基于改进涡流搜索算法的支持向量机分类模型

吉林大学学报(信息科学版) ›› 2020, Vol. 38 ›› Issue (3): 312-319.

基于改进涡流搜索算法的支持向量机分类模型

李学贵a，b，c，郭远涛a，李盼池a，c，王艾d

东北石油大学a．计算机与信息技术学院; b．黑龙江省网络化与智能控制重点实验室;
c．黑龙江省石油大数据与智能分析重点实验室; d．图书馆，黑龙江大庆163318

收稿日期:2019-09-06 出版日期:2020-05-24 发布日期:2020-06-23
作者简介:李学贵( 1982— ) ，男，山东临沂人，东北石油大学副教授，博士，硕士生导师，主要从事深度学习、计算智能和微地震监测研究，( Tel) 86-18944583796( E-mail) Lixg82@163． com。
基金资助:
国家自然科学基金资助项目( 61873058) ; 中国石油科技创新基金资助项目( 2018D-5007-0302) ; 中国博士后基金资助项目
( 217184) ; 黑龙江省博士后基金资助项目( LBH-Z18045 ) ; 东北石油大学优秀中青年创新团队基金资助项目
( KYCXTD201903) ; 东北石油大学青年科学基金资助项目( 2019QNL-56 ) ; 东北石油大学引导性创新基金资助项目
( 2019YDW-02)

Classification Model of Support Vector Machine Based on Modified Vortex Search Algorithm

LI Xueguia，b，c ，GUO Yuantaoa，LI Panchia，c ，WANG Aid

a． School of Computer and Information Technology; b． Heilongjiang Provincial Key Laboratory of Networking and Intelligent Control;
c． Heilongjiang Provincial Key Laboratory of Big Data and Intelligent Analysis; d． Library，Northeast Petroleum University，Daqing 163318，China

Received:2019-09-06 Online:2020-05-24 Published:2020-06-23

摘要/Abstract

摘要： 支持向量机( SVM: Support Vector Machine) 是定义在特征空间上的间隔最大的线性分类器，参数的选择
决定了其学习性能和泛化能力。针对此参数选择问题，采用改进的涡流搜索算法对支持向量机参数进行选择，
寻找最优适应度函数。仿真实验表明，改进的涡流搜索算法是一种有效的SVM 参数选择方法，有利于跳出局
部最小值，其优化性能不低于涡流搜索算法。

关键词: 支持向量机, 改进的涡流搜索算法, 参数优化, 元启发式优化算法, 局部最小值

Abstract: SVM ( Support Vector Machine) is a linear classifier with the largest interval defined in the feature
space． Values of these parameters determine the learning performance and generalization ability． In order to
solve the problem of SVM parameter selection，the modified vortex search algorithm is used to find the optimal
fitness function． The simulation results show that the modified vortex search algorithm is an effective SVM
parameter selection method． It is beneficial to jump out of the local minimum，and its performance is not lower
than the vortex search algorithm．

Key words: support vector machine ( SVM) , modified vortex search, parameter optimization, meta heuristic
optimization algorithm, the local minimum

中图分类号:

TP183

李学贵, 郭远涛, 李盼池, 王艾. 基于改进涡流搜索算法的支持向量机分类模型[J]. 吉林大学学报(信息科学版), 2020, 38(3): 312-319.

LI Xuegui, GUO Yuantao, LI Panchi, WANG Ai. Classification Model of Support Vector Machine Based on Modified Vortex Search Algorithm[J]. Journal of Jilin University (Information Science Edition), 2020, 38(3): 312-319.

[1]	林志谋. 基于K-CV 优化的PCA 和SVM 人脸识别算法[J]. 吉林大学学报(信息科学版), 2020, 38(4): 491-496.
[2]	王凌燕. 中文字符识别系统的研究与实现[J]. 吉林大学学报(信息科学版), 2020, 38(2): 199-205.
[3]	边莉, 何辉, 杨彦方, 刘文静. 基于改进型蚁狮算法的PID控制器参数优化[J]. 吉林大学学报(信息科学版), 2019, 37(3): 292-298.
[4]	王昕, 李亮, 尹小童, 李梦烁, 曾朝伟, 艾勇鑫. 甲状腺结节超声图像多特征融合及识别[J]. 吉林大学学报(信息科学版), 2017, 35(6): 650-655.
[5]	张雨烟, 陈万忠, 张涛, 李明阳. 基于非负矩阵分解的癫痫脑电自动检测[J]. 吉林大学学报(信息科学版), 2017, 35(5): 551-559.
[6]	杨永健, 聂瑜, 吴洋, 孙广志, 杨仲尧. 基于 SVM 新的情感计算方法[J]. 吉林大学学报(信息科学版), 2017, 35(4): 438-442.
[7]	刘伟,周志全,刘海旭 . 永磁同步直线电机混沌杂草自抗扰控制研究[J]. 吉林大学学报(信息科学版), 2017, 35(4): 376-383.
[8]	兰兰, 陈万忠, 魏庭松. 基于融合特征提取与 LLE 方法的表情识别[J]. 吉林大学学报(信息科学版), 2017, 35(4): 384-391.
[9]	李学贵,许少华,李娜,赵恩涛,郭昊 . 基于涡流搜索算法的过程支持向量回归机模型[J]. 吉林大学学报(信息科学版), 2017, 35(3): 341-346.
[10]	胡云鹏, 王世刚. 基于支持向量机与朴素贝叶斯的犯罪度理论研究[J]. 吉林大学学报(信息科学版), 2017, 35(1): 20-25.
[11]	杜昭慧,司玉娟 . 基于层次支持向量机的脉搏信号情感识别[J]. 吉林大学学报(信息科学版), 2017, 35(1): 37-42.
[12]	唐国维,张岩,王苫社,刘彦彤,赵璨 . 基于 ε-SVR 的嵌入式小波图像编码算法[J]. 吉林大学学报(信息科学版), 2017, 35(1): 76-84.
[13]	王丹,臧雪柏,陈奋君 . 基于 Latent SVM 的多视角行为识别方法[J]. 吉林大学学报(信息科学版), 2016, 34(6): 747-752.
[14]	宋晓洋, 刘立勋. 基于SVM 回归的连续血压测量方法[J]. 吉林大学学报(信息科学版), 2016, 34(3): 384-389.
[15]	杨宇, 司玉娟, 宋晓洋. 基于小波变换和支持向量机的心电信号ST 段分类[J]. 吉林大学学报(信息科学版), 2016, 34(3): 315-319.