知识卡片
粒子群联合搜索特征与参数
图像分类里有两个互相影响的选择:用哪些特征(特征子集),以及分类器的参数怎么设。分开优化时,先选好的特征换了参数可能就不好了。联合搜索把两者编码进同一个粒子:
- 粒子位置的一部分标记每个特征选或不选,另一部分是分类器参数的取值。
- 适应度 = 用这套“特征 + 参数”训练出的分类器的分类表现。
示例(补充演示):共 5 个特征时,位置的前 5 位为 (1, 0, 1, 1, 0),表示选用第 1、3、4 个特征,其余位存放 SVM 的参数值。
原书的例子是自适应 QPSO 加支持向量机(SVM):自适应 QPSO 会评估群体多样性,并结合变异、交叉操作调整策略,以缓解 QPSO 易陷入局部最优的问题。联合搜索扩大了候选空间,也提高了计算成本,是否更好需在具体数据上做对照实验。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 4 . 3 . 2 基 于 粒 子 群 算 法 的 图 像 分 类 · 查看原书依据
首次提出将自适应QPSO算法与支持向量机进行结合,利用自适应QPSO算法良好的寻优能力,同时优化支持向量机分类器的特征子集以及参数设置,并将其应用在图像分类,相比于传统算法更加高效。
参考来源
- 位置:《智能算法导论》第 4 章“4.3.2 基于粒子群算法的图像分类”(`_epub-src/EPUB/xhtml/chapter4_0007.xhtml`)。
- 结论依据:正文明确写到自适应 QPSO 同时优化 SVM 的特征子集及参数设置,应用于图像分类。5 特征的编码示意为补充教学示例,原书未给出具体编码方式。
- 原始内容:利用自适应QPSO算法良好的寻优能力,同时优化支持向量机分类器的特征子集以及参数设置,并将其应用在图像分类