1、 - - 363 基于遗传算法的核支持向量机研究 摘摘 要要：针对传统支持向量机识别能力的缺陷，本文重点研究了基于支持向量机和遗传算法的混合算法，并就适定性 函数做了深入研究。该算法的主要思想是在分类建模时使用支持向量机模型，但在求解决策超平面的最优化 问题时使用遗传算法。混合算法能够直接得到分类超平面的系数，这在经典的支持向量机分类技术中很难实 现。根据具体的数学模型、染色体及适定性函数的不同，分别建立了三种混合算法。仿真结果显示了这一算 法广阔的发展前景。 关键词关键词：支持向量机；核方法；遗传算法；分类问题 Abstract：Concerning the shortcomings of
2、recognition of traditional support vector machines, this paper focuses on the hybridization between support vector machines and genetic algorithm and does an in-depth qualitative research on fitness function. The main idea of the algorithm is considering the classification task as in SVM but using a
3、n genetic algorithm to solve the optimization problem of determining the decision function. They can explicitly acquire the coefficients of the separating hyperplane, which is often not possible within the classical technique. According to the specific choice of mathematical model, chromosome and fi
4、tness function, we have established three types of hybrid algorithms. the obtained results show the promise of this new approach. Key words：support vector machine kernel methods genetic algorithm classification problem 1 引引 言言 核支持向量机(KSVMs)1是近几年发展起来的主要用于解决分类问题的新算法， 它基于严密的统 计学习理论，通过巧妙地引入核函数，将低维问题通过非线性映射投射到高维特征空间，并在特征 空间中采用线性可分支持向量机解决分类问题。KSVMs也是数据挖掘技术的新方法，在模式分类、 函数逼近、概率密度估计及回归分析等理论领域，支持向量机取得了良好的效果，并已成功应用到 诸如手写数字识别、文本分类、语音识别、人脸检测等技术领域。遗传算法(GA)2是模拟生物在自然 环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法，与其他寻优
