【SVM分类】基于花朵授粉算法优化最小二乘支持向量机实现数据分类matlab代码

1 简介

近年来，已有越来越多的建模方法被相关学者提出用来解决分类识别、风险预测、效能评估等问题，这些建模方法包括：时间序列分析、灰色理论、神经网络等。但是时间序列分析，方法复杂且预测精度较低；灰色理论需要规律性的数据；神经网络方法易出现过拟合以及易陷入局部极值等问题。支持向量机（（Support Vector Machine，SVM）是一种基于结构风险最小化且有着强大的泛化能力的建模方法。它可以很好地解决小样本、非线性，以及陷入局部极值等问题。然而，SVM的学习能力和泛化能力取决于合适的参数选择，这些参数直接影响了模型的性能。因此，近年来越来越多的参数优化方法被应用于 SVM的参数选择问题，比如网格搜索法、粒子群算法、蝙蝠算法等，然而网格搜索法运算量大，搜索效率低；粒子群算法和蝙蝠算法在参数寻优过程中会出现收敛速度慢、易陷入局部极值的问题。花朵授粉算法（Flower Pollinate Algorithm，FPA） 是由英国学者 Xin- She Yang 受开花植物授粉过程的启发于 2012 年提出的一种新型元启发式群智能算法，该算法简单易实现，且有着新颖的寻优结构，可以很好地实现全局搜索与局部搜索之间的平衡，具有较大的研究潜力，目前已被成功应用于图形着色、特征选择、电力系统优化等问题​。本文提出的 FPA—SVM模型，仿真结果表明，该模型​预测精度较高。