Hình 2.18 mô tả lưu đồ giải thuật phân lớp kết hợp giữa ACO và SVM. Thuật toán sẽ được thực hiện với từng loại phân đoạn dữ liệu: di chuyển và đứng yên. Với mỗi loại, đầu vào của thuật toán là tập các mẫu dữ liệu, trong đó mỗi mẫu dữ liệu gồm 128 điểm là tương ứng với 128 đặc trưng. Đầu ra của thuật toán là mô hình SVM tối ưu và tập con các đặc trưng tối ưu nhất trích từ 128 đặc trưng này.
Hình 2.18: Lưu đồ giải thuật phân lớp kết hợp ACO và SVM
Với cả 2 loại phân đoạn dữ liệu (di chuyển và đứng yên), giải thuật được khởi tạo với các tham số như sau: do số lượng kiến thường dao động từ √𝑛~𝑛/2, với n = 128, ta chọn số kiến là 12. Chất hóa học khởi đầu có kích thước là 0,5. Thông tin heuristic là 0,5. Tốc độ bay hơi qua mỗi vòng lặp của chất hóa học là 0,4. Từ mỗi loại phân đoạn dữ liệu, lựa chọn ngẫu nhiên 100 mẫu dữ liệu để đưa vào ACO. Sau đó, thực hiện ACO với số vòng lặp tối đa là 100.
Giải thuật được thực hiện như sau: sau khi khởi tạo các tham số, đưa tập đặc trưng của mẫu dữ liệu làm đầu vào của ACO. Với mỗi vòng lặp của ACO, tính toán đường đi tiếp theo của từng con kiến, rút ra tập đặc trưng con là đường đi tìm được. Với mỗi tập đặc trưng con này, tiến hành huấn luyện sử dụng SVM kết hợp kỹ thuật kiểm tra chéo k-fold. Ta lựa chọn tham số k phổ biến là 10, như vậy lượng mẫu dữ liệu sẽ được chia làm 10 tập bằng nhau, 9 tập dùng để huấn luyện mô hình cho SVM và 1 tập dùng để kiểm tra. Mức độ chính xác sau khi thực hiện kiểm tra chéo sẽ tương ứng mức độ chính xác của mỗi con kiến và được đưa vào giai đoạn tính toán mức độ chất hóa học hiện tại. Hàm nhân RBF được sử dụng cho thuật toán SVM. Kết quả thực hiện SVM sẽ được sử dụng để cập nhật bảng chất hóa học hiện tại của ACO. Sau khi bảng chất hóa học được cập nhật, ta kiểm tra điều kiện dừng.
Nếu tập đặc trưng được đưa ra ở vòng lặp thứ k và vòng lặp thứ k-1 của ACO là giống nhau, thuật toán kết thúc, nếu không, tiếp tục vòng lặp tiếp theo của ACO. Nếu ACO đã thực hiện tới số vòng lặp tối đa, ta lựa chọn tập đặc trưng con cho kết quả phân lớp SVM cao nhất làm tập đặc trưng tối ưu.
Kết thúc thuật toán, ta thu được mô hình SVM tối ưu cho việc phân loại trạng thái con cùng tập đặc trưng tối ưu của ACO cho tương ứng mỗi loại trạng thái: di chuyển và đứng yên.
Hình 2.19: Tập đặc trưng tối ưu
Các đặc trưng được chọn là đặc trưng số 6, 10, 13, 16, 21, 28, 29, 35, 38, 40, 45, 47, 50, 56, 57, 60, 65, 75, 89, 91, 92, 96, 108, 117 cho trạng thái đứng yên (Hình 2.19a); và đặc trưng số 5, 7, 47, 54, 94, 110, 115, 118 cho trạng thái di chuyển (Hình 2.19b).