潘　豐，毛志亮
江南大學(xué)通信與控制工程學(xué)院，江蘇無(wú)錫

摘　　　要：支持向量機(jī)（ＳＶＭ） 建模的擬合精度和泛化能力取決于相關(guān)參數(shù)的選取，目前ＳＶＭ中的參數(shù)的尋優(yōu)一般只針對(duì)懲罰系數(shù)和核參數(shù)，而混合核函數(shù)的引入，使ＳＶＭ增加了一個(gè)可調(diào)參數(shù)。針對(duì)混合核函數(shù)ＳＶＭ的多參數(shù)選擇問(wèn)題，提出利用具有較強(qiáng)全局搜索能力的混沌粒子群（ＣＰＳＯ）優(yōu)化算法對(duì)混合核函數(shù)ＳＶＭ建模過(guò)程中的重要參數(shù)進(jìn)行優(yōu)化調(diào)整，每一組粒子的位置向量對(duì)應(yīng)一組混合核函數(shù)ＳＶＭ建模的參數(shù)。該算法采用同時(shí)對(duì)３個(gè)參數(shù)尋優(yōu)的策略，由早熟收斂的判斷和處理兩部分組成，可實(shí)現(xiàn)對(duì)混合核函數(shù)ＳＶＭ參數(shù)的優(yōu)化求解。給出了應(yīng)用該方法的具體步驟，通過(guò)仿真實(shí)驗(yàn)驗(yàn)證該了算法的有效性；該方法用于谷氨酸發(fā)酵過(guò)
程的建模研究，取得了較高的建模精度。

關(guān)　鍵　詞：建模；混合核函數(shù)；支持向量機(jī)；粒子群優(yōu)化

１　引　言
支持向量機(jī)［１�玻玻� （ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅｓ，ＳＶＭ）是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，能較好地用于解決小樣本、非線性等實(shí)際問(wèn)題，已成為智能技術(shù)領(lǐng)域研究的熱點(diǎn)。ＳＶＭ的許多特性是由所選擇的核函數(shù)來(lái)決定的，為了使ＳＶＭ的性能更為優(yōu)良，Ｓｍｉｔｓ等［３］提出混合核函數(shù)ＳＶＭ，和其他學(xué)習(xí)算法一樣，如何確定較優(yōu)參數(shù)，是提高混合核函數(shù)ＳＶＭ建模的擬合精度和泛化能力的主要研究問(wèn)題之一。混沌算法［４］是新發(fā)展起來(lái)的智能優(yōu)化算法，具有很強(qiáng)的隨機(jī)性和遍歷性，能彌補(bǔ)粒子群算法中早熟收斂的不足。本文采用混沌粒子群（ＣｈａｏｔｉｃＰａｒｔｉ�玻悖欤澹樱鳎幔颍恚希穑簦椋恚椋�ａｔｉｏｎ，ＣＰＳＯ）對(duì)ＳＶＭ的參數(shù)進(jìn)行優(yōu)化求解。

登錄網(wǎng)站后可下載文件