论文研究-基于PSO算法的 -SVM算法参数优化 .pdf

所需积分/C币:46 2019-08-16 11:33:46 202KB .PDF
30
收藏 收藏
举报

基于PSO算法的 -SVM算法参数优化,王洁,白静,在v-SVM算法参数选择中,现多采用反复试验的方法,局限性较大且操作复杂。因此,本文采用了粒子群算法来优化v-SVM中的参数,并将之��
国科技论文在线 http:/www.paper.edu.cn 2粒子群优化算法 开始 初始化粒子群 计算每个粒子的适应度ft(i 当前优于个体最优 Ycs 新更个体最优 当前优于仝局最优 Y es 更新全局最优 根据公式更新粒子的位与速度 满足终止条件 Ye 输出最优解 结束 图1粒子群算法流程图 Fig. I Work Flow Diagram of PSo 粒了群算法与其它进化类算法相类似,采用的是“群体”与“进化”的概念,同样也是依据 65个体的适应值大小进行操作。所不同的是,粒子群算法不像其它进化算法那样对于个体使用 进化算子,而是将每个个体看作是在n维搜索空间中的一个没有重量和体积的微粒,并在搜 索空间中以一定的速度飞行。该飞行速度由个体的飞行经验和群体的飞行经验进行动态调 设X=(xn,x2…,xm)为微粒当前的位置:H=(n,2,…,Ym)为微粒, 70当前的速度;P=(Pn,P2…,Pm)为微粒;所经历过的具有最好适应度值的位置。 粒子群算法是一个求最小化得问题,目标函数值越小,对应的适应值越好。 设f(x)为最小化的目标函数,则微粒i的当前最好位置由下式确定 P(t) if(X, (t+1))2f(P(t) P(t+1)= 2.1) X(t+1)若f(X(t+1)<f(P() 设群体中的微粒数为s群体中所有微粒所经历过的最好位置为p(t),称为全局最好位 山国科技论文在线 http:/www.paper.edu.cn P()∈{P(),B()…P()f(P()=minf(P(),f(F()…(P())(2.2) 粒子群算法的速度更新公式和位置更新公式如下S 2(t+1)=w()+c1(P(t)-X()+c22(P2()-X2(t) (23) AX(+1)=X;(t)+v(t+1) (24) 粒了群算法步骤描述如下: Step I:初始化一个粒子群,设置相关参数。初始化每个粒子的初始位置和速度,它们 通常是在允许的范围内随机产生 Stcp2:根据适应度函数计算每个粒子的适应度; Step3:每个粒子,将其适应度与其经历过的最优位置的适应度做比较,如果当前适应 度较优,则用当前位置史新自身最优位置,否则,不做史新 Step4:对每个粒子,将其适应度与整个种群所经力过的最优位置的适应度做比较,如 果当前适应度较优,则用当前位置更新种群最优位置,否则,不做更新 Step5:根据速度更新公式和位置更新公式更新粒了的速度和位置 Step6:检査是否达到算法的终止条件。如果达到,则停止达代,输出最优解,否则, 返回Step2,继续下一循环 算法流程见图1 3用粒子群算法优化ν-SⅥM算法参数步骤及流程图 步骤描述如下67 Step I:初始化个粒了群,设置相关参数。初始化每个粒了的初始位置和速度,它们 通常是在允许的范围内随机产生 Step2:初始化SVM屮的参数。 Step3:根据适应度函数计算每个粒子的初始适应度; Step4:寻找参数初始化后个个体极值和个体极值点,全局极值和全局极值点 Step 5:根据适应度函数计算每个粒子的适应度 Step6:每个粒子,将其适应度与其经历过的最优位置的适应度做比较,如果当前适应 100度较优,则用当前位置史新自身最优位置,否则,不做史新: Sep7:对每个粒子,将其适应度与整个种群所经历过的最优位置的适应度做比较,如 果当前适应度较优,则用当前位置更新种群最优位置,否则,不做更新; Step8:根据速度更新公式和位置更新公式更新粒了的速度和位置; Step9:检査是否达到算法的终止条件。如果达到,则停止迭代,输出最优解,否则 105返回Step5,继续下一循环。 算法流程见图2 4 国科技论文在线 http:/www.paper.edu.cn 川始 初始化粒子群 初始化SM中参数 计算初始适应度 寻找(个体、全局)极值,极值点 算每个粒子的适应度 迭代更新 满足终止条件 输出最优解 结束 佟2用PsO优化νSVM参数 Fig 2 Using PSo to optimize parameters ofV-SVM 4实验与分析 本次实验的平台是在 Matlab软件上安装SM工具箱,实验的环境和数据是9人在不 110同SNR(15dB、20dB、25dB、30dB、无噪音)下的孤立词发音作为训练数据库。语音信 号采样频率为11.02Khz,帧长N为256点,帧移M为128点。噪声为人为添加的 Gaussian 白噪声。语音样本数据的词汇量分别为10词、20词、30词、40词和50词,每人每个词发 音3次。