摘 要：提出了一種改進(jìn)粒子群優(yōu)化算法，將其應(yīng)用于支持向量機(jī)參數(shù)的優(yōu)化設(shè)計(jì)。將改進(jìn)粒子群優(yōu)化的支持向量機(jī)用于磨礦粒度軟測量，建立了基于改進(jìn)粒子群算法的支持向量機(jī)磨礦粒度軟測量模型，工業(yè)試驗(yàn)結(jié)果表明該模型具有較高的精度和良好的性能。

關(guān)鍵詞：支持向量機(jī)（SVM）；軟測量；磨礦粒度

1.引言：支持向量機(jī) （support vector machines， SVM）是上世紀(jì)90年代提出一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，這種方法應(yīng)用結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論，能較好地解決小樣本、非線性等實(shí)際問題。支持向量機(jī)最初應(yīng)用于模式識(shí)別，隨后在函數(shù)逼近、模型預(yù)測等領(lǐng)域也得到了廣泛的發(fā)展。實(shí)踐表明，SVM的性能與核函數(shù)的類型、核函數(shù)的參數(shù)以及懲罰系數(shù)C有很大關(guān)系。目前，一些學(xué)者將遺傳算法、蟻群算法及粒子群算法等仿生進(jìn)化算法應(yīng)用于SVM參數(shù)的優(yōu)化問題，但也存在一定的不足。遺傳算法存在收斂速度慢，變異、交叉概率無法確定等缺點(diǎn)；蟻群算法實(shí)現(xiàn)相對復(fù)雜且不適于處理實(shí)優(yōu)化問題；粒子群算法雖然結(jié)構(gòu)簡單，容易實(shí)現(xiàn)，但當(dāng)參數(shù)空間非常復(fù)雜的情況下由于初始值設(shè)定不當(dāng)可能會(huì)陷入局部極小。有些學(xué)者提出將其它優(yōu)化算法與粒子群算法結(jié)合的混合算法，但無疑增加了算法的復(fù)雜性。同時(shí)對粒子群的全局和局部性質(zhì)進(jìn)行改進(jìn)的混合算法較少。

2.改進(jìn)的粒子群優(yōu)化算法

2.1 粒子群優(yōu)化算法

參考文獻(xiàn)：

[1] 邢桂華，朱慶保.基于蟻群算法的RBF網(wǎng)絡(luò)參數(shù)的兩階段優(yōu)化[J].計(jì)算機(jī)工程與應(yīng)用，2005，27（4）：56-59

[2] 李紅利，張曉彤，蘭立柱等.基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)方法[J].計(jì)算機(jī)仿真，2003，20（11）：67-69