1) support vector domain description
支持向量域描述
1.
Reduced support vector domain description method RSVDD;
一种约减支持向量域描述算法RSVDD
2.
A separation hyperplane is constructed based on support vector domain description(SVDD),which attempts the combination of SVDD with SVM.
针对两类分类问题中使用支持向量机(Support Vector Machines,SVM)训练时间长和支持向量域分类器(Support Vector Domain Classifier,SVDC)精度不高的问题,建立一种基于支持向量域描述(Support Vector Domain Description,SVDD)的分离超平面,尝试将SVDD与SVM结合。
3.
The data of every fault class are trained by support vector domain description (SVDD)to obtain the optimal enclosing feature spaces.
该模型采用支持向量域描述算法(SVDD)对多类故障进行单独训练,建立独立而封闭的特征空间,满足故障类别的动态增加需要,并采用样本与各特征空间的相对距离进行了多故障的混合识别。
2) support vector data description
支持向量域描述
3) support vector domain description machines
支持向量域描述机
5) support vector domain description (SVDD)
支持向量域描述(SVDD)
6) multi-kernel support vector domain description
多核支持向量域描述
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