1简介

支持向量机是一种建立在统计学习理论上的机器学习方法,它追求结构化风险最小而不是经验风险最小,具有很强的推广能力.SVM是从线性可分的二分类问题发展而来的,其基本思想是寻找两类样本的最优分类面,使得两类样本的分类间隔(margin)最大.以图1所示为例.图中:实心点和空心点分别代表两类样本;H为分类线,H1和H2分别为各类中离分类线最近的样本且平行于分类线的直线,它们之间的距离称为分类间隔.所谓最优分类线就是要求分类线不但能将两类正确分开,而且使分类间隔最大.

2部分代码

function[Score,Position,Convergence]=SOA(Search_Agents,Max_iterations,Lower_bound,Upper_bound,dimension,objective)Position=zeros(1,dimension);Score=inf;Positions=init(Search_Agents,dimension,Upper_bound,Lower_bound);Convergence=zeros(1,Max_iterations);l=0;whilelMax_iterationsfori=1:size(Positions,1)Flag4Upper_bound=Positions(i,:)Upper_bound;Flag4Lower_bound=Positions(i,:)Lower_bound;Positions(i,:)=(Positions(i,:).*(~(Flag4Upper_bound+Flag4Lower_bound)))+Upper_bound.*Flag4Upper_bound+Lower_bound.*Flag4Lower_bound;fitness=objective(Positions(i,:));iffitnessScoreScore=fitness;Position=Positions(i,:);endendFc=2-l*((2)/Max_iterations);fori=1:size(Positions,1)forj=1:size(Positions,2)r1=rand();r2=rand();A1=2*Fc*r1-Fc;C1=2*r2;b=1;ll=(Fc-1)*rand()+1;D_alphs=Fc*Positions(i,j)+A1*((Position(j)-Positions(i,j)));X1=D_alphs*exp(b.*ll).*cos(ll.*2*pi)+Position(j);Positions(i,j)=X1;endendl=l+1;Convergence(l)=Score;end3仿真结果4参考文献

[1]屈玉涛,邓万宇.基于matlab的svm分类预测实现[J].信息通信,(3):2.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。部分理论引用网络文献，若有侵权联系博主删除。5代码下载预览时标签不可点收录于合集#个上一篇下一篇
转载请注明:http://www.aideyishus.com/lkjg/586.html