暂无评论
svm的一片有价值的论文，可以参考建立相关系统。作为人工智能的基础性入门系统。
针对训练大样本支持向量机内存开销大、训练速度慢的缺点，提出了一种改进的算法—边界邻近支持向量机。实验表明在分类效果相同情况下，改进算法训练速度明显提高。
由于极端支持向量分类机（ESVM）在对样本进行分类时并没有考虑到数据集中样本点的分布情况，对所有样本点的误差项都给予了相同的惩罚因子，使得分类器的分类效果很容易受到噪声、野值数据的干扰，针对这个问题，
支持向量机的模型选择问题就是对于一个给定的核函数，调节核参数和惩罚因子C。分析了网格搜索算法和模式搜索算法，通过结合上述两种算法的优点提出了网格模式搜索算法。其核心原理是先用网格算法在全局范围内进行快
提出一种新型的基于光滑Ramp损失函数的健壮支持向量机，能够有效抑制孤立点对泛化性能的影响，并采用CCCP将它的非凸优化目标函数转换成连续、二次可微的凸优化。在此基础上，给出训练健壮支持向量机的一种N
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
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
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
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
暂无评论