2) ameliorated supportive vector machine
改进支持向量机
1.
In the light of the statistical characteristics of image grey-scale histograms,proposed was a new method for identifying gas-liquid two-phase flow patterns by combining an image processing with an ameliorated supportive vector machine.
根据图像灰度直方图统计特征,提出了一种基于图像处理和改进支持向量机相结合的气液两相流流型识别的新方法。
4) simplified support vector machine
简化支持向量机
5) genetic algorithm-least square support vector machine
进化最小二乘支持向量机
1.
Prediction of slope displacement based on wavelet transform and genetic algorithm-least square support vector machine
在此基础上,建立了一种基于小波变换和进化最小二乘支持向量机(GALSSVM)的边坡位移预测模型。
6) Progressive Transductive Support Vector Machine(PTSVM)
渐进直推式支持向量机
1.
Progressive Transductive Support Vector Machine(PTSVM) has some drawbacks such as slower training speed and unstable learning performance.
针对渐进直推式支持向量机算法训练速度慢和学习性能不稳定的问题,提出一种近邻渐进直推式支持向量机算法。
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