一种RBF核SVM的参数选择方法

提出一种基于信息瓶颈聚类的多聚焦图像融合方法。该方法采用信息瓶颈算法对源图像进行聚类分析，获得联合的聚类表示；由非下采样Contourlet变换对源图像进行多分辨率分解，通过联合聚类表示指导各频域系数

一种有效的SVM参数优化选择方法支持向量机(supportvectormachines，SVM)是在统计学习理论的基础之上发展起来的新一代机器学习算法

为了提高模型的泛化能力和精度,提出了一种基于混合核函数的支持向量机(SVM)建模方法。所提出的混合核函数由径向基函数和多项式函数加权组合而成,克服了支持向量机模型中单个核函数的局限性。并利用量子粒子群

rbf 的一种实现方法，是英文的一篇文章

描述了基于RBF核函数的支持向量机参数选择问题，供大家确定支持向量机参数时参考

一种改进的选择相空间重构参数的方法，12、一种改进的选择相空间重构参数的方法12、一种改进的选择相空间重构参数的方法

针对支持向量机(SVM) 核参数选择困难的问题, 提出一种基于Fisher 准则和最大熵原理的SVM核参数优选方法. 首先, 从SVM分类器原理出发, 提出SVM核参数优劣的衡量标准; 然后, 根据此

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数，引入剪枝策略删除对网络贡献不大的节点，用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化，使RBF网络不仅可以

对于一个给定的待分类模式，特征选择要求人们从大量的特征中选取一个最优特征子集，以代表被分类的模式。对 特征选择问题提出了基于一种特殊度量的特征选择方法，先通过对数据集的训练得到特殊的度量，然后用该度量

通过自由轴法测量Rlc快捷方便简单