×
Juang，Chia-Feng先生;谢成达

用于信道均衡的基于模糊C均值的支持向量机。 （英语） Zbl 1159.93339号

国际通用系统杂志。 38，第3期，273-289（2009）.
摘要：本文提出了一种新的分类网络——基于模糊C均值的支持向量机（FCM-SVM），并将其应用于信道均衡。与基于核的SVM相比，FCM-SVM具有较少的参数，同时保留了SVM良好的泛化能力。在FCM-SVM中，输入训练数据通过FCM进行聚类。FCM-SVM的输出是每个输入数据属于簇的度的加权和。为了获得较高的泛化能力，FCM-SVM权重通过基于线性核的SVM学习。计算机仿真表明了该网络的性能，其中FCM-SVM被用作信道均衡器。对白高斯噪声和彩色高斯噪声进行了仿真。本文还比较了FCM-SVM、基于高斯核的SVM和最优均衡器的仿真结果。

MSC公司：

93立方厘米 模糊控制/观测系统
68T05型 人工智能中的学习和自适应系统

关键词：

模糊聚类;模糊C均值;支持向量机;支持向量;信道均衡
PDF格式BibTeX公司 XML格式引用
\textit{C.-F.Juang}和\textit{C.-D.Hsieh}，国际通用系统杂志。38，第3号，273--289（2009；Zbl 1159.93339）
全文： 内政部

参考文献：

[1] 内政部：10.1109/72.329696·数字对象标识代码：10.1109/72.329696
[2] DOI:10.1023/A:1009715923555·doi:10.1023/A:1009715923555
[3] 内政部：10.1109/72.788646·数字对象标识代码：10.1109/72.788646
[4] DOI:10.1016/0165-1684（90）90122-F·doi:10.1016/0165-1684（90）90122-F
[5] 内政部：10.1016/0165-1684（91）90030-M·doi:10.1016/0165-1684（91）90030-M
[6] 内政部：10.1109/TFUZZ.2003.819843·doi:10.1109/TFUZZ.2003.819843
[7] 内政部：10.1109/TFUZZ.2003.817839·doi:10.1109/TFUZZ.2003.817839
[8] Cortes C.，《国际机器学习杂志》第20卷第1页–（1995年）
[9] Cristianini N.，支持向量机导论（2000）
[10] DOI:10.1016/S0925-2312（01）00569-0·doi:10.1016/S0925-2312（01）00569-0
[11] DOI:10.109/78.91157·数字对象标识代码：10.1109/78.91157
[12] 内政部：10.1109/TNN.2005.857954·doi:10.1109/TNN.2005.857954
[13] Höppner F.，模糊聚类分析：分类、数据分析和图像识别方法（1999）
[14] 内政部：10.1109/72.991432·数字对象标识代码：10.1109/72.991432
[15] Lin C.T.，《神经模糊系统：智能系统的神经模糊协同作用》（1996）
[16] Platt，J.，1998年。序列最小优化：一种训练支持向量机的快速算法。微软研究技术报告，MSR-TR-98-14
[17] Platt J.，核方法的进展-支持向量学习第185页–（1999）
[18] DOI:10.1016/j.neucom.2005.12.010·doi:10.1016/j.neucom.2005.12.010
[19] 内政部：10.1109/78.650102·数字对象标识代码：10.1109/78.650102
[20] 内政部：10.1109/78.875477·doi:10.1109/78.875477
[21] Vapnik V.，《统计学习理论的本质》（1995年）·Zbl 0833.62008号
[22] 内政部：10.1109/83.661186·Zbl 0973.94003号 ·doi:10.1109/83.661186
[23] Yu，Z.和Bajaj，C.归一化梯度向量扩散和图像分割。第七届欧洲计算机视觉会议（ECCV'02）的会议记录。第3卷，第517-530页·Zbl 1039.68754号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。