检索结果-维普期刊中文期刊服务平台

非线性回归支持向量机的SMO算法改进被引量：11: 1; 作者赵长春姜晓爱金英汉《北京航空航天大学学报》 EI CAS CSCD 北大核心 2014年第1期125-130,共6页; 为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化(SMO,Sequential Minimal Optimization)算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,... 展开更多; 关键词支持向量机回归非线性数据非线性函数序列最小优化算法; 在线阅读下载PDF 职称材料

基于边界矩和支持向量机的火焰识别算法被引量：4: 2; 作者韩斌黄刚王士同《计算机应用研究》 CSCD 北大核心 2009年第7期2765-2766,2770,共3页; 根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明... 展开更多; 关键词火焰识别边界矩不变量支持向量机序列最小最优化算法; 在线阅读下载PDF 职称材料

基于对偶随机投影的线性核支持向量机被引量：1: 3; 作者席茜张凤琴 +3 位作者李小青管桦陈桂茸王梦非《计算机应用》 CSCD 北大核心 2017年第6期1680-1685,共6页; 针对大型支持向量机(SVM)经随机投影特征降维后分类精度下降的问题,结合对偶恢复理论,提出了面向大规模分类问题的基于对偶随机投影的线性核支持向量机(drp-LSVM)。首先,分析论证了drp-LSVM相关几何性质,证明了在保持与基于随机投影降... 展开更多; 关键词机器学习支持向量机随机投影序列最小优化算法降维; 在线阅读下载PDF 职称材料

一种结合SVM学习的产生式依存分析方法被引量：5: 4; 作者罗强奚建清《中文信息学报》 CSCD 北大核心 2007年第4期21-26,41,共7页; 本文提出了一种结合SVM学习和产生式模型的依存分析方法。该方法用产生式模型的分析错误对SVM分类器进行训练。为进一步提高分析精度,采用扩大寻优范围的动态规划算法对产生式模型的分析结果进行错误估计,同时引入范围参数,使得寻优范... 展开更多; 关键词计算机应用中文信息处理中文依存分析产生式概率模型 SVM学习 smo 动态规划算法; 在线阅读下载PDF 职称材料

基于支持向量回归模型的电力系统谐波分析新方法被引量：2: 5; 作者刘尚伟吴玲《中国电力》 CSCD 北大核心 2007年第6期32-35,共4页; 当前电力系统中的谐波问题日益严重,对谐波的准确检测和分析是抑制谐波畸变的重要依据。将基于改进的SMO算法的支持向量回归模型应用于电力系统谐波的检测,该算法克服了常规算法计算规模大和建模复杂的困难,通过引入一个中间因子,将原... 展开更多; 关键词谐波分析支持向量回归结构风险最小化泛化能力序列最小最优化算法; 在线阅读下载PDF 职称材料

HSMC-SVM的二次逼近快速训练算法被引量：2: 6; 作者徐图罗瑜何大可《电子与信息学报》 EI CSCD 北大核心 2008年第11期2746-2749,共4页; HSMC-SVM是一种直接型高速多类支持向量机,适合用于类别较多的分类场合,但由于SMO算法采用经验方法选择工作集,使得在用SMO算法训练HSMC-SVM时,收敛速度较慢。为提高HSMC-SVM的收敛速度,该文提出用基于二次逼近的可行方向法来训练HSMC-S... 展开更多; 关键词超球体多类支持向量机 smo训练算法工作集选择:二次逼近; 在线阅读下载PDF 职称材料

训练支持向量机的并行序列最小优化方法被引量：4: 7; 作者曹丽娟王小明《计算机工程》 CAS CSCD 北大核心 2007年第18期184-186,共3页; 序列最小优化(SMO)是训练支持向量机(SVM)的常见算法,在求解大规模问题时,需要耗费大量的计算时间。该文提出了SMO的一种并行实现方法,验证了该算法的有效性。实验结果表明,当采用多处理器时,并行SMO具有较大的加速比。; 关键词支持向量机序列最小优化并行算法; 在线阅读下载PDF 职称材料

