全文总字数：4145字

1. 研究目的与意义及国内外研究现状

选题目的：近几年，随着计算机的迅速发展，分类问题已受到研究者的关注。本课题研究设计了一种基于特征选择的svm分类器。因为svm分类器在分类上存在着一定的不足，为了使分类过程更加快速准确，因此考虑使用最少数量的特征。特征选择的策略通常是为了探讨无关属性对分类器系统性能的影响。如果在不考虑特征选择的情况下采用svm会导致输入空间的尺寸很大，降低svm的性能。在这种系统中，从原始数据通过特征选择来提取特征，在svm中作为分类器的输入。本研究的目的是试图增加分类，采用粒子群优化算法来优化svm的参数从而来提升svm的性能。

选题意义： 随着计算机的诞生，信息科学与技术得到了飞速的发展，现代社会快速进入了信息时代。但是许多因素可能会影响分类结果，如不完整的数据和对给定模型参数值的选择。在支持向量机中，利用训练数据从训练过程中生成分类模型，然后根据训练模型执行分类。在建立svm模型时会遇到很多问题，其中最大问题是内核函数的选择及其参数值的设置，参数设置不当后导致分类结果不佳。分类问题通常涉及许多特性，但是并非所有的特性对于特定任务都同样重要。其中一些是多余的，一些是毫无关系的，丢弃某些特性可以获得更好的性能。在其他情况下，输入的空间维数可能会减少以节省一些计算效果。本研究的意义在于改进svm分类器使其应用于更多领域。

2. 研究的基本内容

本课题研究内容为基于特征选择的svm分类器设计，具体分为以下几点：

（1）研究分析了支持向量机的基本原理和各个参数对分类模型的影响，并使用粒子群优化算法对模型中的基本参数进行了优化。

（2）pso算法操作简单，需要设定的参数较少，但也存在易陷入局部最优的问题。本课题将pso控制参数的选值也作为一个优化问题，对svm中的两个参数c和g利用pso算法进行了优化。新算法有很强的寻优能力，能有效地防止算法陷入局部最优，通过实验验证算法的有效性。

3. 实施方案、进度安排及预期效果

2019年1月1日至2019年1月20日：了解分类问题和各种分类方法，掌握svm分类器原理及推导过程。

2019年1月21日至2019年2月15日：掌握粒子群优化算法流程，知道粒子群优化算法公式的组成以及优缺点。

2019年2月16日至3月15日：学习svm与pso的代码，并能够将pso优化svm的代码写出来。

4. 参考文献

[1] 郑建华.基于支持向量机的数据挖掘.天津大学硕士学位论文.2016:1-3.

[2] vapnik v.the nature of statistical learning theory.springer-verlag,new york,2017.

[3] vapnid v.statistical learning theory[m].new york:john wileysons,2018.