一类支持向量机中引导式量子粒子群优化机理及实现
CSTR:
作者:
作者单位:

作者简介:

通讯作者:

中图分类号:

基金项目:

国家高科技产业工业过程自动化专项/企业集成自动化系统(计高技\[2000\]1882号);云南省省院省校科技合作计划项目(2004XY16)


Mechanism and implementation of directional quantum-behaved particle swarm optimization in OC-SVM
Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    通过分析量子粒子群在一类超球面支持向量机训练优化的应用机理,提出一种基于引导式量子粒子群(D-QDPSO)的一类超球面支持向量机训练优化算法,根据Zoutendijk最速下行策略确定全局最优 g best的优化方向,计算引导粒子位置;同时在初始化时根据序列最小优化算法(SMO)得到靠近最优解的近似位置,并以约束平面边界点作为初始化粒子,扩大了搜索范围。实验表明,D-QDPSO算法有较好的收敛性能和泛化性能,其误识率比SMO降低约0.12%,运算速度比LPSO提高2倍左右。

    Abstract:

    This paper uses the training of OC-SVM to analyze the mechanism of the Quantum-behaved particle swarm and develops a method of training OC-SVM based on the directional- QDPSO .The new position of the directional particle is calculated based on the current global best point(gBest), which identified the optimized direction conforms to Zoutendijk fastest decline method principle.In the initialization, the position of one particle is initialized according to SMO, which makes its position nearer to the global optimum solution. The boundary points of subjected plane are concerned as the initialized position of other particles, so as to make the searching area wider.The experiment result shows that the convergence and the generalization of D-QDPSO is good, the misrecognition of D-QDPSO is 0.12% lower than that of SMO, and the operating speed is 2 times faster than that of LPSO.

    参考文献
    相似文献
    引证文献
引用本文

姚富光,钟先信.一类支持向量机中引导式量子粒子群优化机理及实现[J].重庆大学学报,2011,34(2):108-112.

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2010-09-15
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期:
  • 出版日期:
文章二维码