论文部分内容阅读
基于统计学习理论的支持向量机技术以探求小样本情况下如何获得更好的机器学习规律而见长，与基于经验风险最小化原则的机器学习方法相比能够获得更佳的泛化能力，相关超参数的选择对其分类或回归性能有较大影响。针对径向基核支持向量机超参数优化问题，提出了一种改进的基于模拟退火算法的高效多目标优化算法，并详细讨论了优化寻优过程中搜索空间、初始可行解、初温和最优目标函数的设计方法。通过在多个标准数据集上的测试验证，证实了本文所提算法的可行性和有效性。