摘要
提出一种改进的蚁群算法(ACA)来优化支持向量机(SVM)训练参数。该改进算法建立于每只蚂蚁只根据参数β在其前次迭代的最优解附近搜索,可快速减少搜索范围。参数β的提出可以保证蚁群快速地达到最优解。仿真结果表明:使用该方法优化SVM参数可有效避免陷入局部极值,提高收敛速度。
A new method is proposed to optimize SVM based on improved ant colony algorithm(ACA).The proposed algorithm is based on each ant searches only around the best solution of the previous iteration with β,which can reduce search space fast.β is proposed for improving ACO's solution performance to reach global optimum fairly quickly.Simulation results indicate that optimizing SVM with this method can avoid the local extremes effectively and improve the convergence speed.
出处
《传感器与微系统》
CSCD
北大核心
2011年第8期144-146,共3页
Transducer and Microsystem Technologies
基金
科技部国际科技合作项目(2008DFR10530)
河北省科技厅指导性计划资助项目(072135140)
秦皇岛市科学技术研究与发展计划资助项目(201001A064)
关键词
支持向量机
蚁群算法
参数
可行搜索空间
SVM
ant colony algorithm(ACA)
parameter
feasible search space