[发明专利]一种基于支持向量机和杂草算法结合的目标分类方法

说明书

本发明涉及机器学习及目标分类领域，具体涉及一种基于支持向量机和杂草算法结合的目标分类方法，包括杂草算法优化步骤、支持向量机进行二分类步骤，杂草算法优化步骤包括种群初始化、生长繁殖、空间扩散、竞争排斥、重复。本发明的有益效果：利用杂草算法不断调优核函数参数的选择，能够快速找到支持向量机核函数的最优参数，从而支持向量机在目标分类过程中精度更高，可靠性高，精度高，适应面广泛。

技术领域

本发明涉及机器学习及目标分类领域，具体涉及一种基于支持向量机和杂草算法结合的目标分类方法。

背景技术

支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。在机器学习领域用于目标分类中应用较为广泛，在高维数据中以及线性不可分时，还会用到核函数，把低维度数据映射到高维数据空间，但此时核函数的参数选择对分类精度至关重要。支持向量机在人像识别、文本分类等模式识别(pattern recognition)问题中应用广泛。特别是在目标分类中，判断目标物是否出现在图像中，都得到广泛使用，用支持向量机(SVM)进行目标分类依然是学术界热点研究的方向，在实践中，人工智能领域也有众多支持向量机应用的案例。一些线性不可分的问题可能是非线性可分的，即特征空间存在超曲面将正类和负类分开。使用非线性函数可以将非线性可分问题从原始的特征空间映射到更高维的希尔伯特空间。特别是当数据维数较高在平面上利用SVM二分类难以区分时，就要引进核函数，将数据升到更高维度，以让数据可分。而对于核函数的选择，基本靠主管经验给其随意赋值，往往核函数的参数值选择不当，将会大大降低分类精度，导致训练时迭代时间过长。

发明内容

本发明的目的在于克服现有技术中存在的问题，提供一种基于支持向量机和杂草算法结合的目标分类方法，它可以实现至少一定程度上解决现有技术的问题。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现的：

一种基于支持向量机和杂草算法结合的目标分类方法，包括：

1)杂草算法优化步骤

1.1)种群初始化，一定数目的杂草以随机方式在D维空间扩散分布；

1.2)生长繁殖，每个杂草种子生长到开花,然后根据其适应性产生种子，父代杂草产生的种子个数与母体的适应度成线性关系；

1.3)空间扩散，以父代为轴线(均值)，子代个体以正态分布方式扩散在D维空间中，迭代过程中，每一代的标准差按如下规律进行变化，

其中：σ_iter为第iter次迭代的标准差值，σ_initial为起始标准差值，σ_final为最终标准差值，iter_max为最大迭代次数，n为非线性调和指数；

1.4)竞争排斥，经过数代的繁殖后，克隆产生的后代数目将超过环境资源的承受能力，通过预先设定的最大种群数目确定最大种群大小，当达到最大种群数目时先按前面规则自由繁殖，扩散完成后，再将父代和子代一起进行排列，按适应值大小进行淘汰，以达到种群上限要求；

1.5)：重复步骤1.2)至步骤1.4)，直至满足设定的最优解条件或者达到最大迭代次数；

2)支持向量机进行二分类步骤

设所求的分类面表达式为：

该分类面若能将训练样本线性分开，则：

对于有限个数的样本，存在ε，s.t.