摘要
支持向量机是一种性能优越的机器学习算法,而其参数的选择对建模精度和泛化性能等有着重要的影响,也是目前机器学习研究的一个重要方向。在简要介绍基本粒子群优化(PSO)算法的基础上,提出了一种量子粒子群优化算法,给出了其实现方式,并通过4个基准测试函数进行性能对比评价。基于这种量子粒子群优化算法,对最小二乘支持向量机(LS-SVM)的参数优化进行了研究。仿真结果表明,量子粒子群优化算法能给出很好的优化结果。
Support Vector Machine（SVM）is a machine learning algorithm with good performance.The selection of its parameters has a great influence on its modeling accuracy and generalization performance,and it is an important area in machine learning research.Based on a brief introduction to basic Particle Swarm Optimization（PSO）,a new quantum PSO algorithm is presented,as well as its implementation.Performance comparison with classic PSO algorithm is made through 4 benchmark test functions.Based on the proposed quantum PSO,the optimum parameter selection of Least Squares SVM（LS-SVM） is studied.Simulation results show that the presented quantum PSO algorithm can achieve good performance.
出处
《计算机工程与应用》
CSCD
北大核心
2011年第10期38-40,共3页
Computer Engineering and Applications
基金
国家自然科学基金 No.60774032
广东省自然科学基金项目(No.7008360)~~
关键词
量子粒子群
最小二乘支持向量机
基准测试
参数优化
quantum Particle Swarm Optimization（PSO）
Least Squares Support Vector Machine（LS-SVM）
benchmark test
parameter optimization
