1) one-class support vector machine
单类支持向量机
1.
A new method for segmentation of blood micrograph images is proposed which combines the mean-shift algorithm with one-class support vector machine(SVM) to extract white blood cells.
为了提高白细胞自动识别算法的性能,提出了基于均值移动和单类支持向量机的血细胞图像分割新方法。
2.
In former research of anomaly detection using one-class support vector machine, the attribute weights are not considered.
单类支持向量机(SVM)在有限样本的情况下用于异常检测,具有较好的分类精度和泛化能力。
3.
An image retrieval method combining one-class support vector machine with active learning algorithm is presented.
提出一种单类支持向量机(One-Class Support Vector Machine,OC-SVM)和主动学习相结合的图像内容检索方法。
2) multiclass SVM
多类支持向量机
1.
In this paper,a method of decision fusion based on multiclass SVM and D-S evidential theory is presented to try to solve the problem,multiclass SVM is used as the local classifier, and the BPAF is constructed accordingly,then the primary results are fused to obtain the ultima result using D-S evidential theory.
本文提出了一种基于多类支持向量机和D-S证据理论的决策融合算法,将多类支持向量机作为局部判决器,构造了相应的基本概率赋值函数,然后用D-S证据理论对各初步判决结果进行融合,得出对目标的最终识别结论。
3) clustering support vector machine
聚类支持向量机
1.
Gas leakage detection based on clustering support vector machine;
基于聚类支持向量机的气体泄漏检测
4) support vector classification
支持向量分类机
1.
Strong second order sufficient condition property of linear support vector classification is proposed.
很弱的假设对于作为其特例的线性可分支持向量机问题一定成立,线性可分支持向量机问题解一定具有强二阶充分条件的性质;在这个假设条件下,线性支持向量分类机问题的解具有二阶充分条件性质。
5) Multi-class Support Vector Machine
多类支持向量机
1.
Data fusion strategies for small sample based on multi-class support vector machine
以多类支持向量机为基础的小样本信息融合策略
2.
A new method of image classification based on wavelet transformation and multi-class support vector machine is proposed,which employs wavelet transformation to extract features of the original images and then classifies them by multi-class support vector machine.
提出了一种基于小波变换和多类支持向量机的图像分类新方法,该方法利用小波变换进行图像特征提取,利用多类支持向量机进行图像分类,并与基于图像底层特征的图像分类方法进行了实验比较。
6) support vector classifier
支持向量分类机
1.
Second order sufficient condition for optimization problem of a linear support vector classifier;
线性支持向量分类机优化问题解的二阶充分条件
2.
Therefore, the improved pruning algorithms are proposed based on the selecting support vectors method of support vector classifier.
对于含有奇异点的系统而言,由于一般的剪枝算法不能成功抑制系统中的奇异点,在借鉴支持向量分类机选择支持向量方法的基础上,提出了改进的剪枝算法。
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