粒子群优化算法用于训练基于径向基函数网络变换的非线性支持向量机及其QSAR研究应用

作者：唐丽娟; 周燕平; 蒋健晖; 吴海龙; 沈国励; 俞汝勤

来源：第九届全国计算（机）化学学术会议, 2007-08-01.

• 支持向量机(SVM)核变换
• 定量构效关系(QSAR)
• 粒子群优化(PSO)径向基网络(RBFN)

支持向量机(SVM)因其函数逼近功能以及显著的泛化能力在 QSAR 研究中得到了越来越多的关注。但是,非线性支持向量机中支持向量的选择和过度的核半径优化使其易于陷入局部最优,增加了欠拟合或过拟合发生的风险。为了克服这些问题,我们提出了一种新的用粒子群优化算法(PSO)训练的基于径向基函数网络(RBFN)换的非线性支持向量机算法。这种新算法通过一个只有一个输入层和一个隐含层的 RBFN 实现原始变量到特征空间的非线性变换。该变换本质上是实现了原始变量的核变换。用 PSO 协同优化所有参数包括核中心、核宽度以及 SVM 模型的系数使得能够按照全模型的性能做出灵活的核变换。PSO 的实施证明了其能相对高效地收敛到理想的结果。将我们提出的算法应用到 HIV-1反转录抑制剂亲和力与1-苯基苯并咪唑活性的定量构效关系(OSAR)研究表明新算法比反向传播神经网络以及传统的非线性支持向量机提供了更好的性能,从而表明该算法在非线性 SVM 学习中具有很大的可行性。

• 出版日期2007
• 单位湖南大学; 化学化工学院; 化学生物传感与计量学国家重点实验室