检索结果-内蒙古大学图书馆

系统工程与电子技术 2006年第1期28卷 127-132页

作者：胡国胜钱玲张国红广东科学技术职业学院塔里木油田公司勘探开发研究院新疆塔里木843300

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两种情况下支持向量机的主要训练算法。与人工神经网络相比,分析了支持向量机算法的... 详细信息

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两种情况下支持向量机的主要训练算法。与人工神经网络相比,分析了支持向量机算法的优点。归纳了支持向量机在诸如模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子领域中的应用。最后对SVM前景作了展望。

关键词：模式识别电力系统电力电子支持向量机多分类算法

来源：评论

学校读者我要写书评

暂无评论

一种新的模糊支持向量机多分类算法

引用

计算机应用研究 2008年第7期25卷 2041-2042页

作者：刘太安梁永全薛欣山东科技大学信息工程系山东泰安271019 山东科技大学信息科学与工程学院山东青岛266510 泰山学院数学与系统科学系山东泰安271021

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合... 详细信息

在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。

关键词：支持向量机模糊支持向量机一对多组合隶属函数多分类算法

来源：评论

学校读者我要写书评

暂无评论

基于加权模糊隶属度的二叉树多分类算法

引用

计算机应用研究 2020年第11期37卷 3281-3286页

作者：沈洋戴月明江南大学物联网工程学院江苏无锡214122

针对二叉树支持向量机多分类算法准确率与分类效率较低的问题,提出了一种基于加权模糊隶属度的二叉树支持向量机多分类算法(binary tree support vector machines multi-classification algorithm based on weighted fuzzy membership,PF-BTSVM)。该算法依据最大最小样本距离与质心距离构造出一个近似完全二叉树,提高了整体结构的分类效率;利用模糊隶属度函数以及正负辅助惩罚因子对训练集进行筛选,剔除掉对分类无用的样本与噪声值,实现了训练集的提纯并且削弱了不平衡分类时超平面的偏移。在数据集上的实验结果表明,与其他二叉树多分类算法相比,该算法在提高分类准确率以及稳定性的同时,还加快了训练与分类的速度,而且当分类的不平衡度越大时这种优势越明显。

关键词：二叉树支持向量机模糊隶属度模糊支持向量机多分类算法

来源：评论

学校读者我要写书评

暂无评论

一种基于截断高斯先验和变分贝叶斯的多分类算法

引用

小型微型计算机系统 2019年第4期40卷 689-694页

作者：田星陈欢欢中国科学技术大学计算机科学与技术学院合肥230026

稀疏核方法作为一类分类算法,因其良好的解释性和广泛的适用性,在近几十年的机器学习领域获得了巨大成功.概率分类向量机是其中代表.概率分类向量机通过引入截断高斯先验,不仅拥有概率输出,也保证了结果对核参数的稳定性.然而该算法是... 详细信息

稀疏核方法作为一类分类算法,因其良好的解释性和广泛的适用性,在近几十年的机器学习领域获得了巨大成功.概率分类向量机是其中代表.概率分类向量机通过引入截断高斯先验,不仅拥有概率输出,也保证了结果对核参数的稳定性.然而该算法是基于二分类问题建立,无法直接应用于多分类问题.本文从贝叶斯框架出发,提出了能够直接解决多类问题的截断高斯多类模型和用于求解该模型的基于变分贝叶斯的优化算法.在模型参数上,本文采用截断高斯先验,从而在算法训练时能够更好地利用基样本对应的标签信息.不随数据集类别数增加而增加的权重个数,不仅缓解了过拟合问题,也减轻了优化算法的时间空间消耗.该算法的参数更新是在类内进行,异类之间没有干扰,这个特性不仅使得它的时间复杂度优于其它贝叶斯算法,同时也保证了当数据集各类不平衡时,不会完全忽略小类数据.多个实验表明:在分类错误率和AUC值上,本文提出的模型和算法在多个数据集上都优于对比算法,尤其是当数据集的类别数较大时,有明显优势.

