基於模糊推論之支撐向量機器參數選取

A Fuzzy based on Parameters determination for Support Vector Machine

賴彥宏(Yen-hung Lai)

指導教授 ： 姚志佳

朝陽科技大學/資訊學院/資訊工程系/碩士(2012年)

摘要

在SVM 的訓練過程中，如何決定目標函數中的參數值與核心函數中的
參數值一直是尚未解決的問題，本論文的目地在於提出一套新的演算法以決定目標函數中理想的C 值與核心函數中理想參數值，不同的C 值與核心函數的參數值會導致有不同的正確率，本論文中核心函數以高斯函數為主。此演算法以模糊理論為基礎，經由模糊規則以推導出理想的C 值與高斯函數中的γ 值，雖然目前已有一些相關論文提出，但其方法與結果尚有相當大的改善空間，本篇論文分析資料分佈情況與核心函數的影響，將其結果歸納於九條模糊規則中以取得其中的C 值與γ 值，並以類神經網路進行學習。經實驗結果證明，本篇論文所提出的方法能有效的產生正確的C 值與γ 值。

關鍵字

SVM 參數 ； 模糊規則 ； 類神經網路

並列摘要

In the phase of building SVM model, it is still an unsolved problem of how to decide the optimal parameter values for the cost function and kernel function.Although numerous researches have been proposed to overcome this problem,
they were suffered with the problem of much time complexity. Ideal parameter values could increase the accuracy of classification. In this thesis a novel algorithm is proposed to generate ideal parameter values. In this algorithm,overall relations between training patterns are summarized into nine fuzzy rules and fuzzy inference engine is used to generate the ideal parameter values.Besides, fuzzy neural network is used to reach the optimal solution.Experimental results show that our proposed algorithm produces ideal C and γ effectively and outperform other methods.

並列關鍵字

Artificial Neural Network ； Fuzzy rules ； Parameter of SVM

參考文獻

[1]林育利，使用類神經網路結合支撐向量機之分類器研究，碩士論文，國立中央大學光機電工程研究所，2008。

[2]J.Ozols, A.Borisov,“Fuzzy classification based on pattern projections analysis”, Pattern Recognition, vol.34, pp.763-781, 2001.

[3]C.–L. Huang, C.–J. Wang, “A GA-based feature selection and parameters optimization for support vector machines”, Expert Systems with Applications, vol. 31, pp. 231–240, 2006.

[4]V. Vapnik, Statistical Learning Theory, Wiley, New York, 1998.

[5]S.–W. Lin, Z. –J .Lee, S.–C. Chen ,T. –Y Tseng,“Parameter determination of support vector machine and feature selection using simulated annealing approach”, Applied Soft Computing,vol.8, pp.1505–1512, 2008.