文献类型：期刊文献

中文题名：基于混合核函数的PSO-SVM分类算法

英文题名：A PSO-SVM Classifier Based on Hybrid Kernel Function

作者：刘春卫[1];罗健旭[1]

机构：[1]华东理工大学信息科学与工程学院,上海200237

年份：2014

卷号：40

期号：1

起止页码：96

中文期刊名：华东理工大学学报（自然科学版）

外文期刊名：Journal of East China University of Science and Technology

收录：CSTPCD;;Scopus;北大核心:【北大核心2011】；CSCD:【CSCD2013_2014】；

基金：上海市自然科学基金(12ZR1408200);中央高校基本科研业务费专项资金

语种：中文

中文关键词：支持向量机;混合核函数;粒子群优化

外文关键词：support vector machine; mixed kernel function; particle swarm optimization

摘要：在数据挖掘中,支持向量机是被广泛应用的一种分类算法,其核函数的选择及参数的设定没有有效的标准。本文采用混合核函数构造兼顾学习能力和泛化性能的支持向量机算法,并利用粒子群算法来确定支持向量机的参数。应用基于混合核函数的PSO-SVM算法对一个经典的分类测试数据集进行分类,将该算法与单一核函数支持向量机算法的分类结果进行比较,结果表明所提出的算法的分类性能有明显提升。
Support vector algorithm. However, there is parameters. In order to reach hybrid kernel function, in wh machine （SVM） has no effective standard both stronger learning ich the parameters of been widely used in data mining as a classification in choosing its kernel function and setting the related ability and generalization ability, this paper poposes a SVM are optimized by means of PS（）（particle swarm optimization）. The comparison is made on a classical classification problem, which is shown from the results that the proposed algorithm has better performance than the SVM based on single kernel function.