ＲＶＭ核参数的遗传算法优化方法

2012年04月10日11:22:04 本网站我要评论(2)字号：T | T | T

李　刚，王贵龙，薛惠锋
西安工业大学经管学院，陕西西安

西北工业大学自动化学院，陕西西安

摘　　　要：核函数的参数严惩影响ＲＶＭ的综合性能。为求得稀疏解、避免过拟合，提出使用遗传算法针对问题背景自动优化核函数的参数。在适应度函数评判下，种群经过选择、交叉和变异迭代进化，高效率地得到较优解，在定义ＲＶＭ回归性能综合评判批准Ｆｉｔｎｅｓｓ作为适应度函数的基础上，使用Ｍａｔｌａｂ遗传算法工具箱和改进的Ｔｉｐｐｉｎｇ程序获取ｓｉｎｃ数据较优核函数参数，实验证明遗传算法可以高效准备地优化ＲＶＭ核参数，特别对于具有较多参数的核函数更具实用性。

关　键　词：关联向量机；核函数参数；综合评判标准；遗传算法

１　引　言
ＲＶＭ（关联向量机）是ＭｉｃｈａｅｌＥＴｉｐｐｉｎｇ于２００１年提出的一种建立在支持向量机（ＳＶＭ）之上的稀疏贝叶斯统计学习方法［１］，它的训练是在贝叶斯框架下进行的，可以用它进行回归及分类模式分析。ＲＶＭ克服ＳＶＭ缺点：ＲＶＭ的关联向量数要少于ＳＶＭ，具有更优的泛化性能；可以得到点估计及区间估计；无需多次试验找到较优的类似于Ｃ或ε的主观设置值。与ＳＶＭ类似的是ＲＶＭ也使用核方法，将自变量映射到高维空间，得到因变量与自变量线性回归的稀疏解，但核函数参数严重影响ＲＶＭ的性能，如何方便快捷地找到综合性能较优的核函数参数目前尚无解析解理论指导，由于ＲＶＭ的分类功能建立在回归的基础之上，目前，ＲＶＭ算法在模式识别、回归估计、概率密度函数估计等方面有广泛应用。例如，在模式识别方面，对于手写数字识别、语音识别、人脸图像识别、文章分类等问题。本文尝试使用遗传算法获取回归综合性能较优的核参数数值解。

登录网站后可下载文件

ＲＶＭ 核参数的遗传算法优化方法

相关阅读:

ＲＶＭ核参数的遗传算法优化方法