支持向量机学习算法—序列最小优化(SMO)
【摘要】：支持向量机作为一种优秀的学习方法,有着严格的理论基础和很好的应用前景,但是由于支持向量机算法实现复杂、效率低,严重限制了支持向量机的应用.SMO 方法的提出大大提高了支持向量机学习的效率,作者对 SMO 算法的实现进行了详细的介绍.
|
|
|
|
| 1 |
艾青;刘洋;秦玉平;;支持向量训练算法研究[J];渤海大学学报(自然科学版);2006年03期 |
| 2 |
蒋琳琼;贺建飚;;基于支持向量机的纸币识别方法设计与研究[J];计算机测量与控制;2007年07期 |
| 3 |
周国辉;;基于样本抽取的优化SMO算法研究[J];大众科技;2008年09期 |
| 4 |
俞胜益;付燕;;支持向量机训练算法的比较研究[J];科技情报开发与经济;2008年30期 |
| 5 |
杜晓东,李岐强;支持向量机及其算法研究[J];信息技术与信息化;2005年03期 |
| 6 |
柳燕煌;黄立勤;;云计算环境的并行支持向量机[J];南阳理工学院学报;2011年02期 |
| 7 |
张丽丽;杜鹃;贾亮;;改进的支持向量机SMO算法说话人识别系统研究[J];长春理工大学学报(自然科学版);2009年02期 |
| 8 |
骆世广;骆昌日;周业明;;针对大规模样本集的SMO训练策略[J];广东技术师范学院学报;2008年09期 |
| 9 |
段凤娟;朱吉胜;王华建;;支持向量机快速算法的实现技术[J];现代计算机(专业版);2008年09期 |
| 10 |
何建兵;何清;史忠植;;噪声消除与SMO算法收敛性[J];计算机工程与应用;2006年24期 |
| 11 |
彭四海;;基于Hausdorff距离的支持向量机训练集选取方法[J];航空兵器;2007年05期 |
| 12 |
唐小力;吕宏伟;;SVM增量学习算法研究[J];电脑知识与技术(学术交流);2006年05期 |
| 13 |
严晓明;郑之;;基于混合仿生算法的SVM参数优化[J];广西师范大学学报(自然科学版);2011年02期 |
| 14 |
李东晖;杜树新;吴铁军;;基于壳向量的线性支持向量机快速增量学习算法[J];浙江大学学报(工学版);2006年02期 |
| 15 |
田盛丰,黄厚宽;基于支持向量机的数据库学习算法[J];计算机研究与发展;2000年01期 |
| 16 |
张铃;支持向量机理论与基于规划的神经网络学习算法[J];计算机学报;2001年02期 |
| 17 |
阎辉,张学工,李衍达;支持向量机与最小二乘法的关系研究[J];清华大学学报(自然科学版);2001年09期 |
| 18 |
朱国强,刘士荣,俞金寿;支持向量机及其在函数逼近中的应用[J];华东理工大学学报;2002年05期 |
| 19 |
侯风雷,王炳锡;基于支持向量机的说话人辨认研究[J];通信学报;2002年06期 |
| 20 |
马永军,方凯,刘暾东,方廷健;基于支持向量机和方差的管道内表面粗糙度等级识别[J];信息与控制;2002年05期 |
|
手机打开
快捷付款方式
订购知网充值卡
订购热线
帮助中心