论文摘要
孪生支持向量机(twin support vector machine, TWSVM)是在支持向量机的基础上产生的机器学习算法,具有训练速度快、分类性能优越等优点。但是孪生支持向量机无法很好地处理参数选择问题,不合适的参数会降低分类能力。人工鱼群算法(artificial fish swarm algorithm, AFSA)是一种群智能优化算法,具有较强的全局寻优能力和并行处理能力。本文将孪生支持向量机与人工鱼群算法结合,来解决孪生支持向量机的参数选择问题。首先将孪生支持向量机的参数作为人工鱼的位置信息,同时将分类准确率作为目标函数,然后通过人工鱼的觅食、聚群、追尾和随机行为来更新位置和最优解,最后迭代结束时得到最优参数和最优分类准确率。该算法在训练过程中自动确定孪生支持向量机的参数,避免了参数选择的盲目性,提高了孪生支持向量机的分类性能。
论文目录
文章来源
类型: 期刊论文
作者: 李景灿,丁世飞
关键词: 孪生支持向量机,人工鱼群算法,模式分类,参数优化,准确率,群体智能,二次规划,并行处理,全局优化
来源: 智能系统学报 2019年06期
年度: 2019
分类: 信息科技
专业: 自动化技术
单位: 中国矿业大学计算机科学与技术学院,矿山数字化教育部工程研究中心
基金: 国家自然科学基金项目(61672522,61379101)
分类号: TP18
页码: 1121-1126
总页数: 6
文件大小: 1724K
下载量: 287
相关论文文献
标签：孪生支持向量机论文; 人工鱼群算法论文; 模式分类论文; 参数优化论文; 准确率论文; 群体智能论文; 二次规划论文; 并行处理论文; 全局优化论文;