检索结果-维普期刊中文期刊服务平台

ε不敏感损失函数支持向量机分类性能研究被引量：17: 1; 作者杨俊燕张优云朱永生《西安交通大学学报》 EI CAS CSCD 北大核心 2007年第11期1315-1320,共6页; 将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中,提出ε不敏感损失函数支持向量分类算法(-εSVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较,试验结果表明:当赋予参数ε一个足够大的接近... 展开更多; 关键词 ε不敏感损失函数支持向量分类模式分类支持向量回归; 在线阅读下载PDF 职称材料

径向基函数神经网络快速算法及其应用被引量：7: 2; 作者许敏胡丽丹《统计与决策》 CSSCI 北大核心 2021年第16期52-56,共5页; 经典的径向基函数神经网络学习算法因其能逼近任意连续函数,因而应用广泛。但在实际应用中,当训练集有较大数据容量时,需要较高的计算代价,限制了其进一步应用。针对上述问题,文章通过引入ε不敏感损失函数和结构风险项,并借鉴核心集快... 展开更多; 关键词径向基函数神经网络大规模数据集核心集 ε不敏感损失函数; 在线阅读下载PDF 职称材料

PSO-ε-SVM的回归算法被引量：8: 3; 作者金晶王行愚 +1 位作者罗先国王蓓《华东理工大学学报（自然科学版）》 CAS CSCD 北大核心 2006年第7期872-875,共4页; 回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻... 展开更多; 关键词回归支持向量机粒子群优化算法 ε不敏感损失函数格点搜索; 在线阅读下载PDF 职称材料

ε-支持向量回归机算法及其应用被引量：9: 4; 作者冼广铭曾碧卿《计算机工程与应用》 CSCD 北大核心 2008年第17期40-42,共3页; 针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点... 展开更多; 关键词 ε-支持向量回归机 ε不敏感损失函数图像去噪; 在线阅读下载PDF 职称材料

一种具有迁移学习能力的RBF-NN算法及其应用被引量：2: 5; 作者许敏史荧中 +1 位作者葛洪伟黄能耿《智能系统学报》 CSCD 北大核心 2018年第6期959-966,共8页; 经典的径向基人工神经网络学习能逼近任意函数,因而应用广泛。但其存在的一个重要缺陷是,在已标签样本过少、不能反映数据集整体分布情况下,容易产生过拟合现象,从而导致泛化性能严重下降。针对上述问题,探讨具有迁移学习能力的径向基... 展开更多; 关键词径向基函数神经网络迁移学习径向基函数中心向量 ε不敏感损失函数信息缺失; 在线阅读下载PDF 职称材料

题名ε不敏感损失函数支持向量机分类性能研究被引量：17: 1; 作者杨俊燕张优云朱永生; 机构西安交通大学现代设计和转子轴承系统教育部重点实验室; 出处《西安交通大学学报》 EI CAS CSCD 北大核心 2007年第11期1315-1320,共6页; 基金国家自然科学基金资助项目(50575179 50335030); 文摘将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中,提出ε不敏感损失函数支持向量分类算法(-εSVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较,试验结果表明:当赋予参数ε一个足够大的接近于1的值时,-εSVC的分类正确率略低于C-SVC和LS-SVC,但是-εSVC的训练、测试和参数选择的速度要高于C-SVC和LS-SVC.特别是对于大规模数据集,这种优势将更加明显.另外,通过精确选择参数ε的值,-εSVC能够获得比C-SVC和LS-SVC更高的分类正确率,但是训练、测试和参数选择的速度却随着ε的减小而降低.; 关键词 ε不敏感损失函数支持向量分类模式分类支持向量回归; Keywords ε-insensitive loss function support vector classification pattern classification support vector regression; 分类号 TP183 [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

题名径向基函数神经网络快速算法及其应用被引量：7: 2; 作者许敏胡丽丹; 机构无锡职业技术学院物联网技术学院江南大学物联网工程学院; 出处《统计与决策》 CSSCI 北大核心 2021年第16期52-56,共5页; 基金国家自然科学基金资助项目(61702225) 江苏高校哲学社会科学研究重大项目(2019SJZDA046) 江苏省高等学校自然科学研究资助项目(18KJB520048)。; 文摘经典的径向基函数神经网络学习算法因其能逼近任意连续函数,因而应用广泛。但在实际应用中,当训练集有较大数据容量时,需要较高的计算代价,限制了其进一步应用。针对上述问题,文章通过引入ε不敏感损失函数和结构风险项,并借鉴核心集快速算法,探讨适合大样本快速训练的径向基函数神经网络学习算法。将该算法应用于人造数据集和UCI真实数据集,并与传统的径向基函数神经网络学习算法相比,发现所提算法在大规模数据集场景下,具有更好的适应性。; 关键词径向基函数神经网络大规模数据集核心集 ε不敏感损失函数; Keywords radial basis function neural network large-scale dataset core set ε insensitive loss function; 分类号 O212 [理学—概率论与数理统计]; 在线阅读下载PDF 职称材料

