TY -的A2 - aas, Jan AU -卡亚Duygu PY - 2019 DA - 2019/05/02 TI -支持向量机参数的优化与帕金森病的混合CS-PSO算法在虚拟仪器环境SP - 2513053六世- 2019 AB -优化过程的实现问题的最佳解决方案。虚拟仪器提出了基于支持向量机模型在本文中得到最好的支持向量机参数使用CS和PSO混合方法。主成分分析作为支持向量机的预处理器用于降低数据的维数和提取训练样本的特性。同时,优化支持向量机参数对帕金森病数据结合CS和算法。设计系统是用于确定最好的SVM参数,并与PSO和CS优化方法相比,发现使用CS-PSO混合优化方法是更好的。混合模型显示性能的准确性达到97.4359%。同时,通过使用获得的数据分类结果取决于优化支持向量机参数测量精度,还记得, F1分,假阳性率(玻璃钢),错误发现率(罗斯福),假阴性率(FNR),阴性预测值(NPV),马修斯的相关系数(MCC)参数。SN - 2090 - 8083 UR - https://doi.org/10.1155/2019/2513053 - 10.1155 / 2019/2513053摩根富林明帕金森病PB - Hindawi KW - ER