关键词：截断高斯先验贝叶斯框架多分类算法变分贝叶斯

来源：评论

学校读者我要写书评

暂无评论

基于支持向量机的多分类算法研究

基于支持向量机的多分类算法研究

引用

作者：焦小刚宁夏大学

学位级别：硕士

支持向量机是由Bell实验室的Vapnik等人提出的一种针对分类和回归问题的新型机器学习方法，是借助于最优化方法解决机器学习问题的新工具.支持向量机方法基于统计学习理论与结构风险最小化原理，具有良好的推广性和较高的准确率.它集成... 详细信息

支持向量机是由Bell实验室的Vapnik等人提出的一种针对分类和回归问题的新型机器学习方法，是借助于最优化方法解决机器学习问题的新工具.支持向量机方法基于统计学习理论与结构风险最小化原理，具有良好的推广性和较高的准确率.它集成了最优分类超平面、核技巧、凸二次规划等多项技术，能有效地解决“过学习”、“维数灾难”和局部极小点等问题.由于出色的学习性能：支持向量机已经成为当前机器学习界的一个研究热点，并在很多领域得到了广泛的应用，包括模式识别、回归估计等方面.由于支持向量机方法最初是针对二类别的分类问题提出的，如何将二类别分类方法扩展到多类别分类是支持向量机研究的一个重要内容.\n 本文主要做了以下几个方面的工作.\n 1.介绍了机器学习、统计学习理论以及支持向量机的发展和研究现状.讨论了支持向量机的理论和算法，包括核函数理论、参数选择等热点问题.\n 2.总结了目前常用的基于支持向量机的多分类方法，包括一对多方法、一对一方法、决策二叉树方法.对比讨论了各种方法的优缺点.本文针对构建分类超平面的支持向量的空间分布特点结合模糊隶属度和“一对一”多分类方法所存在的弊端，提出了一种改进的多分类方法，并通过仿真试验验证了改进方法的有效性.

关键词：机器学习支持向量机多分类算法

来源：评论

学校读者我要写书评

暂无评论

支持向量机多分类算法研究

支持向量机多分类算法研究

引用

作者：李静湖北大学

学位级别：硕士

支持向量机算法是统计学习理论中最年轻的分支,最初于20世纪90年代由Vapnik提出,它以统计学习理论中的VC维理论和结构风险最小化原理为基础,根据有限的样本信息,在模型的复杂性与学习能力之间寻求最佳折衷,获得了较好的泛化能力。目前,... 详细信息

支持向量机算法是统计学习理论中最年轻的分支,最初于20世纪90年代由Vapnik提出,它以统计学习理论中的VC维理论和结构风险最小化原理为基础,根据有限的样本信息,在模型的复杂性与学习能力之间寻求最佳折衷,获得了较好的泛化能力。目前,支持向量机正得到越来越广泛的应用。近年来,支持向量机的理论研究和算法实现已取得了突破性进展,开始成为克服“维数灾难”和“过学习”等传统困难的有力工具。支持向量机的基本思想是通过在原空间或经投影后的高维空间中构造最优分类面,将给定的属于不同类别的训练样本分开。最初支持向量机用于解决两类分类问题。但是实际应用中遇到的多为多分类问题,而且,即使我们能够很好地将两类样本正确分类,也并不意味着多类分类问题得到解决。如何有效地将SVM两分类方法推广到多分类领域是一个热门问题。\n 本文介绍了统计学习理论和支持向量机的基本思想。对几种主要的支持向量机多类分类算法进行了系统地研究,总结了基于二叉树的支持向量机多分类算法的不足：1.二叉树的生成结构对整个分类模型的分类精度有很大影响,可能产生误差积累现象。2.

关键词：机器学习多分类算法支持向量机

来源：评论

学校读者我要写书评

暂无评论

基于多分类算法的电信集团业务推荐

基于多分类算法的电信集团业务推荐

引用

作者：王静南京大学

学位级别：硕士

随着电信行业传统运营商与网络运营商的竞争越来越激烈，如何能够拥有更稳定更广泛的用户群体已经成为运营商的迫切需求。通过向用户推荐集团业务是减少用户流失率的有效的低成本的方法。电信行业已经拥有海量的数据资源，同时也在产生... 详细信息

