江工業(yè)大學學報. 2007(02)
[7]基于RBF核的SVM學習算法的優(yōu)化計算[J]. 李琳,張曉龍.  計算機工程與應用. 2006(29)
[8]線性支持向量機優(yōu)化問題的極大熵方法[J]. 郭崇慧,孫建濤,陸玉昌,唐煥文.  小型微型計算機系統(tǒng). 2006(07)
[9]用支持向量機進行中文地名識別的研究[J]. 李麗雙,黃德根,陳春榮,楊元生.  小型微型計算機系統(tǒng). 2005(08)
[10]基于支持向量機方法的人臉識別研究[J]. 劉向東,陳兆乾.  小型微型計算機系統(tǒng). 2004(12)



本文編號：3419592