[發明專利]一種基于改進的多元宇宙算法構建預測模型的方法

在審

• 申請號: 201910942225.1
• 申請日: 2019-09-30
• 公開（公告）號: CN110738362A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 陳慧靈;劉佳慧;傅航飛;喬雪婷;趙學華;劉國民;羅云綱;汪鵬君
• 申請（專利權）人: 溫州大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04
• 代理公司: 33258 溫州名創知識產權代理有限公司
• 代理人: 陳加利

本發明提供一種基于改進的多元宇宙算法構建預測模型的方法，包括獲取樣本數據并對所獲取到的樣本數據進行歸一化處理；利用基于改進的多元宇宙算法優化支持向量機的懲罰因子C和核寬γ；基于所獲得的懲罰因子C和核寬γ，利用所歸一化處理后的數據來構建預測模型，并基于所構建的預測模型對待分類樣本進行分類和預測。實施本發明，通過基于改進的多元宇宙算法來優化SVM的懲罰因子和核寬，可有效提升算法的收斂速度和收斂精度，提升算法逃脫局部最優解的能力，找到更優的全局近似最優解。

技術領域

本發明涉及計算機技術領域，尤其涉及一種基于改進的多元宇宙算法(CSAMVO)算法構建預測模型的方法。

背景技術

眾所周知，科學技術日益表現出交叉和滲透的特征，特別是計算機科學技術改變了人類生產與生活方式。大數據應用的領域也越來越廣，因此對大數據的分類及預測等處理提出了新的挑戰，尤其是元啟發式優化算法用于大數據的分類及預測中。

支持向量機(SVM)常用于構建預測模型來對數據進行分析，該支持向量機(SVM)最常用的兩種參數優化方法包括網格搜索和梯度下降。在第一種參數優化方法中，網格搜索是一種窮舉搜索方法，它一般是通過設置合理的區間上下限和間隔步長對指定參數空間進行劃分，然后對每個網格節點代表的參數組合進行訓練和預測，將這些預測結果中取值最高的一組參數作為最終SVM模型的最佳參數。該方法雖然在一定程度上能保證得到給定參數空間內最優的參數組合，然而隨著參數空間增大，其搜索效率會大大降低，特別是設置合理的區間和間隔步長值往往非常困難，從而大大降低了其可行性，而且模型也非常容易陷入局部最優值；在第二種參數優化方法中，梯度下降方法雖然能克服網格搜索方法的缺陷，但是它對初始值非常敏感，特別是初始參數設置離最優解非常遠的時候，模型很容易收斂到局部最優解。

近年來，由于元啟發式的搜索算法憑借其獨特的全局尋優能力而受到了學術和工業界的廣泛關注，它們被普遍認為比傳統尋優方法具有更大的機會找到全局最優解，因此提出多種基于元啟發式算法的SVM訓練算法來處理參數優化問題。

SVM在具體應用時，其性能主要受包括線性核函數、多項式核函數、徑向基(RBF)核函數和sigmoid核函數等核函數影響，一般情況下選擇基于RBF核函數的SVM。RBF核SVM主要涉及兩個重要的參數C和γ。C是懲罰因子，它用于控制對錯分樣本懲罰的程度，起到控制訓練誤差和模型復雜度之間平衡的作用；C值越小，則對數據中誤判樣本的懲罰也越小，使得訓練誤差變大，因此結構風險也變大。相反，C值越大，對錯分樣本的約束程度就越大，這樣會導致模型雖然對訓練數據的誤判率很低，但整體的泛化能力卻很差，容易出現“過擬合”現象。參數γ代表RBF核函數中的核寬，它決定了核函數的寬度，直接影響SVM的性能。如果γ取得不恰當，SVM很難獲得預期的學習效果。γ值太小會導致過擬合，γ值太大會使SVM的判別函數過于平緩。所以懲罰因子C和核寬γ從不同的角度影響著SVM的分類超平面。在實際應用中，它們取值過大或過小都會使SVM的泛化性能變差。

但是，采用現有的元啟發式的搜索算法來處理SVM參數優化問題，還有待進一步提升算法的收斂速度和收斂精度，提升算法逃脫局部最優解的能力，從而找到更優的全局近似最優解。

發明內容

本發明實施例所要解決的技術問題在于，提供一種基于改進的多元宇宙算法構建預測模型的方法，通過基于改進的多元宇宙算法(CSAMVO)來優化SVM的懲罰因子和核寬，可有效提升算法的收斂速度和收斂精度，提升算法逃脫局部最優解的能力，找到更優的全局近似最優解。

為了解決上述技術問題，本發明實施例提供了一種基于改進的多元宇宙算法構建預測模型的方法，所述方法包括以下步驟：

步驟S1、獲取樣本數據并對所獲取到的樣本數據進行歸一化處理；

步驟S2、利用基于改進的多元宇宙算法優化支持向量機的懲罰因子C和核寬γ，具體為：