LS SVMlab公司

最小二乘支持向量机的matlab/c工具箱。支持向量机是解决非线性分类、函数估计和密度估计问题的一种强有力的方法,它也带动了基于核的方法的其他许多最新发展。最初,它是在统计学习理论和结构风险最小化的背景下引入的。在这些方法中,人们解决凸优化问题,通常是二次规划。最小二乘支持向量机(LS-SVM)是对标准支持向量机(SVM)的一种改进,可用于求解线性KKT系统。LS-svm与正则化网络和高斯过程密切相关,但同时也强调和利用原始对偶解释。经典模式识别算法的核心版本(如核Fisher判别分析)和无监督学习的扩展、递归网络和控制之间的联系是可用的。鲁棒性、稀疏性和权重可以在需要的情况下加入到LS-SVMs中,并且开发了一个具有三级推理的贝叶斯框架。针对核PCA、核CCA和核PLS,给出了基于LS-SVM的原始对偶公式。近年来在核谱聚类、数据可视化和降维以及生存分析等方面取得了新的进展。针对超大规模问题,提出了一种固定规模的LS-SVM方法。目前的LS-SVMlab工具箱包含许多LS-SVM算法的Matlab/C实现。


zbMATH中的参考文献(参考文献26条)

显示第1到第20个结果,共26个。
按年份排序(引用)
  1. 贝尔西马斯,迪米特里斯;Van Parys,Bart:带多项式的稀疏层次回归(2020)
  2. 王健;Kim,Junseok:将最小二乘支持向量机应用于均值-方差投资组合分析(2019)
  3. 加夫罗夫斯卡,安娜;扎吉奇,戈兰;博格达诺维奇,维斯纳;瑞金,伊里尼;Reljin,Branimir:基于分形理论和形状背景的S1和S2心音模式识别(2017)
  4. 黄小林;梅尔,安德烈亚斯;霍内格,约阿希姆;Suykens,Johan A.K.:最小二乘支持向量机中的不确定核和主成分分析(2017)
  5. Kourehli,S.S.:使用不完全静态响应和LS-SVM进行结构损伤诊断(2017)
  6. Kourehli,S.S.:使用迭代改进的简化系统进行结构损伤诊断的LS-SVM回归(2016)
  7. 乌帕德哈伊。;帕迪,P.K。;Kankar,P.K.:S变换在使用EEG信号自动检测警戒级别中的应用(2016)
  8. 卡尔沃·罗尔,何塞·路易斯;昆蒂安·帕多,赫克托;科尔查多,埃米利奥;梅佐索-洛佩斯,玛里亚;Ferreiro García,Ramón:基于智能模型的具有电阻和电感负载的单相半波控制整流器电流消光角的简化方法(2015)ioport公司
  9. Najeh,Cha–bane:用于电力现货价格预测的新型自回归分数阶积分移动平均最小二乘支持向量机模型(2014)
  10. 加格,A。;泰克。;Gupta,A.K.:奥氏体不锈钢304动态应变时效过程真实应力建模的改进多基因遗传规划方法(2014)
  11. 格里戈里夫斯基,亚历山大;米切,尤安;文特尔,安妮·玛丽;塞弗林,埃里克;Lendasse,Amaury:使用OP-ELM进行长期时间序列预测(2014)
  12. 哈里哈兰,M。;波兰人,凯末尔;Yaacob,Sazali:声带病理学检测的新特征构成方法(2014)
  13. 黄小林;石磊;佩尔克曼斯,克里斯蒂安;Suykens,Johan A.K.:非对称(\nu)-管支持向量回归(2014)
  14. 黄小林;石磊;Suykens,Johan A.K.:不对称最小二乘支持向量机分类器(2014)
  15. 马可,先生;丁氏,Quoc Tran;拉特豪威尔,利文;Suykens,Johan A.K.:张量学习:基于凸优化和谱正则化的框架(2014)
  16. 夏,小雷;焦卫东;李康;欧文,乔治:一种新的稀疏最小二乘支持向量机(2013)
  17. 小雷,小夏;钱、宿乡;刘雪芹;邢焕来:《稀疏最小二乘支持向量机的有效模型选择》(2013)
  18. 马可,先生;拉特豪威尔,利文;Suykens,Johan A.K.:基于内核的张量数据分析框架(2011)
  19. 贝拉尔,A。;Batan,M.:人工智能方法在自由流动封闭管道中的应用,以估算氧气转移效率(2010年)
  20. 古莱、桑塔努;侯赛因、谢赫·贾汉吉尔;穆克吉,阿尼尔班;Dutta,Pranab K.:具有单位范数超平面的非平行平面近端分类器的牛顿方法(2010)