粒子群算法的SVM参数选取

　　支持向量机采用结构风险最小化准则（Structural Risk Minimization，SRM）训练学习机器，其主要优点有：将学习问题归结为一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；通过非线性变换将数据映射到高维特征空间，使数据在高维空间中可以用线性判别函数分类；巧妙地解决了维数问题，算法复杂度与样本维数无关；具有简洁的数学形式和直观的几何解释，人为设定的参数少，便于理解和使用。支持向量机建立在严格的理论基础之上，较好地解决了非线性、高维数、局部极小点等问题，成为继神经网络研究之后机器学习领域新的研究热点。

　　针对SVM这种算法选取参数不完善的地方，选取参数的算法需具备较强的普遍性，收敛速度快，计算量小和全局搜索能力强的要求，本文利用张英男等人提出的活跃目标点粒子群算法对SVM参数进行选取。通过仿真实验可以看出改进的粒子群算法能够选出较为有效的算法。