基于粒子群算法的支持向量机参数优化方法的研究

支持向量机(Support vector machines),作为一种新兴的学习机器,具有广阔的发展前景,但其性能依赖于参数选择,并且在实际工程中,这个问题一直没有得到较好的解决,在很大的程度上限制了它的应用.本文对粒子群算法(Particle swarm optimizer)进行改进,通过每次迭代过程中,增加粒子个数的方法扩大粒子的搜索范围,防止粒子陷入局部最优.将改进的粒子群算法用于支持向量机参数选择中,并且在非线性系统模型辨识中进行仿真验证,同传统方法相比,在时间和辨识精度上都有了很大的提高,为解决SVM的参数选取问题提供了一条有效的途径.