基于支持向量机的大规模试卷识别方法被引量：1: 8; 作者覃延李冬梅陈志泊《西南大学学报（自然科学版）》 CAS CSCD 北大核心 2014年第6期180-185,共6页; 试卷识别是智能组卷系统中数据库建立的基础,如何正确有效地识别出试卷中的题干部分并将之入库是一个尤为关键的问题.提出了基于SVM(support vector machine,支持向量机)的大规模试卷识别方法,该方法有效解决了进行题干识别之前大量人... 展开更多; 关键词 SVM smo算法试卷识别; 在线阅读下载PDF 职称材料

题名非线性回归支持向量机的SMO算法改进被引量：11: 1; 作者赵长春姜晓爱金英汉; 机构北京航空航天大学航空科学与工程学院西北工业大学航天学院; 出处《北京航空航天大学学报》 EI CAS CSCD 北大核心 2014年第1期125-130,共6页; 文摘为了解决非线性数据和非线性函数的回归问题,采用了支持向量机序列最小优化算法.原始序列最小优化(SMO,Sequential Minimal Optimization)算法存在训练速度慢和训练结果不稳定的缺点,为了能加快SMO算法的训练速度和提高训练结果稳定性,通过改进优化乘子更新方法、采用双阈值法、预存核函数、增加停机准则等方法对SMO算法做了改进.仿真实验表明,改进的算法能很好地对非线性数据和非线性函数进行回归,具有比原始SMO算法更快的训练速度和稳定的训练结果.; 关键词支持向量机回归非线性数据非线性函数序列最小优化算法; Keywords support vector machine regression nonlinear data nonlinear function sequential minimaloptlmization（smo） algorithm; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名基于边界矩和支持向量机的火焰识别算法被引量：4: 2; 作者韩斌黄刚王士同; 机构江南大学信息工程学院江苏科技大学计算机科学与工程学院; 出处《计算机应用研究》 CSCD 北大核心 2009年第7期2765-2766,2770,共3页; 基金国家“863”计划资助项目(2007AA1Z158); 文摘根据火焰的燃烧特性,结合火焰的空间形状特征和动态变化特征,设计了一种基于动态边界矩和支持向量机的火焰识别算法。利用相邻帧边界矩不变量的差值来描述火焰的动态特征,基于支持向量机对火焰和疑似火焰目标样本进行分类检测。实验表明,该算法具有较好的火焰目标识别性能、较低的虚警率和较强的抗干扰性能。; 关键词火焰识别边界矩不变量支持向量机序列最小最优化算法; Keywords flame detection boundary moment invariants support vector machine （SVM） smo （sequential minimal optimization） algorithm; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于对偶随机投影的线性核支持向量机被引量：1: 3; 作者席茜张凤琴李小青管桦陈桂茸王梦非; 机构空军工程大学信息与导航学院; 出处《计算机应用》 CSCD 北大核心 2017年第6期1680-1685,共6页; 基金国家自然科学基金资助项目(71503260) 陕西省自然科学基金资助项目(2014JM8345)~~; 文摘针对大型支持向量机(SVM)经随机投影特征降维后分类精度下降的问题,结合对偶恢复理论,提出了面向大规模分类问题的基于对偶随机投影的线性核支持向量机(drp-LSVM)。首先,分析论证了drp-LSVM相关几何性质,证明了在保持与基于随机投影降维的支持向量机(rp-LSVM)相近几何优势的同时,其划分超平面更接近于用全部数据训练得到的原始分类器。然后,针对提出的drp-LSVM快速求解问题,改进了传统的序列最小优化(SMO)算法,设计了基于改进SMO算法的drp-LSVM分类器。最后实验结果表明,drp-LSVM在继承rp-LSVM优点的同时,减小了分类误差,提高了训练精度,并且各项性能评价更接近于用原始数据训练得到的分类器;设计的基于改进SMO算法的分类器不但可以减少内存消耗,同时可以拥有较高的训练精度。; 关键词机器学习支持向量机随机投影序列最小优化算法降维; Keywords machine learning Support Vector Machine （SVM） random projection sequential Minimal Optimization（smo） algorithm dimensionality reduction; 分类号 TP181 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名一种结合SVM学习的产生式依存分析方法被引量：5: 4; 作者罗强奚建清; 机构华南理工大学计算机学院; 出处《中文信息学报》 CSCD 北大核心 2007年第4期21-26,41,共7页; 基金国家"十五"科技攻关计划重点项目(A3480266) 广东省自然科学基金项目(B6480598); 文摘本文提出了一种结合SVM学习和产生式模型的依存分析方法。该方法用产生式模型的分析错误对SVM分类器进行训练。为进一步提高分析精度,采用扩大寻优范围的动态规划算法对产生式模型的分析结果进行错误估计,同时引入范围参数,使得寻优范围可以根据实际情况进行调整。本方法在不牺牲分类性能的前提下,有效减少了训练SVM分类器所依赖的支撑向量数。在对哈工大中文树库语料上的对比测试结果表明,该方法的依存分析精度达到86.4%,具有很强的依存分析能力。; 关键词计算机应用中文信息处理中文依存分析产生式概率模型 SVM学习 smo 动态规划算法; Keywords computer application chinese information processing chinese dependency analysis generative statistical model SVM study smo （sequential Minimal Opeimization） dynamic programming algorithm.; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于支持向量回归模型的电力系统谐波分析新方法被引量：2: 5; 作者刘尚伟吴玲; 机构天津大学电气与自动化工程学院天津科技大学电子信息与自动化学院; 出处《中国电力》 CSCD 北大核心 2007年第6期32-35,共4页; 文摘当前电力系统中的谐波问题日益严重,对谐波的准确检测和分析是抑制谐波畸变的重要依据。将基于改进的SMO算法的支持向量回归模型应用于电力系统谐波的检测,该算法克服了常规算法计算规模大和建模复杂的困难,通过引入一个中间因子,将原来问题的计算规模减半,并利用迭代算法求解中间因子,使得该算法简单可行。对三相桥式整流电路交流侧产生的特征谐波和非特征谐波电流进行了分析,仿真结果通过与FFT算法和ADALINE神经网络的检测分析结果对比,表明该方法无论是在理想情况下还是在考虑了各种影响因素的情况下,都具有很高的检测精度,可以满足电力系统的谐波分析的要求。该方法的不足之处是计算量会随着输入量分辨率的提高而增大。; 关键词谐波分析支持向量回归结构风险最小化泛化能力序列最小最优化算法; Keywords harmonics analysis support vector regression （SVR） structural risk minimization （SRM） generalization sequential minimal optimization （smo） algorithm; 分类号 TM711 [电气工程—电力系统及自动化]; 在线阅读下载PDF 职称材料

