發(fā)布時間：2018-06-09 05:07

  本文選題：支持向量數據描述 + 改進磷蝦群算法��； 參考：《計算機工程與應用》2017年22期

【摘要】：支持向量數據描述(SVDD)是構造單類數據描述的分類算法,懲罰參數C和核參數σ作為影響SVDD分類效果的關鍵,其合理選取一直是個難點。針對這一問題,提出了一種基于改進磷蝦群算法的SVDD參數優(yōu)化算法(IKH-SVDD)。依據仿真實驗,分析參數C和σ對描述邊界的影響;引入磷蝦群算法并分析其優(yōu)劣,通過在隨機擴散行為中定義擾動因子,增強算法的全局搜索能力;將一種新的精英選擇和保留策略引入迭代過程,提高算法的收斂精度;將改進的磷蝦群算法引入SVDD參數優(yōu)化過程,構建了IKH-SVDD參數優(yōu)化模型�；赨CI標準數據庫進行實驗并與其他幾種參數優(yōu)化算法進行比較,結果表明了IKH-SVDD算法具有更高的分類準確性。
[Abstract]:Support vector data description (SVDDs) is a classification algorithm for constructing single-class data description. The penalty parameter C and kernel parameter 蟽 are the key to affect the classification effect of SVDD. The reasonable selection of SVDD classification is always a difficulty. In order to solve this problem, a SVDD parameter optimization algorithm based on improved krill swarm algorithm is proposed. According to the simulation experiment, the influence of parameters C and 蟽 on describing the boundary is analyzed, and the algorithm of krill swarm is introduced and its merits and demerits are analyzed. The global searching ability of the algorithm is enhanced by defining the disturbance factor in the random diffusion behavior. A new elite selection and retention strategy is introduced into the iterative process to improve the convergence accuracy of the algorithm, and the improved krill swarm algorithm is introduced into the optimization process of SVDD parameters, and the IKH-SVDD parameter optimization model is constructed. Experiments based on UCI standard database are carried out and compared with other parameter optimization algorithms. The results show that IKH-SVDD algorithm has higher classification accuracy.
【作者單位】： 空軍工程大學防空反導學院;
【基金】：國家自然科學基金(No.61273275)
【分類號】：TP18

【相似文獻】

相關期刊論文 前3條

1 杜文遼;李安生;孫旺;李彥明;劉成良;;基于蟻群SVDD和聚類方法的旋轉機械故障診斷[J];上海交通大學學報;2012年09期

2 林雄;馮海;;基于SVDD多類分類新方法的研究[J];信息技術;2008年07期

3 程紅舉;黃行波;XIONG Naixue;;不可靠通信環(huán)境下無線傳感器網絡最小能耗廣播算法[J];軟件學報;2014年05期

相關碩士學位論文 前1條

1 張曉丹;WSN中基于改進粒子群優(yōu)化算法的分簇拓撲算法研究[D];鄭州大學;2017年

，

本文編號：1999060