1) Decomposition Forward Support Vector Machine (DFSVM)
分解向前支持向量机
1.
A Decomposition Forward Support Vector Machine (DFSVM) algorithm for large scale samples learning and a new dimension reduction model based on Independent Component Analysis (ICA) were proposed.
提出一种基于大样本学习的分解向前支持向量机算法和一种新的基于独立成分分析的降维学习模型,其算法的复杂度比传统块算法和标准SVM低。
2) 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。
3) 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。
4) support vector machines for classification
分类支持向量机
1.
In this paper,support vector machines for classification(SVMC)are used to recognize the working situation of PCGS and to detect the fault line or bus.
小电流接地系统发生单相接地故障时,各种电气量表现出不同于正常工况时的特征,可根据各种电气量的特征对系统运行状况进行模式识别,文中利用分类支持向量机对小电流接地系统运行状况进行模式识别,以确定接地故障线路或母线。
5) support vector classification
支持向量机分类
1.
This paper introduces the support vector classification and regression algorithms, which are applied to the structure damage identification.
介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。
6) SVC
支持向量分类机
1.
This paper proposes a Support Vector Classifier SVC based on KPCA and Rough Sets Theory.
提出一个基于KPCA与RS理论的支持向量分类机SVC,利用RS理论和信息熵原理对运用KPCA进行特征提取后的训练样本进行特征选择,保留重要特征,力求减小求解问题的规模,提高SVC的性能。
2.
Research on the Classifier of Garbage Message Based on SVC;
基于此,提出一种基于支持向量分类机(SVC)的垃圾短信判断模型,从技术上实现了对短信的实时监控判别,经过实验模拟仿真初步证明具有较好的判别效果。
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