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]	王冬梅, 宋南南, 张丹, 王鹏, 路敬祎. 基于 AOA-SVM 的数字孪生管道泄漏识别模型 [J]. 吉林大学学报(信息科学版), 2025, 43(5): 937-943.
[2]	张科星, 何江. 基于改进支持向量机的动态多点手势动作识别方法[J]. 吉林大学学报(信息科学版), 2025, 43(3): 583-590.
[3]	曹敬馨, 刘洲洲. 移动网络隐私信息库未知访问源安全性预警[J]. 吉林大学学报(信息科学版), 2024, 42(4): 733-739.
[4]	魏亚明, 孟媛. 基于随机森林模型的不平衡大数据分类算法 [J]. 吉林大学学报(信息科学版), 2023, 41(6): 1079-1085.
[5]	王娜, 李劲松, 潘子尧, 姚明海. 基于支持向量机的学位预警方法研究[J]. 吉林大学学报(信息科学版), 2023, 41(5): 903-907.
[6]	蔡茂, 刘芳. 基于细粒度图像分类算法的新冠 CT 图像分类[J]. 吉林大学学报(信息科学版), 2023, 41(4): 676-684.
[7]	邓昊原, 张爽, 陈曙东. 基于瞬变电磁探测的未爆弹分类研究[J]. 吉林大学学报(信息科学版), 2023, 41(2): 265-271.
[8]	李倩, 付光杰. 基于混沌-懒蚂蚁 SVM 的抽油机故障识别[J]. 吉林大学学报(信息科学版), 2023, 41(1): 138-144.
[9]	宋红毅. 基于自适应投影的三维人体运动图像智能检测[J]. 吉林大学学报(信息科学版), 2023, 41(1): 151-157.
[10]	蔡娣 , 路阳 , 林立媛 , 杜娇娇 , 管闯. 基于稀疏自编码和 SPSO-SVM 的稻瘟病早期病害识别[J]. 吉林大学学报(信息科学版), 2022, 40(3): 416-423.
[11]	黄承锋, 陈一铭, 李元龙. 基于改进 GA 算法的高速公路交通拥堵状况预测[J]. 吉林大学学报(信息科学版), 2022, 40(2): 198-205.
[12]	高金兰, 王天. 基于 VMD-IWOA-LSSVM 的短期负荷预测[J]. 吉林大学学报(信息科学版), 2021, 39(4): 430-438.
[13]	刘富, 宋阳, 刘云, 康冰, 姜守坤, 侯涛. 基于仿生感知的机床刀具故障诊断系统[J]. 吉林大学学报(信息科学版), 2021, 39(2): 127-135.
[14]	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.
[15]	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.