改进人工蜂群算法优化支持向量机及应用

黄英双 曹 辉

(大连海事大学轮机工程学院 辽宁 大连 116026)

0 引 言

支持向量机(SVM)作为一种有监督的机器学习方法，是基于统计学的VC维理论和结构风险最小化原理的样本学习方法，它可以解决小样本学习、高维及非线性问题，在模式识别和分类上具有良好的泛化性能。但在选择其模型参数时(包括惩罚因子C、核函数类型和核函数参数)存在许多问题，如果选取不当，会产生较差的分类结果。文献[1]采用遗传算法(GA)对SVM进行模型参数的优化，并应用于轴承的故障检测，在此研究中，首次通过实验将SVM和BP神经网络的故障检测进行详细对比，验证了SVM具有较高的工程使用价值。文献[2]为了能够找到合适的SVM参数，利用固定的步长来进行网格搜索，但在实际运用过程中，当参数较多时存在计算复杂、耗时长等问题。文献[3]提出的SVM参数优化方法为交叉验证算法，由于其得到的参数使SVM的分类精确度较高，从而成为目前SVM的标准主流参数优化方法，本文将利用交叉验证算法优化的标准支持向量机模型作为本文提出方法的比较对象之一。文献[4]的SVM参数寻优方法是布谷鸟搜索算法，寻优得到全局最优解，从而可以构建具有最优参数的支持向量机模型，并应用于变压器的故障诊断，但其在寻优过程中参数的寻优范围不好确定，如果设置不当则容易造成过学习状态，从而导致诊断正确率降低。在智能优化算法领域，Karaboga等[5]提出一种新的群体智能优化算法——人工蜂群(Artificial Bee Colony，ABC)算法，并应用于训练人工神经网络，取得较好的效果。……