题名PSO-ε-SVM的回归算法被引量：8: 3; 作者金晶王行愚罗先国王蓓; 机构华东理工大学信息科学与工程学院; 出处《华东理工大学学报（自然科学版）》 CAS CSCD 北大核心 2006年第7期872-875,共4页; 基金国家自然科学基金项目(60543005) 高等学校博士点基金(20040251010); 文摘回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻找ε参数,需要重复训练回归支持向量机模型的次数明显小于格点搜索方法,节省了大量的时间并且能找到较优的ε值。; 关键词回归支持向量机粒子群优化算法 ε不敏感损失函数格点搜索; Keywords regression support vector machine particle swarm optimization e-non-sensitive loss function latticework searching; 分类号 R318 [医药卫生—生物医学工程]; 在线阅读下载PDF 职称材料

题名ε-支持向量回归机算法及其应用被引量：9: 4; 作者冼广铭曾碧卿; 机构华南师范大学南海校区计算机工程系; 出处《计算机工程与应用》 CSCD 北大核心 2008年第17期40-42,共3页; 文摘针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multi-nomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。; 关键词 ε-支持向量回归机 ε不敏感损失函数图像去噪; Keywords ε-SVR ε insensitive loss function image denoising; 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

题名一种具有迁移学习能力的RBF-NN算法及其应用被引量：2: 5; 作者许敏史荧中葛洪伟黄能耿; 机构江南大学物联网技术学院无锡职业技术学院物联网技术学院; 出处《智能系统学报》 CSCD 北大核心 2018年第6期959-966,共8页; 基金国家自然科学基金项目(61572236) 江苏省高等学校自然科学研究项目(18KJB520048) +1 种基金江苏省"333高层次人才培养工程"项目(苏人才[2016]7号); 文摘经典的径向基人工神经网络学习能逼近任意函数,因而应用广泛。但其存在的一个重要缺陷是,在已标签样本过少、不能反映数据集整体分布情况下,容易产生过拟合现象,从而导致泛化性能严重下降。针对上述问题,探讨具有迁移学习能力的径向基人工神经网络学习算法,该算法在引入不敏感损失函数和结构风险项的同时,学习源领域径向基函数的中心向量及核宽和源领域模型参数,通过充分学习历史源领域知识来弥补当前领域因已标签样本少而导致泛化能力下降的不足。将该算法应用于人造数据集和真实发酵数据集进行验证,和传统的RBF神经网络算法相比,所提算法在已标签样本少而存在数据缺失的场景下,具有更好的适应性。; 关键词径向基函数神经网络迁移学习径向基函数中心向量 ε不敏感损失函数信息缺失; Keywords radial basis function neural network transfer learning radial basis function vector ε-insensitive loss function missing information; 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	作者	出处	发文年	被引量	操作
1	ε不敏感损失函数支持向量机分类性能研究	杨俊燕张优云朱永生	《西安交通大学学报》 EI CAS CSCD 北大核心	2007	17	在线阅读下载PDF 职称材料
2	径向基函数神经网络快速算法及其应用	许敏胡丽丹	《统计与决策》 CSSCI 北大核心	2021	7	在线阅读下载PDF 职称材料
3	PSO-ε-SVM的回归算法	金晶王行愚罗先国王蓓	《华东理工大学学报（自然科学版）》 CAS CSCD 北大核心	2006	8	在线阅读下载PDF 职称材料
4	ε-支持向量回归机算法及其应用	冼广铭曾碧卿	《计算机工程与应用》 CSCD 北大核心	2008	9	在线阅读下载PDF 职称材料
5	一种具有迁移学习能力的RBF-NN算法及其应用	许敏史荧中葛洪伟黄能耿	《智能系统学报》 CSCD 北大核心	2018	2	在线阅读下载PDF 职称材料