1) Hyper sphere multi-class svm
超球体多类支持向量机(HSMC-SVM)
2) HSMC-SVM
超球体多类支持向量机
1.
By extending the hypersphere one-class SVM(HSOC-SVM) to a hypersphere multiclass SVM(HSMC-SVM), we build a fast training classifier HSOC-SVM.
目前的多类分类器大多是经二分类器组合而成的,存在训练速度较慢的问题,在分类类别多的时候,会遇到很大困难,超球体多类支持向量机将超球体单类支持向量机扩展到多类问题,由于每类样本只参与一个超球体支持向量机的训练,因此,这是一种直接多类分类器,训练效率明显提高。
3) SVM Hyperparameters
支持向量机超参数(SVM Hyperparameters)
4) multi-class support vector machines classifier
支持向量机(SVM)多值分类器
5) Hypersphere One-class Support Vector Machines
一类超球面支持向量机
1.
Aim at limited samples learning and hard sampling of foreign body because of its complexity and variety, Hypersphere One-class Support Vector Machines was pres
深入研究了支持向量机原理,针对物料样本有限和异物样本复杂多样难以采集的现象,提出了一类超球面支持向量机异物识别算法;提出了D-QDPSO优化算法,进行OC-SCM的求解,减小了误识率。
6) LSHS-MCSVM
最小二乘超球多类支持向量机
1.
As a result,a kind of new multi-class classifiers,Least Square Hyper-Sphere Multi-Class SVM(LSHS-MCSVM),was proposed.
超球体多类支持向量机(HSMC-SVM)是一种直接型多类分类器,具有训练速度快,检测效率高的优点,但由于HSMC-SVM使用一阶范数软间隔作为目标函数的惩罚项,使得其训练精度受到一定影响,为了提高HSMC-SVM训练精度,将最小二乘法引入到HSMC-SVM中,提出了最小二乘超球多类支持向量机(LSHS-MCSVM)的概念,并且分析了它的训练算法和判决规则,从而形成了完整的LSHS-MCSVM分类理论。
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