1) 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。
2) multi least square-support vector machine
多最小二乘支持向量机
3) least squares support vector machine
最小二乘支持向量机
1.
Application of least squares support vector machine within evidence framework in PTA process;
基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用
2.
Pressure sensor temperature compensation based on least squares support vector machine;
基于最小二乘支持向量机的压力传感器温度补偿
3.
Sparse least squares support vector machine;
稀疏最小二乘支持向量机
4) least square support vector machine
最小二乘支持向量机
1.
Forecast of water inrush from coal floor based on least square support vector machine;
基于最小二乘支持向量机的煤层底板突水量预测
2.
Outliers detection in time series of measured data based on least square support vector machine algorithm;
基于最小二乘支持向量机算法的测量数据时序异常检测方法
3.
Image registration based on least square support vector machine;
基于最小二乘支持向量机的图像配准研究
5) least squares support vector machines
最小二乘支持向量机
1.
Coal washery daily water consumption short-term prediction based on least squares support vector machines;
基于最小二乘支持向量机的选煤厂日用水量短期预测
2.
Selection of suitable 3D terrain matching field based on least squares support vector machines;
基于最小二乘支持向量机的三维地形匹配选择
3.
Thermal error prediction of numerical control machine tools based on least squares support vector machines;
基于最小二乘支持向量机的数控机床热误差预测
6) LS-SVM
最小二乘支持向量机
1.
Prediction of hydrogen content in molten aluminum based on LS-SVM;
利用最小二乘支持向量机预测铝熔体氢含量
2.
Time Series Prediction Based on LS-SVM;
基于最小二乘支持向量机的小样本建模方法研究
3.
Research on vibration fault diagnosis of hydro-turbine generating unit based on LS-SVM and information fusion technology;
基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断研究
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