[发明专利]一种基于改进的粒子群算法的SVM分类器参数优化方法

权利要求书

1.一种基于改进粒子群算法的SVM分类器参数优化方法，其特征在于利用改进的PSO-SVM算法优化分类器相关参数。该方法包括以下步骤：

(1)对采集的样本数据进行10重交叉验证，从平均分类精度、测试精度和支持向量占比三个指标对比各个参数对分类器性能的影响，选择对分类器性能影响较大的参数作为待优化参数；

(2)初始化分类器和粒子群算法的相关参数，根据所述相关参数更新粒子速度和位置；

(3)将步骤(1)中选定的待优化参数设置为粒子当前位置的相应维度值，并将所述10重交叉验证实验得到的平均分类精度、测试精度和支持向量占比应用到适应度值公式中，计算得到粒子当前位置对应的适应度值；

(4)根据所述粒子当前位置对应的适应度值进行粒子评估，更新所述个体最优位置和种群最优位置；

(5)若满足停止条件，则结束寻优，输出最优参数的组合，否则返回步骤(2)继续迭代寻优。

2.根据权利要求1所述的基于改进粒子群算法的SVM分类器参数优化方法，其特征在于，所述步骤(1)中，待优化参数包括：

多项式核函数权重a、多项式核参数d、高斯核参数g(g＝σ²)和惩罚因子C。

3.根据权利要求1所述的基于改进粒子群算法的SVM分类器参数优化方法，其特征在于，所述步骤(2)中分类器和粒子群算法的相关参数包括：

SVM样本集、粒子群规模、第i个粒子的初始位置(a,d,g,C)、第i个粒子的初始速度v_i、初始惯性权重ω、最大迭代次数T_max、第i个粒子的个体最优位置p_ibest、种群最优位置p_gbest以及适应度值公式中的各项权重ω₁、ω₂和ω₃。

4.根据权利要求1所述的基于改进粒子群算法的SVM分类器参数优化方法，其特征在于，所述步骤(2)中，根据所述待优化参数更新粒子速度和位置具体方法为：

粒子速度更新公式是：

v_id(t+1)＝ωv_id(t)+c₁r₁(p_id(t)-x_id(t))-c₂r₂(p_gd(t)-x_id(t))

其中，v_id(t)表示第i个粒子的第d维在第t轮时的速度，x_id(t)表示第i个粒子的第d维在第t轮时的位置，ω为惯性权重，c₁，c₂为学习因子，r₁，r₂为相互独立且均匀分布在[0,1]区间的随机数，p_id(t)为第i个粒子在第t轮时的个体最优位置的第d维度值，p_gd(t)为第t轮时的种群最优位置的第d维值；

粒子位置更新公式为：

x_id(t+1)＝x_id(t)+v_id(t)

其中，v_id(t)表示第i个粒子的第d维在第t轮时的速度，x_id(t)表示第i个粒子的第d维在第t轮时的位置。

5.根据权利要求1所述的基于改进粒子群算法的SVM分类器参数优化方法，其特征在于，所述步骤(3)中，适应度值公式为：

fitFunc2＝ω₁(1-avgtrainAcc)+ω₂(1-testAcc)+ω₃svRatio

其中，avgtrainAcc为所述平均分类精度，testAcc为测试精度，svRatio为支持向量占比，ω₁、ω₂和ω₃为各项对应的权重。