李　剛，王貴龍，薛惠鋒
西安工業(yè)大學(xué)經(jīng)管學(xué)院，陜西西安

西北工業(yè)大學(xué)自動(dòng)化學(xué)院，陜西西安

摘　　　要：核函數(shù)的參數(shù)嚴(yán)懲影響ＲＶＭ的綜合性能。為求得稀疏解、避免過(guò)擬合，提出使用遺傳算法針對(duì)問(wèn)題背景自動(dòng)優(yōu)化核函數(shù)的參數(shù)。在適應(yīng)度函數(shù)評(píng)判下，種群經(jīng)過(guò)選擇、交叉和變異迭代進(jìn)化，高效率地得到較優(yōu)解，在定義ＲＶＭ回歸性能綜合評(píng)判批準(zhǔn)Ｆｉｔｎｅｓｓ作為適應(yīng)度函數(shù)的基礎(chǔ)上，使用Ｍａｔｌａｂ遺傳算法工具箱和改進(jìn)的Ｔｉｐｐｉｎｇ程序獲取ｓｉｎｃ數(shù)據(jù)較優(yōu)核函數(shù)參數(shù)，實(shí)驗(yàn)證明遺傳算法可以高效準(zhǔn)備地優(yōu)化ＲＶＭ核參數(shù)，特別對(duì)于具有較多參數(shù)的核函數(shù)更具實(shí)用性。

關(guān)　鍵　詞：關(guān)聯(lián)向量機(jī)；核函數(shù)參數(shù)；綜合評(píng)判標(biāo)準(zhǔn)；遺傳算法

１　引　言
ＲＶＭ （關(guān)聯(lián)向量機(jī)）是ＭｉｃｈａｅｌＥ�保裕椋穑穑椋睿缬冢玻埃埃蹦晏岢龅囊环N建立在支持向量機(jī)（ＳＶＭ）之上的稀疏貝葉斯統(tǒng)計(jì)學(xué)習(xí)方法［１］，它的訓(xùn)練是在貝葉斯框架下進(jìn)行的，可以用它進(jìn)行回歸及分類(lèi)模式分析。ＲＶＭ克服ＳＶＭ缺點(diǎn)：ＲＶＭ的關(guān)聯(lián)向量數(shù)要少于ＳＶＭ，具有更優(yōu)的泛化性能；可以得到點(diǎn)估計(jì)及區(qū)間估計(jì)；無(wú)需多次試驗(yàn)找到較優(yōu)的類(lèi)似于Ｃ或ε的主觀(guān)設(shè)置值。與ＳＶＭ類(lèi)似的是ＲＶＭ也使用核方法，將自變量映射到高維空間，得到因變量與自變量線(xiàn)性回歸的稀疏解，但核函數(shù)參數(shù)嚴(yán)重影響ＲＶＭ的性能，如何方便快捷地找到綜合性能較優(yōu)的核函數(shù)參數(shù)目前尚無(wú)解析解理論指導(dǎo)，由于ＲＶＭ的分類(lèi)功能建立在回歸的基礎(chǔ)之上，目前，ＲＶＭ算法在模式識(shí)別、回歸估計(jì)、概率密度函數(shù)估計(jì)等方面有廣泛應(yīng)用。例如，在模式識(shí)別方面，對(duì)于手寫(xiě)數(shù)字識(shí)別、語(yǔ)音識(shí)別、人臉圖像識(shí)別、文章分類(lèi)等問(wèn)題。本文嘗試使用遺傳算法獲取回歸綜合性能較優(yōu)的核參數(shù)數(shù)值解。

登錄網(wǎng)站后可下載文件