1) main support vector
主支持向量
1.
First,the SVM was initially trained by all the training samples,thereby producing a number of main support vectors.
为了改善支持向量机的泛化能力,提出了一种改进的支持向量机———SUB-SVM,它把对所有训练数据训练得到的主支持向量再次训练,用得到的次支持向量构造SVM非线性分类器,将该算法应用在癌症诊断中,取得了比传统SVM分类器更高的识别率。
2) ASVM
主动支持向量机
1.
According to such situation, the paper combines SVM with active learning, and presents a couple of improved classification method of active learning support vector machine (ASVM).
针对这种情况,本文将支持向量机和主动学习结合起来,提出两种改进的主动支持向量机方法,本文主要的工作总结如下:(1)了解主动学习与支持向量机的研究现状及趋势,并重点对主动学习与支持向量机的算法理论进行深入研究。
3) support vector machines
支持向量
1.
Application of support vector machines in examination of worn striation mark;
支持向量机方法在线条痕迹检验中的应用
4) Support vector
支持向量
1.
Modeling method of least squares support vector regression based on vector base learning;
基于矢量基学习的最小二乘支持向量机建模
2.
Lower dimension Newton-algorithm for training the support vector machines;
训练支持向量机的低维Newton算法
3.
A fast algorithm for extracting the support vector on the Mahalanobis distance;
一种基于马氏距离的支持向量快速提取算法
5) support vectors
支持向量
1.
Since the boundary is determined by a small portion of data called support vectors which distribute around the description boundary;the proposed algorithm treats the distance to the center as a probability measure of support vectors for each sample,and selects the former ones ranking as the reduced sets to participate in the SVDD training.
为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD。
2.
This paper proposes a new method of evaluating text features that can detect noise features based on support vectors.
提出了一种基于支持向量且能识别噪音特征的文本特征评估方法,以及一种具有自我反馈学习能力的文本分类系统。
6) Support vector machine(SVM)
支持向量
1.
A support vector machine(SVM) object extraction method was proposed based on the HSV color model,which could be used for testing the blend ratio of cashmere/wool yarns.
文章介绍了基于HSV颜色模型,应用支持向量机的目标提取方法检测羊绒/羊毛混纺比。
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