文献类型：期刊文章

作　　者：蔡振闹[1] 吕信恩[2] 陈慧灵[3]

CAI Zhen- nao;LYU Xin -en;CHEN Hui- ling(School of Computer Science and Engineering, Northwestern Polytechnical University, Xi＇an 710072, China;Mental Health Education Center, Wenzhou University, Wenzhou 325035, China;College of Mathematics and Electronic Information Engineering, Wenzhou University, Wenzhou 325035, China)

机构地区：[1]西北工业大学计算机学院,西安710072 [2]温州大学心理健康教育中心,浙江温州325035 [3]温州大学数理与电子信息工程学院,浙江温州325035

出　　处：《吉林大学学报（工学版）》

基　　金：浙江省自然科学基金项目(LY17F020012;Y14F020126);温州市科技计划项目(ZG2017019)

年　　份：2018

卷　　号：48

期　　号：3

起止页码：936-942

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：基于改进的细菌优化算法(BFO)的支持向量机(SVM)提出了一种有效的智能预警模型(IBFO-SVM),并对社区矫正人员出现的躯体化障碍严重程度进行了预测。在IBFO-SVM中,在细菌优化算法中引入反向学习策略,增加细菌种群的多样性,并使初始种群的个体尽可能均匀分布,提高BFO优化过程的收敛速度同时减少了BFO陷入局部最优解的概率。然后利用提出的反向细菌优化算法(IBFO)来确定SVM的两个最优参数(惩罚系数和核宽)。最后,将IBFO-SVM模型与基于原始细菌优化的SVM模型(BFO-SVM)、基于遗传算法的SVM模型(GA-SVM)以及基于粒子群优化算法的SVM模型(PSO-SVM)在心理评测数据上通过10折交叉验证方法进行了比较。实验结果表明:提出的IBFO-SVM预测模型在分类准确率、马修斯相关系数(MCC)、灵敏度和特异性方面比其他方法具有更好的性能,可以很好地将重度躯体化障碍和轻度躯体化障碍进行诊断。

关 键 词：计算机应用 躯体化障碍 支持向量机 反向学习  细菌优化算法  

分 类 号：TP393]