1) ν-support vector machine
ν-支持向量机
1.
System marginal price prediction and confidence interval estimation with ν-support vector machine;
基于ν-支持向量机的边际电价预测及置信区间估计
2.
Convergence of ν-support vector machine;
ν-支持向量机的收敛性
3.
The ν-support vector machine (ν-SVM) classifier proposed by (Sch(o··)lkopf) has the advantage of controlling numbers of support vectors and errors compared to regular SVM.
lkopf等提出的基于二次规划的ν-支持向量机(ν-SVM)与标准SVM相比,其优势在于可以控制支持向量的数目和误差,但由于增加了模型的复杂性,限制了其应用。
2) WD ν-SVM
双ν支持向量机
1.
A new class-Weighted Dual ν -SVM, termed as WD ν -SVM, is proposed and Karush-Kuhn Tucker condition (KKT) is derived for it.
该文提出了一种类加权的双ν支持向量机,称为WDν-SVM。
3) dualνsupport vector machine (dualν-SVM)
双ν支持向量机(dualν-SVM)
4) support vector regression machine(ν-SVR)
支持向量回归机(ν-SVR)
5) SVM
支持向量机
1.
SVM models for analysing the headstreams of mine water inrush;
矿井涌水水源分析的支持向量机模型
2.
THE INFRARED SPECTRUM NATURAL GAS COMPOSITION ANALYSIS SYSTEM BASED ON SUPPORT VECTOR MACHINE(SVM);
基于支持向量机的红外光谱天然气分析系统
3.
Method for Fracturing Effect Prediction Based on Support Vector Machine(SVM);
基于支持向量机的压裂效果预测方法研究
6) Support Vector Machine (SVM)
支持向量机
1.
Support vector machine (SVM) is employed to classification and regression for analyzing two various kinds of peptide analogues.
使用支持向量机技术对两类肽化合物体系进行了分类和回归研究,并将其系统地与K最邻近法、多元线性回归、偏最小二乘、人工神经网络进行了比较。
2.
This paper presents a new approach to predict reservoir thickness from seismic attributes and well information through support vector machine (SVM).
将支持向量机运用到储层厚度估计中,利用地震属性及少量测井作为学习样本进行储层预测。
3.
In accordance with points in time the data space is divided into 24 sub-spaces, then in the light of the similarity of these sub-spaces, they are automatically clustered by means of self-organizing mapping (SOM) and the support vector machine (SVM) models are esta.
针对电力市场中日前24点电价特性差异较大、采用单一模型很难描述的特点,建立多个模型分别对其进行预测,将数据空间按时点划分成24个子空间,然后根据这些子空间的相似性通过自组织映射对其进行自动聚类,并在不同类别的子空间分别建立支持向量机模型进行训练和预测。
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