【SVM分类】基于海鸥算法优化支持向量机SVM实现分类附matlab的代码
【SVM分类】基于海鸥算法优化支持向量机SVM实现分类附matlab的代码
TT_Matlab
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，完整matlab代码或者程序定制加qq1575304183。
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;
while
l<Max_iterations
for
i=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,:));
if
fitness<Score
Score
=
fitness;
Position
=
Positions(i,:);
end
end
Fc
=
2-l*((2)/Max_iterations);
for
i=1:size(Positions,1)
for
j=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;
end
end
l
=
l+1;
Convergence(l)
=
Score;
end
3 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, 2017(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