1) optimal separating hyperplane (OSH)
最优分类超平面(OSH)
2) optimal separating hyperplane
最优分类超平面
1.
Geometric interpretation of optimal separating hyperplane;
最优分类超平面的几何意义
2.
A new algorithm to the optimal separating hyperplane;
确定最优分类超平面的新算法
3.
In respect of the skew of the optimal separating hyperplane and the generalization error bound that exist in the practical application of support vector machine,this paper introduces the total margin algorithm and different cost algorithm,which improves the standard support vector machine.
针对支持向量机在实际应用中存在的最优分类超平面的倾斜问题和推广误差界的问题,引入了总间隔与代价差异算法,对标准的支持向量机算法进行了改进。
3) optimal hyperplane
最优超平面
1.
The key problem of the support vector machine (SVM) is how to obtain an optimal hyperplane that is the critical boundary for distinguishing the sample which belongs to one kind or another.
支持向量机(SVM)是解决小样本学习问题的有力工具,其关键是如何得到判别样本类别的最优超平面。
4) optimal hyperplane
最优分类面
1.
This paper introduces the theory and training algorithm of the support vector machine which is applied in nonlinear classification and recognition by the way of bringing in the concept such as structural risk minimization principle and optimal hyperplane,then a set of nonlinear binary samples are successfully classified by using different kernel functions,followed by discussion to the results.
通过引入结构风险最小化原则和最优分类面的概念,介绍了支持向量机及其用于非线性分类的基本原理和训练算法,并选用不同的核函数及参数对一组线性不可分的两类样本进行了划分识别,得到了较好的效果,并对结果进行了分析说明,展望了支持向量机的发展趋势。
5) classification hyperplane
分类超平面
1.
Combining the new measure with the forward regression orthogonal least square (OLS), not only the parameters of the classification hyperplane, but also the important input nodes can be obtaind.
提出一种基于输入集分类函数的新的距离度量方法 ,它与前传回归的正交最小二乘法相结合 ,不仅可以学习分类超平面的参数 ,而且可以选择重要的输入节点。
6) Hyperplane classification
超平面分类
补充资料：超平面
超平面
hyperpbne
超平面〔hyP阂肉毗;r.ePooc肋cT‘]，域K上的向量空间X中的 具有一维商空间XZM的一个向量子空间M(在平移之下)的象，即形如x。十M的集合，这里x。任X是某一个向量.如果x。~0，有时就称这个超平面为齐次的.子集7rCX是一个超平面，当且仅当 兀={ x:f(x)=时，(‘)咔K，介X’是一个非零线性泛函.这里f和“除开一个共同的因子口砖0外，是由M确定的. 在拓扑向量空间里，任意一个超平面或者是闭的，或者是到处稠密的;作为由公式(*)所定义的7r是闭的充分必要条件为泛函f是连续的. M.H.Bohaexo8C.成撰郝车丙新译
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