支持向量回归超参数的混沌文化优化选择方法

支持向量回归中的超参数选择合理与否，对模型的性能影响很大。常用的梯度下降选择方法要求核函数或估计函数近似值可微，且对迭代初值具有较强依赖性。为此，本文给出一种两阶段参数优化选择方法。第一阶段根据问题实际需求，确定超参数的各自变化区域；第二阶段在确定的参数变化范围内，采用自适应混沌文化算法，寻找具有最优性能的超参数组合。其中，自适应混沌文化算法是利用从进化过程提取的隐含知识来控制自适应混沌变异算子的变异尺度，从而在保证种群多样性的同时，实现进化后期的精细搜索。面向Mackey-Glass时间序列预测的仿真结果表明，该参数选择方法具有较高的求解精度和求解稳定性，能有效抑制早熟收敛；且对函数结构不具有依赖性；所得超参数对应的SVR模型具有较好的泛化性能。