随着互联网技术的发展,生活中每天产生的图像数不胜数,如何有效进行图像的分类是研究的热点。支持向量机以统计学习理论为基础,在小样本分类中具有其独特的优势,已应用于诸多领域。在支持向量机应用中,参数的选择对支持向量机的分类精度和泛化能力有着极其重要的影响。因此,支持向量机参数优化是研究支持向量机的一个重点。果蝇算法是受果蝇觅食行为的启发而提出的一种优化算法,通过果蝇间的合作寻找优化问题的最优解。果蝇算法在搜索过程中存在收敛速度变慢,易陷入局部最优等缺点。针对其不足,本文提出了基于改进果蝇算法的支持向量机参数优化。论文的具体工作如下:针对果蝇算法中存在的不足,提出了基于混沌反向学习的正余弦果蝇算法。首先在种群初始化阶段,通过混沌映射使果蝇位置均匀分布在整个空间,引入精英反向学习提高初始解的质量。其次在搜索进程中引入正余弦搜索,加强全局和局部搜索,加快全局向局部的过渡。在测试函数上验证所提算法的性能,实验结果表明,相比果蝇算法和其它同类算法,基于混沌反向学习的正余弦果蝇算法具有较好的收敛速度和寻优精度。在对果蝇算法改进的基础上,将支持向量机参数优化问题作为待优化问题。通过改进果蝇算法中的味道浓度判定值对支持向量机惩罚因子和核函数参数赋值,进行寻优,得到支持向量机最优参数组合。在UCI数据集上对基于改进果蝇算法优化的支持向量机分类模型的性能进行验证,实验结果表明,本文所提分类模型具有较高的分类准确率。基于支持向量机实现图像分类。首先对图像集进行预处理,接着利用卷积神经网络对图像特征进行提取,然后送入改进果蝇算法优化的支持向量机分类模型。在图像集上对图像分类的性能进行验证,实验结果表明,本文方法在图像分类问题的解决上有较好的效果。图[27]表[11]参[80]