2) Fuzzy support vector machine
模糊支持向量机
1.
Medical image classification technology based on fuzzy support vector machine;
基于模糊支持向量机的医学图像分类技术
2.
Hyperspectral image classification based on fuzzy support vector machine;
基于模糊支持向量机的超光谱遥感图像分类
3.
Research of multi-class algorithm based on fuzzy support vector machine;
基于模糊支持向量机的多分类算法研究
3) Fuzzy Support Vector Machines
模糊支持向量机
1.
Application of fuzzy support vector machines for fault diagnosis of turbogenerator unit;
模糊支持向量机在汽轮机故障诊断中的应用
2.
Fuzzy Support Vector Machines and Fuzzy Simulation;
模糊支持向量机与模糊模拟
3.
Multiclassification Method Research Based on Fuzzy Support Vector Machines;
基于模糊支持向量机的多类分类方法研究
4) FSVM
模糊支持向量机
1.
Study of Object Detection Based on FSVM and Kernel Methods;
基于模糊支持向量机和核方法的目标检测方法研究
2.
According to the different effects of input samples, the conception of the fuzzy membership to each input sample is considered and also the principle of Fuzzy Support Vector Machine (FSVM) is discussed.
根据输入样本对分类结果不同的影响程度,引入模糊隶属度,探讨了模糊支持向量机(FSVM)原理,并将其应用于汉语语音信号中生气、高兴、悲伤、惊奇4种主要情感类型的识别。
3.
FSVM resolves the problem of unclassifiable regions in multi-class support vector machines.
模糊支持向量机方法解决了多类支持向量机方法中的不可分区域问题。
5) model construction of SVM
支持向量机建模
6) Fuzzy Support Vector Machine(FSVM)
模糊支持向量机
1.
This paper proposes a gait recognition approach based on Fuzzy Support Vector Machine(FSVM).
提出基于模糊支持向量机(FSVM)的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。
2.
Offset determines the position of optimal separating plane of Support Vector Machine(SVM) and Fuzzy Support Vector Machine(FSVM) and affects the performance of classification greatly.
偏移量确定了支持向量机和模糊支持向量机(FSVM)的最优分类面位置,对分类性能具有较大影响。
3.
In order to improve the training efficiency,an advanced Fuzzy Support Vector Machine(FSVM) algorithm based on the density clustering(DBSCAN) is proposed.
为了提高模糊支持向量机在数据集上的训练效率,提出一种改进的基于密度聚类(DBSCAN)的模糊支持向量机算法。
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