閻伸　張全

【摘 要】支持向量機是一種基于統(tǒng)計學習理論的機器學習方法。在傳統(tǒng)的支持向量機模型中，模型參數(shù)需要用試湊的辦法，本文中提出一個基于粒子群算法的參數(shù)選擇機制，這可以大大減少模型的運算時間。最后給出一個算例。

【關鍵詞】粒子群算法；支持向量機；參數(shù)選擇

A Support Vector Machine Method based on Particle Swarm Optimization

YAN Shen ZHANG Quan

（Department of Information Engineering，ShenYang University of Technology，Shenyang Liaoning 110870，China）

【Abstract】Support Vector Machine（SVM）is a new machine learning technique based on the statistical learning theory.In the traditional SVM model，we usually select the parameter by trial and error.In this paper，we propose a parameter optimization method based on PSO for SVM，it can reduce computing time obviousely.At last，a numerical example is proposed.

【Key words】PSO；SVM；Parameter selection

0 引言

期刊評價可以歸結(jié)為多屬性決策問題，即參考多個指標（或稱屬性）來評價期刊的質(zhì)量[1]。期刊質(zhì)量的等級分類往往需要計算期刊的綜合評價值，而且通常需要確定屬性的權(quán)重值與綜合評價值的函數(shù)形式。

基于支持向量機的非線性系統(tǒng)建模不須要事先對函數(shù)關系進行任何假設，通過其機器學習的過程達到對問題真實模型的逼近[2]，運用粒子群算法進行參數(shù)選擇，在不影響準確率的前提下，縮短運算時間。最后，通過算例可以看出算法的優(yōu)勢。

1 支持向量機的參數(shù)

本文利用？著-SVR（Support Vector Regression）模型進行期刊評價問題的回歸擬合。

有三個參數(shù)需要給出，即？著-SVR的懲罰因子C、損失函數(shù)？著和RBF核函數(shù)里參數(shù)？酌的值。本文結(jié)合粒子群算法，對上述三個參數(shù)進行尋優(yōu)。這里，要用到判斷模型擬合效果的指標：均方根誤差（mean square error，MSE）及平方相關系數(shù)r（squared correlation coefficient），通常，MSE的值越小，r 的值約接近1，則擬合的效果越好。

2 算例分析

c=1.2779，g=0.1000，p=0.0100。同時，訓練集和測試集的MSE分別為0.0001和0.0088，平方相關系數(shù)分別為0.9997和0.7119。20個期刊的綜合評價值，分別為9.918、9.734、10.802、9.626、7.972、8.874、6.757、5.820、5.850、4.910、4.765、6.468、5.112、5.719、4.090、4.270、3.840、4.141、4.228、4.724，因此，得出20個期刊的排序結(jié)果為：S3>S1>S2>S4>S6>S5>S7>S12>S9>S8>S14>S13>S10>S11>S20>S16>S19>S18>S15>S17。

3 結(jié)論

本文提出了基于粒子群算法參數(shù)尋優(yōu)的支持向量機擬合方法。解決了在期刊等級評價過程中需要人為給出屬性權(quán)重值以及選擇綜合評價值計算模型的主觀因素，達到了完全根據(jù)客觀數(shù)據(jù)來確定期刊綜合評價值與其排序的效果。

【參考文獻】

[1]邱均平，武慶圓，劉霞.《中國學術期刊評價研究報告》的特色、做法和結(jié)果分析[J].評價與管理，2011，9（2）：29-34.

[2]鄧乃揚，田英杰.數(shù)據(jù)挖掘中的新方法—支持向量機[M].北京：科學出版社，2004.

[責任編輯：田吉捷]