因此,整个数据集在不同SNR下分别有10、20、30、40、50个类别,对应的训练 样本分别有270、540、810、1080和1350个。测试样本由另外7人在相应的SNR和词汇量 115下,对每个词发音3次得到,对应的测试样本分别有210、420、630、840和1050个。表中 bestnu, best分别为用PSO算法优化出来的最好参数值(ν,g), bestand为交差验证的识 别率, testas为将优选出米的核参数代入后,测试样本的识别率。 表一为不同信噪比、10词的实验结果 实验结果表明,粒子群算法优化v支持向量机中参数,可以得到较好的实验结果。在两 120种不同情况下,测试样本的识别率平均可达到95%以上。因为在优选参数时,输入变量选用 的是训练样本,所以实验结果以测试样本为准。 125 国科技论文在线 http:/www.paper.edu.cn 表1词汇量为10的仿真实验结果 130 Tab 1 Experimental results of 10 vocbularie S/N bestow best bestacc testacc 15dB 0.4124 0.0010 95.1852 93.3333 20dB 0.1280 0.0010 66667 96.1905 SdB 0.56l9 0.0100 94.7419 30dB 0.2664 0.0100 95.1852 96.6667 Clean 0.1413 0.0100 94.7619 表二为不同词汇量、20dB下的实验结果。 表2SNR为20的仿真实验结果 135 Tab 2 Experimental results of SNR 20 词汇量 bestnu 1g bestacc acc 0.1280 966667 96.1905 0.020l 0.0100 95.3704 95.7143 30ci 0.6162 0.0100 91.9753 95.3968 40ci 0.2616 93.7963 95.3571 50cl 0.0010 0.0100 92 94.6667 5结论与展望 虽然实验证明粒子样算法可以用来优化ν支持向量机,并且具有较高的识别率,但是仍 然存在一些缺点和不足,在信噪比和词汇量增加的情况下,鲁棒性能有时会受到影响,收敛 140时间会比较长。今后如何通过改进程序对鲁棒性、识别窣、收敛性进行提髙有待于我们进 步研究。 参考文献]( References) [1] Chang CC, Lin C J. Training -support Vcctor Classificrs: Thcory and Algorithms[J]. Ncura 145 Computation,2001,13(9):2119-2147 [2]Eberhart, R C, and Kennedy, J. A New Optimizer Using Particle Swarm Theory[C]. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, Nagoya, Japan, 1995: 39-43 [3]李国正王猛曾华军译支持向量机导轮[M北京;电子工业出版社,2004 「4]付元元,任东支持向量机中核函数及参数选择研究[J科技创新导报,2010(9):6-7 150[5]张英杰李亮.一种基于双子群的改进粒子群伏化算法[J湖南人学学报,2011,38(1). [6]张浩然.支持向量机算法及应用研究[D].上海:上海交通人学控制理论与控制工程,2003 [7] Novak M, Hampl r, Krbec P, etc. Two-pass Search Strategy for Large List Recognition on Embedded Speech Recognition Platforms[A]. Acoustics, Speech, and Signal Processing, ICASSP 2003 Proceedings [C]. 2003 185-188 155

...展开详情
试读 6P 论文研究-基于PSO算法的 -SVM算法参数优化 .pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
weixin_39841882 欢迎大家使用并留下宝贵意见
2019-08-16
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

    成功上传501个资源即可获取
关注 私信 TA的资源
上传资源赚积分or赚钱
    最新推荐
    论文研究-基于PSO算法的 -SVM算法参数优化 .pdf 46积分/C币 立即下载
    1/6
    论文研究-基于PSO算法的 -SVM算法参数优化 .pdf第1页
    论文研究-基于PSO算法的 -SVM算法参数优化 .pdf第2页

    试读结束, 可继续阅读

    46积分/C币 立即下载 >