在乳腺癌識(shí)別方法中,支持向量機(jī)(SVM)憑借良好的精度和魯棒性已經(jīng)取得了不錯(cuò)的預(yù)測結(jié)果,但是SVM中懲罰系數(shù)c和核函數(shù)參數(shù)g選取的不同也會(huì)在一定程度上影響著算法的泛化精度。為了提高SVM的識(shí)別性能,提出了一種將改進(jìn)鯨魚優(yōu)化算法(MWOA)和SVM結(jié)合的模型。利用MWOA迭代尋優(yōu)能力對(duì)SVM參數(shù)進(jìn)行調(diào)整,并以最優(yōu)化的參數(shù)組合對(duì)樣本數(shù)據(jù)進(jìn)行分類識(shí)別。為了證明該方法的有效性,應(yīng)用威斯康辛乳腺癌數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)并與現(xiàn)有方法進(jìn)行對(duì)比。仿真結(jié)果表明,MWOA-SVM與BP神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)SVM、PSO-SVM、及WOA-SVM 4種方法相比,具備更好的識(shí)別性能。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引 言
1 支持向量機(jī)(SVM)
2 改進(jìn)鯨魚優(yōu)化算法(MWOA)
    2.1 傳統(tǒng)鯨魚優(yōu)化算法
        1)包圍獵物
        2) 氣泡攻擊
        3)隨機(jī)搜索
    2.2 改進(jìn)策略
        1)引入慣性權(quán)重
        2) 增加算子數(shù)量
        3) 父個(gè)體集合生成
        4) 新個(gè)體的生成
3 實(shí)驗(yàn)與結(jié)果分析
    3.1 實(shí)驗(yàn)數(shù)據(jù)與降維處理
    3.2 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
4 結(jié) 論



本文編號(hào)：4004867