1) SVM
向量机
1.
Face detection based on hierarchical SVM;
层次型支持向量机人脸检测器
2.
Intrusion detection technology is dealt with based on SVM method with exposure in network security can actively reduce the number of the sample in the limited time,improve the ability of the classification in intrusion dete.
基于支持向量机(SVM)对网络的安全漏洞扫描构建的网络入侵检测,减少了有限的时间训练样本数,能有效提高入侵检测的分类性能,以更短响应时间做出更准确的检测判断。
2) vector machine
向量机
1.
Design of vehicle weighing module based on support vector machine
基于支持向量机的车载称重模块设计
2.
Time sequence analysis/ prediction method used to support vector machine and Neural Network in fire service field was analyzed.
介绍了对于火灾事故的基于支持向量机和神经网络的时间序列分析/预测方法,并在试验仿真的基础上指出神经网络模型和支持向量模型的适用范围及其局限性。
3) Vector Machines
向量机
1.
The Improved approach has been proposed based on the structural equivalence of radial basis function (RBF) network and Support Vector Machines (SVM).
本文提出了一种改进的神经网络板形模式识别方法,该方法基于支持向量机(SVM)与径向基(RBF)网络的结构等价性,利用SVM的回归确定RBF网络较优的初始参数,解决了传统神经网络模式识别方法存在的网络学习时间长,易陷入局部极小值等问题。
4) random vector
随机向量
1.
Convergence in probability of sequences of random vector function;
一类随机向量函数序列的依概率收敛性
2.
In this paper, we figure the correlative degree, relevant properties of two random vectors with matrix mode.
采用矩阵的方式来描述两个随机向量的相关程度、有关性质。
3.
It is an important content of the multivariate analysis to study the relationship of random vectors.
多元分析的一个重要内容就是研究随机向量之间的关系。
5) random vectors
随机向量
1.
This article spreads the Slutsky theorem on random vectors.
本文对Slutsky定理在随机向量上进行了推广。
2.
R(x_1,…,x_k∶x_k+1)and R(x_1,…,x_k·x_k+1)of K groups of random vectors with comparisons of these coefficients made in a number of situation as well.
定义多组随机向量之间的条件相关系数和两种形式的偏相关系数Ｒ（ｒ＿１，…，ｘ＿ｋ：ｘ＿ｋ＋１）与Ｒ（ｘ＿１，…，ｘ＿ｋ·ｘ＿ｋ＋１），并将三者进行了比较。
3.
…,ξ_n are n random vectors defined on the same probability space (Ω,(?),P).
对于概率空间(Ω,,P)上的n(n>2)个随机向量ξ_1,ξ_2,…ξ_n,给出了其不相互独立,但其中任意r(2≤r≤n-1)个相互独立的充要条件。
6) BVM
球向量机
1.
BVM(Ball Vector Machine)is a faster machine learning algorithm than SVM.
球向量机是一种比SVM更快的机器学习方法。
补充资料：支持向量机方法
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条