题名HSMC-SVM的二次逼近快速训练算法被引量：2: 6; 作者徐图罗瑜何大可; 机构西南交通大学信息科学与技术学院; 出处《电子与信息学报》 EI CSCD 北大核心 2008年第11期2746-2749,共4页; 文摘 HSMC-SVM是一种直接型高速多类支持向量机,适合用于类别较多的分类场合,但由于SMO算法采用经验方法选择工作集,使得在用SMO算法训练HSMC-SVM时,收敛速度较慢。为提高HSMC-SVM的收敛速度,该文提出用基于二次逼近的可行方向法来训练HSMC-SVM,并使用了样本缩减策略。实验表明,这种方法可以有效提高HSMC-SVM的收敛速度,其收敛速度已经超过了基于libsvm的组合多类支持向量机,完全可以用于分类类别多、样本数量大的分类场合。; 关键词超球体多类支持向量机 smo训练算法工作集选择:二次逼近; Keywords Hyper-Sphere Multi-Class SVM（HSMC-SVM） sequential Minimization Optimization（smo） training algorithm Working set selection Second Order Approximation（SOA）; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名训练支持向量机的并行序列最小优化方法被引量：4: 7; 作者曹丽娟王小明; 机构复旦大学金融研究院复旦大学经济学院; 出处《计算机工程》 CAS CSCD 北大核心 2007年第18期184-186,共3页; 基金国家自然科学基金资助项目"基于Support Vector Machines(SVMs)算法的智能型期权定价模型的研究"(70501008) 上海市浦江人才计划基金资助项目; 文摘序列最小优化(SMO)是训练支持向量机(SVM)的常见算法,在求解大规模问题时,需要耗费大量的计算时间。该文提出了SMO的一种并行实现方法,验证了该算法的有效性。实验结果表明,当采用多处理器时,并行SMO具有较大的加速比。; 关键词支持向量机序列最小优化并行算法; Keywords support vector machine（SVM） sequential minimal optimization（smo） parallel algorithm; 分类号 TP18 [自动化与计算机技术—控制理论与控制工程]; 在线阅读下载PDF 职称材料

