基于GEP的最小二乘支持向量机模型参数选择

钱晓山，阳春华

(1.中南大学信息科学与工程学院，湖南长沙 410083;2.宜春学院 物理科学与工程技术学院，江西 宜春 336000)

支持向量机(support vector machine，SVM)是Vapnik等［1-2］于1995年首先提出，它在解决小样本、非线性和高维模式识别问题中表现出许多优越特性，已成为智能科学技术研究领域的热点［3-4］.最小二乘支持向量机(least squares support vector machine，LSSVM)［5-6］是标准支持向量机的一种扩展，是支持向量机在二次损失下的一种特殊形式，它采用最小二乘线性系统作为损失函数，将求解二次规划问题转化为求解一组线性方程;因而该方法求解速度较快，并广泛应用于非线性函数估计和逼近中，取得了较好的效果.

实践证明，最小二乘支持向量机的精度和泛化性能受核函数的参数以及惩罚系数的影响较大，因此，研究最小二乘支持向量机参数选择的方法对其发展有重要的实际意义.目前已经有一些最小二乘支持向量机参数优选方法，文献［7］针对LSSVM用交叉验证的方法进行核参数选择后应用于PCA的软测量建模;文献［8］将遗传算法用于核参数选择后对直流电机进行建模;文献［9］用粒子群算法进行核参数优选后用于软测量建模.以上算法进行参数寻优时易陷入局部最优，从而影响了整个模型的精度及泛化性能.文献［10］利用GEP和交叉验证法优选支持向量机的核参数，算法性能得到了大大改善.基因表达式编程(gene expression programming，GEP)是由葡萄牙科学家C.Ferreira提出的一种基于基因型组(genome)和表现型组(phenome)的新型遗传算法，它继承和发展了遗传算法GA和……