采用粒子群优化的SVM算法在数据分类中的应用

邹心遥， 陈敬伟， 姚若河

(1. 广东农工商职业技术学院 机电系， 广东 广州 510507；

2. 华南理工大学 电子与信息学院， 广东 广州 510641)



采用粒子群优化的SVM算法在数据分类中的应用

邹心遥1， 陈敬伟1， 姚若河2

(1. 广东农工商职业技术学院 机电系， 广东 广州 510507；

2. 华南理工大学 电子与信息学院， 广东 广州 510641)

摘要：针对分类数据集合线性不可分的问题，改进了支持向量机(SVM)的分类方法，构建新的分类决策函数和高斯核函数.在支持向量机关键参数的优化环节，采用粒子群算法对惩罚参数和高斯参数进行优化，设计便于操作的优化流程，并针对Iris数据集合展开实验研究.结果表明：相比于基于遗传算法优化的SVM方法，所提出的方法执行速度快、分类准确率高.

关键词：数据分类； 支持向量机； 粒子群优化； Iris数据集； 惩罚参数； 高斯参数

数据分类作为数据库管理系统的核心技术，已经成为国内外学者广泛关注的焦点研究[1].通过数据分类，可以将数据库中的各项数据分门别类，分类后的数据将具有明显的内在联系或意义近似性，更利于数据管理与维护,尤其是缩小数据查找的范围[2].已经成功用于数据分类的方法很多，如邻近算法、贝叶斯算法、决策树算法、神经网络算法等[3-5].Agarwal等[6]在Fisher核函数的基础上进行改进，形成一种含有概率特征的离散化形式，对数字数据挖掘具有较强的针对性.Durduran[7]构建一个新的核函数空间，并设计在全空间上进行搜索的分类策略.李婷等[8]以车载激光点云数据……