随着电信行业传统运营商与网络运营商的竞争越来越激烈，如何能够拥有更稳定更广泛的用户群体已经成为运营商的迫切需求。通过向用户推荐集团业务是减少用户流失率的有效的低成本的方法。电信行业已经拥有海量的数据资源，同时也在产生新的业务数据，这些业务数据中包含着极有价值的信息和规律。如何从这些数据资源中，找出用户的集团类标，向用户进行精准推荐，从而提高用户忠诚度已是迫在眉睫。\n 本文将此需求提炼为一个多分类问题的模型，而目前的多分类算法不能处理该类标维度场景下的问题。因此，本文提出类标特征多分类方法，采用一个二分类器解决超高维度的多分类问题，预测用户集团类标来实现精准营销，论文主要工作如下:\n 1)提出了用一个二分类器解决多分类问题的方法，采用类标特征属性构造用于本方法训练与预测标准数据格式。详细介绍了二分类器训练与预测算法步骤，由多个二分类结果得到最终预测类标的投票策略，并通过D-S证据理论证明该策略。\n 2)提出候选类子集方法改进算法解决高维度多分类问题，文中采用了基于KNN方法预判候选类子集。提出准确率与泛化准确率指标评价改进后的多分类算法。\n 3)在移动用户真实业务数据集实现本文类标特征多分类算法及改进，并与One VS All方法进行对比。分别构造了低维度多分类问题，与高维度多分类问题进行实验。

关键词：电信企业业务推荐数据挖掘多分类算法类标特征属性

来源：评论

学校读者我要写书评

暂无评论

循环对称划分的支持向量机多分类算法

循环对称划分的支持向量机多分类算法

引用

2010年全国模式识别学术会议(CCPR2010)

作者：徐从东陈春李云朱安国新星技术研究所合肥 230031

提出用循环对称划分的支持向量机方法解决多分类问题。该算法将多类问题的类别环形排列，依次进行对称划分，构造纠错输出编码矩阵。根据求得的纠错输出编码矩阵，用解码函数水解待求样本的类别。在ORL标准人脸库上进行实验，结果表明... 详细信息

提出用循环对称划分的支持向量机方法解决多分类问题。该算法将多类问题的类别环形排列，依次进行对称划分，构造纠错输出编码矩阵。根据求得的纠错输出编码矩阵，用解码函数水解待求样本的类别。在ORL标准人脸库上进行实验，结果表明，该算法具有较好的分类效果。

关键词：支持向量机纠错编码多分类算法

来源：评论

学校读者我要写书评

暂无评论

基于SVM多分类算法的汉语语音情感信息智能识别

引用

电子元器件与信息技术 2020年第7期4卷 62-63+99页

作者：王光艳张培玟于宝芸天津商业大学信息工程学院

本文采用支持向量机多分类算法对汉语语音中的中性、生气、高兴、悲伤、害怕五种不同情感信息进行智能分类和识别。基于CASIA汉语语音情感数据库,选择训练组和测试组,通过提取短时能量、短时过零率,以及基频等特征参数进行实验方案设计... 详细信息

本文采用支持向量机多分类算法对汉语语音中的中性、生气、高兴、悲伤、害怕五种不同情感信息进行智能分类和识别。基于CASIA汉语语音情感数据库,选择训练组和测试组,通过提取短时能量、短时过零率,以及基频等特征参数进行实验方案设计。仿真结果和数据分析表明,本方法能够对测试语音的情感特征做出相对准确的判别,可为语音情感信息识别,以及音频信息的智能分类技术提供研究参考。

关键词：音频分类情感识别特征参数支持向量机多分类算法

来源：评论

学校读者我要写书评

暂无评论

交互迭代一对一分类算法

引用

模式识别与人工智能 2008年第4期21卷 425-431页

作者：刘波郝志峰肖燕珊华南理工大学计算机科学与工程学院广州510641 Faculty of Information Technology University of TechnologySydneyNSW 2007Australia 广州亚运会组委会信息技术部广州510623

在基于支持向量机的多分类算法中,一对一算法表现出较好的性能.然而此算法却存在不可分区域,落入该区域的样本不能有效被识别,因此影响了一对一算法的性能.为解决这个难题,提出交互迭代一对一分类算法,同时给出算法的有效性分析和计算... 详细信息

在基于支持向量机的多分类算法中,一对一算法表现出较好的性能.然而此算法却存在不可分区域,落入该区域的样本不能有效被识别,因此影响了一对一算法的性能.为解决这个难题,提出交互迭代一对一分类算法,同时给出算法的有效性分析和计算复杂度证明.为了验证该算法解决不可分区域的能力,我们选用 UCI 数据集来做对比实验.实验结果显示,本文算法不但可以较成功解决不可分区域问题而且表现出比其它算法更好的性能.

关键词：支持向量机多分类算法一对一算法模糊支持向量机有向无环图算法

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：