基于MATLAB软件的LIBSVM的应用实例研究

宁必锋

（吉林化工学院理学院，吉林 132022）

MATLAB（Matrix Laboratory，矩阵实验室），目前是世界上应用最广泛的科学与工程计算软件。它提供一种交互式高级编程语言—M语言，笔者用M语言编程来展现MATLAB软件的功能强、效率高、界面友好等特点[1]。

1 介绍LIBSVM软件包[2]

LIBSVM是台湾大学林智仁教授等开发设计的一个便捷、高效的支持向量机模式识别与回归的软件包，该软件包对SVM所涉及的参数调节相对比较少，提供了很多的默认参数，利用这些默认参数就可以解决很多问题。

2 模型建立

（1）支持向量机（SVM）是由VAPNIK等[3]和HUANG等提出的一种基于结构风险最小化的统计学习方法。它能应用于很多领域，如材料性能预测。

（2）实验数据初始化，主要分两个过程：划分初始化组和初始化。本文采用高斯型隶属度函数，它能较准确的初始化信息数据，能最大限度涵盖信息数据集[4]。

（3）粒子群优化算法(PSO)是1995年由KENNEDY和EBERHART提出的一种高效多维并行寻优算法。由于SVM依赖于误差ε、误差惩罚因子C和核函数参数γ，因此对参数进行优化很关键。所以用PSO来寻找最佳参数值。这里采用混沌序列进行PSO的离子位置初始化，加快搜索进程，不会出现局部最优解[5]。

3 算法流程[6]

Step5 达到最大迭代次数或达到最优解精度，得到全局最优解则停止迭代，否则k=k+1。

4 MATLAB软件执行结果与讨论分析

在工程材料中，某种新型材料以它特有的强度较高、断裂韧性、机械加工等物理性能而广泛地应用于框架型材等领域。因此合成此种材料的工艺参数与其物理性能之间的相关关系模型，一直以来都是研究热点。

在Matlab软件2018a版本下，调用了LIBSVM软件包，经过对实验数据的分析得出结论：本文优化算法得出最优解的精度高。对于材料的三个物理性能指标的预测模型的平均相对误差(MRE)见表1，分别为：0.0203,0.0046,0.0213，与PLS-BPNN算法比较预测精度更高，能够建立精确度较高的材料加工参数与物理性能指标之间的相关关系模型。同时也展示MATLAB软件计算高效，功能强大。

表1 PSO-SVR与PLS-BPNN算法比较

5 结论

本文建立的优化模型，通过MATLAB软件编程进行实验数据分析和数值模拟，执行程序结果表明：模型建立准确，数值计算精度高，从而展现MATLAB软件工程计算和数值模拟的强大功能。