RSVM

简化的支持向量机。提出了一种基于核的非线性分离曲面生成算法,该算法只需大数据集的1%即可进行显式计算。为了生成这个非线性曲面,整个数据集被用作优化问题中的约束条件,其中只有很少的变量对应于保留的1%的数据。在解决优化问题后,剩余的数据可以被丢弃。这是通过使用矩形m×核K(a,Ā′)来实现的,它大大减小了要求解的二次规划的规模,并简化了非线性分离面的描述。这里,A的m行表示原始m个数据点,而Ā的行表示大大减少的数据点。与传统的支持向量机相比,随机选择的支持向量机对整个支持向量机的正确性有明显的依赖性比传统的支持向量机使用小样本的数据要好得多。与传统的支持向量机相比,使用支持向量机的整个数据集的计算时间要小得多。


zbMATH参考文献(52篇文章引用)

显示第1到第20个结果,共52个。
按年份排序(引用)
  1. 彭新英;徐益田:加速加权双支持向量机的安全筛选规则(2019)
  2. Gu,Weizhe;Chen,Wei Po;Ko,Chun Hsu;Lee,Yuh Jye;Chen,Jein Shan:用于(\varepsilon)不敏感回归的两个光滑支持向量机(2018)
  3. Khemchandani,Reshma;Saigal,Pooja;Chandra,Suresh:基于角度的双支持向量机(2018)
  4. 王震;邵元海;白,兰;李,春娜;刘,李明;邓乃阳:大规模问题的不敏感随机梯度双支持向量机(2018)
  5. Manh Cuong,Nguyen;Van Thien,Nguyen:一种减少模糊支持向量机中支持向量数量的方法(2016)
  6. Wang,Di;Zhang,Xiaoqin;Fan,Mingyu;Ye,Xiuzi:用于非线性分类的分层混合线性支持向量机(2016)
  7. 赵核因式分解(Chilenious factorization in Priminious machine learning,2016年)
  8. Lee,G.E.;Zaknich,A.:GRNN参数估计的混合整数规划方法(2015)
  9. 赵永平;王,康康;李,富:一种改进递归最小二乘支持向量回归的修剪方法(2015)
  10. Bai,Yan Qin;Shen,Yan Jun;Shen,Kai Ji:用于稀疏解分类问题的一致近端支持向量机(2014)
  11. Couellan,Nicolas;Jan,Sophie:用于支持向量机分类的增量加速梯度法:约束方法的研究(2014)
  12. Shabanzadeh,Parvaneh;Yusof,Rubiyah:解决监督数据分类问题的新方法(2014)
  13. 邵元海;陈伟杰;邓乃洋:二元分类问题的非平行超平面支持向量机(2014)
  14. Chang,Lo Bin;Bai,Zhidong;Huang,Su Yun;Hwang,Chii Ruey:基于核的Nyström低秩逼近矩阵的渐近误差界(2013)
  15. Fung,Glenn M.;Mangasarian,Olvi L.:通过线性规划保持隐私的线性和非线性近似(2013)
  16. 马家义;赵,季;田,金文;白,香;涂,卓文:基于稀疏近似的正则化向量场学习方法去除失配(2013)
  17. 王震;邵元海;吴铁如:基于遗传算法的光滑双参数边缘支持向量机模型选择(2013)
  18. 夏晓磊;钱,苏翔;刘雪琴;邢焕来:稀疏最小二乘支持向量机的有效模型选择(2013)
  19. 周水生;崔江涛;叶锋;刘红伟;朱强:具有严格误差约束和高效降维技术的平滑支持向量机新算法(2013)
  20. 张建宗;鲍兴国;李玉杰:基于RSVM的两师一徒半监督学习算法(2012)ioport公司