支持向量机 (SVM) 是许多分类问题的有效模型。 然而,SVM 需要二次规划的解决方案,需要专门的代码。 此外,SVM 有很多参数,影响了 SVM 分类器的性能。 最近,提出了广义特征值近端 SVM(GEPSVM)来解决 SVM 的复杂性。 在现实世界的应用程序中,数据可能会受到错误或噪声的影响,处理这些数据是一个具有挑战性的问题。 在本文中,已经提出了一种方法来克服这个问题。 这种方法称为 DSA-GEPSVM。 主要改进基于以下几点:1)线性情况下的新模糊值。 2) 非线性情况下的新核函数。 3) 差分搜索算法 (DSA) 被重新制定以找到 GEPSVM 参数及其内核参数的接近最优值。 实验结果表明,所提出的方法能够找到合适的参数值,并且与其他一些算法相比具有更高的分类精度。
1