欢迎来到天天文库
浏览记录
ID:52238605
大小:294.49 KB
页数:6页
时间:2020-03-25
《基于类间距的径向基函数_支持向量机核参数评价方法分析.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第33卷第2期兵工学报Vol.33No.22012年2月ACTAARMAMENTARIIFeb.2012基于类间距的径向基函数-支持向量机核参数评价方法分析1121宋小杉,蒋晓瑜,罗建华,姚军(1.装甲兵工程学院控制工程系,北京100072;2.装甲兵工程学院科研部,北京100072)摘要:分析了径向基函数(RBF)核参数γ对空间映射结果的影响,得出3条结论。在此基础上,找到了1种新的核参数评价方法,该方法通过计算特征空间中两类之间的平均距离(ICMD)来评价γ的优劣。文章分别从理论和实验两方面证明了ICMD最大值的存在性。为验证该方法的有效性,文中对7个样本集进
2、行了两组参数选择实验:第一组实验通过ICMD找到最优核参数γ,再由10-折交叉验证得到最优惩罚因子C,称为“两步法”;第二组实验采用基于10-折交叉验证的网格搜索法进行参数选择。结果显示两种方法均选择出了适当的参数,但前者花费的时间比后者大大缩短,验证了ICMD方法的有效性。关键词:人工智能;支持向量机;高斯核;核参数评价;参数选择中图分类号:TP181文献标志码:A文章编号:1000-1093(2012)02-0203-06AnalysisoftheInter-classDistance-basedKernelParameterEvaluatingMethodf
3、orRBF-SVM1121SONGXiao-shan,JIANGXiao-yu,LUOJian-hua,YAOJun(1.DepartmentofControlEngineering,AcademyofArmoredForceEngineering,Beijing100072,China;2.DepartmentofScienceResearch,AcademyofArmoredForceEngineering,Beijing100072,China)Abstract:Theeffectofradialbasisfunction(RBF)kernelparamet
4、erγonthemappedspacewasana-lyzed.Anovelkernelparameterevaluatingmethodwasproposed,whichisbasedontheinter-classmeandistance(ICMD).Thetheoreticalandexperimentalanalysesweremadefortheproposedmethod.Twosetsofparameterselectionexperimentsweremadeinordertoprovethevalidityoftheproposedmethod.
5、Inthefirstset,theoptimalparameterγwaschosenbytheICMDmethod,andthentheoptimalcostpa-rameterCwasobtainedbythe10-foldscrossvalidation,whichiscalled“Two-StageMethod”;Inthesecondset,the10-foldscrossvalidation-basedgridsearchmethodwasadopted.Theresultsshowthatthe“Two-StageMethod”canselectth
6、eoptimalparameterswithsignificantlydecreasedtimecost,whichprovesthevalidityofICMDmethod.Keywords:artificialintelligence;supportvectormachine;radialbasisfunctionkernel;kernelparame-terevaluation;parameterselection[1]出,是一种智能学习机器,相对于人工神经网络,0引言具有3个优点:1)SVM以统计学习理论为基础,从支持向量机(SVM)由Vapnik于199
7、5年提结构风险最小理论和VC维理论发展而来,具有完收稿日期:2010-08-27基金项目:“十一五”装备预研项目(2009YY02)作者简介:宋小杉(1980—),男,博士研究生,E-mail:sxsh029@yahoo.com.cn;蒋晓瑜(1967—),男,博士后,教授,E-mail:jiangxiaoyu2007@gmail.com204兵工学报第33卷善的理论基础;2)SVM同时考虑了经验风险最小和验两方面对该方法进行了深入分析,证明了该方法学习机器的复杂度,并进行了恰当的折中,使其具有是1种既有效、又省时的参数选择方法。了很好的泛化能力;3)SVM算法是
8、一个凸二次
此文档下载收益归作者所有