题名基于支持向量机的大规模试卷识别方法被引量：1: 8; 作者覃延李冬梅陈志泊; 机构北京林业大学信息学院北京大学汇丰商学院; 出处《西南大学学报（自然科学版）》 CAS CSCD 北大核心 2014年第6期180-185,共6页; 基金国家自然科学基金项目(61170268) 北京高等学校教育教学改革(以程序设计与软件开发能力为主的应用型计算机专业核心课程体系改革与教学资源建设) +1 种基金北京林业大学2014年校园信息化专项研究(程序设计与算法类课程教学资源共享平台建设的研究); 文摘试卷识别是智能组卷系统中数据库建立的基础,如何正确有效地识别出试卷中的题干部分并将之入库是一个尤为关键的问题.提出了基于SVM(support vector machine,支持向量机)的大规模试卷识别方法,该方法有效解决了进行题干识别之前大量人工预处理工作的问题.根据SVM原理,建立一个超平面,将试题文本分为两类——题序号和题干,并以题序号作为各题的起止点,进行试题识别.大量的实验显示,该方法具有可行性、有效性和适应性.经测试,识别率达100%.; 关键词 SVM smo算法试卷识别; Keywords SVM （support vector machine） smo （sequential minimal optimization） algorithm examination paper recognition; 分类号 TP311 [自动化与计算机技术—计算机软件与理论]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	非线性回归支持向量机的SMO算法改进	赵长春姜晓爱金英汉	《北京航空航天大学学报》 EI CAS CSCD 北大核心	2014	11	在线阅读下载PDF 职称材料
2	基于边界矩和支持向量机的火焰识别算法	韩斌黄刚王士同	《计算机应用研究》 CSCD 北大核心	2009	4	在线阅读下载PDF 职称材料
3	基于对偶随机投影的线性核支持向量机	席茜张凤琴李小青管桦陈桂茸王梦非	《计算机应用》 CSCD 北大核心	2017	1	在线阅读下载PDF 职称材料
4	一种结合SVM学习的产生式依存分析方法	罗强奚建清	《中文信息学报》 CSCD 北大核心	2007	5	在线阅读下载PDF 职称材料
5	基于支持向量回归模型的电力系统谐波分析新方法	刘尚伟吴玲	《中国电力》 CSCD 北大核心	2007	2	在线阅读下载PDF 职称材料
6	HSMC-SVM的二次逼近快速训练算法	徐图罗瑜何大可	《电子与信息学报》 EI CSCD 北大核心	2008	2	在线阅读下载PDF 职称材料
7	训练支持向量机的并行序列最小优化方法	曹丽娟王小明	《计算机工程》 CAS CSCD 北大核心	2007	4	在线阅读下载PDF 职称材料
8	基于支持向量机的大规模试卷识别方法	覃延李冬梅陈志泊	《西南大学学报（自然科学版）》 CAS CSCD 北大核心	2014	1	在线阅读下载PDF 职称材料