基于量子粒子群的支持向量機算法的研究與應(yīng)用.pdf

1、支持向量機是小樣本學(xué)習領(lǐng)域的重要應(yīng)用理論與算法，它具有結(jié)構(gòu)簡單、推廣能力強的特點，近年來受到了廣泛的研究。本篇文章仔細研究了支持向量機的核函數(shù)理論，提出了一種基于量子粒子群搜索的的支持向量機算法。針對基本量子粒子群算法早熟收斂的缺陷，本文提出兩種改進的量子粒子群算法，并提出了兩種基于改進型量子粒子群的支持向量機算法。本文的研究工作主要包括以下幾個方面:
　　 1)介紹了量子計算的基本理論，以及量子進化算法的概念和理論知識。介紹了

2、量子粒子群算法的基本知識，以及量子粒子群算法在種群搜索方面的特點。
　　 2)研究了支持向量機兩種類型的核函數(shù)，并分析了基于基本核函數(shù)的支持向量機所具有的缺點，因此引入了山徑向基函數(shù)和多項式函數(shù)加權(quán)求和構(gòu)成的混合核函數(shù)，并將基于混合核函數(shù)的支持向量機的性能與基于基本核函數(shù)的支持向量機的性能做了對比。
　　 3)支持向量機算法中參數(shù)的選擇對算法性能影響很大，所以本文提出了一種基于量子粒子群搜索的支持向量機算法。利用量子粒子

3、群算法尋優(yōu)核函數(shù)的參數(shù)，仿真實驗表明，這種算法具有更好的性能。
　　 4)研究了量子粒子群算法的算法發(fā)散和早熟收斂，提出了基于收斂因子的量子粒子群算法，確保量子粒子群算法能夠在搜索過程中收斂。并為了克服算法的早熟收斂，提出了兩種避免早熟策略，這兩種策略可以有效地增加樣本的多樣性，從而避免早熟收斂。最后利用改進的量子粒子群算法對混合核函數(shù)支持向量機算法進行參數(shù)尋優(yōu)，實驗表明，這樣可以明顯地提高支持向量機算法的性能。