基于多分类支持向量机的教室调换行为轨迹分类识别

针对将高校学生在特定时间内的教室调换行为轨迹识别归属为模式分类的问题,提出了一种优化核函数的多分类支持向量机(support vector machine,SVM)算法。在应用中首先融合校园Wi-Fi探针、应用系统、校园卡数据与空间位置数据获取训练样本,构建多分类SVM模型进行样本训练,利用K折交叉验证选取最优参数组,并基于粒子群优化(particle swarm optimization,PSO)算法优化的支持向量数据描述(support vector data description,SVDD)进行混合核参数优化,以获取最佳多分类SVM模型。应用实证表明,所提算法可在少量训练样本条件下完成学生轨迹分类识别,与单一的粒子群算法、遗传算法相比,只需要进行一次粒子群寻优,降低了算法成本,识别精度可达89.8%,有助于高校优化教育教学资源布局。