论文研究支持向量机的研究现状与进展 .pdf

支持向量机(support vector machine, SVM)具有良好的泛化性能而被广泛应用于机器学习及模式识别领域。然而，当训练集较大时，训练SVM需要极大的时间及空间开销。另一方面，SVM训

论文研究-广义支持向量机优化问题的极大熵方法.pdf,  依据最优化理论中的KKT互补条件建立了广义支持向量机的无约束优化模型,并给出了一种有效的光滑化近似解法极大熵方法,为求解支持向量机优化问题提供

对定义在一系列无方向点集上的3D形状模型提出一种新的数字水印方案。首先应用神经网络的方法对点集模型进行学习，根据在学习过程中神经网格法线的变化情况，找到特征点。最后对已加水印的点集模型应用不同的攻击，

论文研究-基于相异度核空间的支持向量机算法.pdf,  提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通

论文研究-改进的渐进直推式支持向量机算法.pdf,  针对半监督学习中渐进直推支持向量机(Progressive Transductive Support Vector Machines, PTSVM

基于ε-支持向量回归机的盲均衡算法，王振朋，张立毅，支持向量机是解决有限样本学习的有效工具，由于其具有优良的泛化性能，本文提出了一种基于ε-支持向量回归机的盲均衡算法，并且利

提出了一种基于线性孪生支持向量机（TWSVM）的嵌入式特征选择方法。该方法在构造分类器的过程中，通过在TWSVM原有优化模型中引入一个惩罚项，来实现特征选择。在求解过程中，采用交替迭代优化方法将该模型

针对害虫发生数据高度非线性特点导致传统方法预测准确率低的难题，提出一种基于支持向量机（SVM）的多变量自回归(CAR)的害虫时间预测方法(SVM_CAR)。SVM_CAR首先利用SVM以留一法的MSE

针对支持向量机分类器的行人检测方法采用欠采样方法，存在正负行人比例不平衡造成的准确率不高问题，结合欠采样和EasyEnsemble方法，提出一种聚合支持向量机（Ensemble SVM）分类器的行人检

基于支持向量机的递归特征消除（SVM-RFE）是目前最主流的基因选择方法之一，是为二分类问题设计的，对于多分类问题必须要进行扩展。从帕累托最优（ParetoOptimum）的概念出发，阐明了常用的基因