粒子群算法PSO优化SVM做多特征输入单输出的二分类及多分类模型。 程序内注释详细，直接替换数据就可以用。 程序语言为matlab。 程序可出分类效果图，迭代优化图，混淆矩阵图具体效果如下所示。
在机器学习领域，分类问题是常见且重要的研究方向。支持向量机（SVM）作为一种强大的分类算法，在多特征输入的情况下能展现出良好性能。然而，SVM 的参数选择对其分类效果影响较大，粒子群算法（PSO）则可用于优化 SVM 参数，提升分类精度。本文将介绍如何使用 Matlab 实现基于 PSO 优化 SVM 的多特征输入单输出的二分类及多分类模型，并展示分类效果图、迭代优化图以及混淆矩阵图。
核心原理
支持向量机（SVM）
SVM 的核心思想是在特征空间中找到一个最优超平面，将不同类别的数据点尽可能分开，并且使间隔最大化。对于线性可分的数据，其目标函数可以表示为：
\[ \min_{w,b} \frac{1}{2} \| w \|^2 \]
约束条件为：
\[ yi (w^T xi + b) \geq 1, \quad i = 1, \ldots, n \]
对于非线性可分的数据，可以通过核函数将数据映射到高维空间来寻找超平面。常见的核函数有线性核、多项式核、高斯核（RBF 核）等。
粒子群算法（PSO）
PSO 是一种基于群体智能的优化算法，模拟鸟群觅食行为。每个粒子在解空间中代表一个潜在解，粒子通过跟踪自身历史最优位置（pbest）和群体历史最优位置（gbest）来更新自己的位置和速度。粒子速度和位置更新公式如下：
\[ vi^{k + 1} = w vi^k + c1 r1 (pbesti^k - xi^k) + c2 r2 (gbest^k - x_i^k) \]
\[ xi^{k + 1} = xi^k + v_i^{k + 1} \]
其中，\( vi \) 是粒子 \( i \) 的速度，\( xi \) 是粒子 \( i \) 的位置，\( w \) 是惯性权重，\( c1 \) 和 \( c2 \) 是学习因子，\( r1 \) 和 \( r2 \) 是介于 \( 0 \) 到 \( 1 \) 之间的随机数。
Matlab 代码实现
数据准备
假设我们有训练数据trainData和对应的标签trainLabels，测试数据testData和对应的标签testLabels。数据格式可以是矩阵形式，每一行代表一个样本，每一列代表一个特征。
% 加载数据，这里假设数据已经按照格式准备好 load('trainData.mat'); load('trainLabels.mat'); load('testData.mat'); load('testLabels.mat');定义 SVM 模型和适应度函数
% 定义适应度函数，用于评估 SVM 模型的性能 function fitness = fitnessFunction(params, trainData, trainLabels) C = params(1); % SVM 的惩罚参数 C gamma = params(2); % RBF 核函数的参数 gamma model = svmtrain(trainLabels, trainData, ['-t 2 -c ', num2str(C),' -g ', num2str(gamma)]); [predict_label, accuracy, ~] = svmpredict(trainLabels, trainData, model); fitness = 1 - accuracy(1) / 100; % 这里将准确率转化为适应度，越小越好 end粒子群算法优化 SVM 参数
% 粒子群算法参数设置 numParticles = 20; % 粒子数量 numDimensions = 2; % 搜索空间维度，这里是 C 和 gamma 两个参数 maxIterations = 100; % 最大迭代次数 c1 = 1.5; % 学习因子 1 c2 = 1.5; % 学习因子 2 w = 0.9; % 惯性权重 lowerBound = [0.01, 0.01]; % 参数下限 upperBound = [1000, 1000]; % 参数上限 % 初始化粒子位置和速度 particlesPosition = repmat(lowerBound, numParticles, 1) +... rand(numParticles, numDimensions).*(repmat(upperBound, numParticles, 1) - repmat(lowerBound, numParticles, 1)); particlesVelocity = zeros(numParticles, numDimensions); pbestPosition = particlesPosition; pbestFitness = inf(numParticles, 1); gbestPosition = []; gbestFitness = inf; % 迭代优化 for iter = 1:maxIterations for i = 1:numParticles fitness = fitnessFunction(particlesPosition(i, :), trainData, trainLabels); if fitness < pbestFitness(i) pbestFitness(i) = fitness; pbestPosition(i, :) = particlesPosition(i, :); end if fitness < gbestFitness gbestFitness = fitness; gbestPosition = particlesPosition(i, :); end end % 更新粒子速度和位置 r1 = rand(numParticles, numDimensions); r2 = rand(numParticles, numDimensions); particlesVelocity = w * particlesVelocity +... c1 * r1.* (pbestPosition - particlesPosition) +... c2 * r2.* (repmat(gbestPosition, numParticles, 1) - particlesPosition); particlesPosition = particlesPosition + particlesVelocity; % 边界处理 particlesPosition(particlesPosition < repmat(lowerBound, numParticles, 1)) = repmat(lowerBound, numParticles, 1); particlesPosition(particlesPosition > repmat(upperBound, numParticles, 1)) = repmat(upperBound, numParticles, 1); end训练和测试优化后的 SVM 模型
% 使用最优参数训练 SVM 模型 bestC = gbestPosition(1); bestGamma = gbestPosition(2); finalModel = svmtrain(trainLabels, trainData, ['-t 2 -c ', num2str(bestC),' -g ', num2str(bestGamma)]); [testPredictLabel, testAccuracy, ~] = svmpredict(testLabels, testData, finalModel);绘制效果图
% 绘制分类效果图 figure; gscatter(testData(:, 1), testData(:, 2), testLabels); hold on; [x1, x2] = meshgrid(min(testData(:, 1)):0.1:max(testData(:, 1)), min(testData(:, 2)):0.1:max(testData(:, 2))); gridData = [x1(:), x2(:)]; gridPredict = svmpredict(ones(size(gridData, 1), 1), gridData, finalModel); gridPredict = reshape(gridPredict, size(x1)); contour(x1, x2, gridPredict, [0.5 0.5], 'k--'); title('分类效果图'); % 绘制迭代优化图 figure; plot(1:maxIterations, gbestFitness, 'b', 'LineWidth', 1.5); xlabel('迭代次数'); ylabel('适应度值'); title('迭代优化图'); % 绘制混淆矩阵图 figure; confusionmat(testLabels, testPredictLabel); title('混淆矩阵图');上述代码中，首先定义了适应度函数fitnessFunction来评估 SVM 模型在不同参数下的性能。然后通过粒子群算法PSO寻找最优的 SVM 参数C和gamma。最后使用最优参数训练 SVM 模型并在测试数据上进行测试，同时绘制了分类效果图、迭代优化图和混淆矩阵图。
总结
通过粒子群算法优化 SVM 参数，能够有效提升多特征输入单输出分类模型的性能。Matlab 提供了丰富的函数库和绘图工具，使得实现和可视化这一过程变得相对容易。在实际应用中，可以根据具体的数据特点和问题需求，进一步调整算法参数和模型设置，以达到更好的分类效果。希望本文的代码和分析能够帮助大家在相关领域的研究和应用中有所收获。
