期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种新的支持向量机树学习模型
1
作者
章品正
徐琴珍
+1 位作者
王征
舒华忠
《东南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2008年第2期335-339,共5页
针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每...
针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每个中间节点上需要不同的特征信息进行局部决策,分别对每个中间节点(包括根节点)上的样例进行有监督局部线性嵌入学习.实验以手写阿拉伯数字识别问题为例验证和分析了模型的结构和分类识别性能,与其他学习模型的对比结果表明,该模型能在有监督局部线性嵌入学习的基础上,以更精简的结构获得与其他学习模型可比的识别精确率.
展开更多
关键词
混淆交叉
支持向量机树
有监督局部线性嵌入
在线阅读
下载PDF
职称材料
基于对支持向量机的多类分类算法在入侵检测中的应用
被引量：
15
2
作者
聂盼盼
臧洌
刘雷雷
《计算机应用》
CSCD
北大核心
2013年第2期426-429,共4页
针对基于传统支持向量机(SVM)的多类分类算法在处理大规模数据时训练速度上存在的弱势,提出了一种基于对支持向量机(TWSVM)的多类分类算法。算法结合二叉树SVM(BT-SVM)多类分类思想,通过在二叉树节点处构造基于TWSVM的分类器来达到分类...
针对基于传统支持向量机(SVM)的多类分类算法在处理大规模数据时训练速度上存在的弱势,提出了一种基于对支持向量机(TWSVM)的多类分类算法。算法结合二叉树SVM(BT-SVM)多类分类思想,通过在二叉树节点处构造基于TWSVM的分类器来达到分类目的。为减少二叉树SVM的误差累积,算法分类前首先通过聚类算法得到各类的聚类中心,通过比较各聚类中心之间的距离来衡量样本的差异以决定二叉树节点处类别的分离顺序,最后将算法用于网络入侵检测。实验结果表明,所提算法不仅保持了较高的检测精度,在训练速度上还表现出一定优势,尤其在处理稍大规模数据时,这种优势更为明显,是传统二叉树SVM多类分类算法训练速度的近两倍,为入侵检测领域大规模数据处理提供了有效参考价值。
展开更多
关键词
对
支持
向量
机
多类分类
二又
树
支持
向量
机
入侵检测
在线阅读
下载PDF
职称材料
基于改进的混合学习模型的手写阿拉伯数字识别方法
被引量：
6
3
作者
徐琴珍
杨绿溪
《电子与信息学报》
EI
CSCD
北大核心
2010年第2期433-438,共6页
在特征空间维数较高的手写阿拉伯数字识别问题中,冗余的特征往往会意外增加学习模型刻画问题空间的复杂度,影响手写阿拉伯数字识别的效率和精确度。该文提出了一种基于边界对特征的敏感度值进行特征选择的支持向量机树混合学习模型,依...
在特征空间维数较高的手写阿拉伯数字识别问题中,冗余的特征往往会意外增加学习模型刻画问题空间的复杂度,影响手写阿拉伯数字识别的效率和精确度。该文提出了一种基于边界对特征的敏感度值进行特征选择的支持向量机树混合学习模型,依据当前中间节点上的分类曲面对子样本空间中的样例特征的敏感程度选择特征,在新构建的子样本集上训练子节点上的支持向量机。UCI机器学习数据库中手写阿拉伯数字识别问题的仿真结果表明,与其他算法相比,该文提出的方法能够在提高或保持手写阿拉伯数字高识别精确率的同时,精简问题空间,从而简化混合学习模型的中间节点和整体结构。
展开更多
关键词
手写阿拉伯数字识别
支持向量机树
边界对特征的敏感度
在线阅读
下载PDF
职称材料
题名
一种新的支持向量机树学习模型
1
作者
章品正
徐琴珍
王征
舒华忠
机构
东南大学计算机科学与工程学院
东南大学信息科学与工程学院
出处
《东南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2008年第2期335-339,共5页
基金
国家自然科学基金资助项目(60702029).
文摘
针对特征空间维数较高时,混淆交叉支持向量机树中间节点的学习结果可能包含冗余特征信息的情况,考虑各维特征之间的相互关系以及各数据点之间的相互关系对数据的分类影响,提出一种基于有监督局部线性嵌入的支持向量机树学习模型.考虑每个中间节点上需要不同的特征信息进行局部决策,分别对每个中间节点(包括根节点)上的样例进行有监督局部线性嵌入学习.实验以手写阿拉伯数字识别问题为例验证和分析了模型的结构和分类识别性能,与其他学习模型的对比结果表明,该模型能在有监督局部线性嵌入学习的基础上,以更精简的结构获得与其他学习模型可比的识别精确率.
关键词
混淆交叉
支持向量机树
有监督局部线性嵌入
Keywords
confusion cross
support vector machine tree
supervised locally linear embedding
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
基于对支持向量机的多类分类算法在入侵检测中的应用
被引量：
15
2
作者
聂盼盼
臧洌
刘雷雷
机构
南京航空航天大学计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2013年第2期426-429,共4页
文摘
针对基于传统支持向量机(SVM)的多类分类算法在处理大规模数据时训练速度上存在的弱势,提出了一种基于对支持向量机(TWSVM)的多类分类算法。算法结合二叉树SVM(BT-SVM)多类分类思想,通过在二叉树节点处构造基于TWSVM的分类器来达到分类目的。为减少二叉树SVM的误差累积,算法分类前首先通过聚类算法得到各类的聚类中心,通过比较各聚类中心之间的距离来衡量样本的差异以决定二叉树节点处类别的分离顺序,最后将算法用于网络入侵检测。实验结果表明,所提算法不仅保持了较高的检测精度,在训练速度上还表现出一定优势,尤其在处理稍大规模数据时,这种优势更为明显,是传统二叉树SVM多类分类算法训练速度的近两倍,为入侵检测领域大规模数据处理提供了有效参考价值。
关键词
对
支持
向量
机
多类分类
二又
树
支持
向量
机
入侵检测
Keywords
Twin Support Vector Machine （TWSVM）
multi-class classification
Binary Tree Support Vector Machine （BT-SVM）
intrusion detection
分类号
TP393.08 [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
基于改进的混合学习模型的手写阿拉伯数字识别方法
被引量：
6
3
作者
徐琴珍
杨绿溪
机构
东南大学信息科学与工程学院
出处
《电子与信息学报》
EI
CSCD
北大核心
2010年第2期433-438,共6页
基金
国家自然科学基金(60702029)
东南大学人才引进科研启动费(4004001041)资助课题
文摘
在特征空间维数较高的手写阿拉伯数字识别问题中,冗余的特征往往会意外增加学习模型刻画问题空间的复杂度,影响手写阿拉伯数字识别的效率和精确度。该文提出了一种基于边界对特征的敏感度值进行特征选择的支持向量机树混合学习模型,依据当前中间节点上的分类曲面对子样本空间中的样例特征的敏感程度选择特征,在新构建的子样本集上训练子节点上的支持向量机。UCI机器学习数据库中手写阿拉伯数字识别问题的仿真结果表明,与其他算法相比,该文提出的方法能够在提高或保持手写阿拉伯数字高识别精确率的同时,精简问题空间,从而简化混合学习模型的中间节点和整体结构。
关键词
手写阿拉伯数字识别
支持向量机树
边界对特征的敏感度
Keywords
Handwritten digits recognition
Support vector machine tree
Sensitivity of the margin to a feature
分类号
TP391.43 [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
一种新的支持向量机树学习模型
章品正
徐琴珍
王征
舒华忠
《东南大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2008
0
在线阅读
下载PDF
职称材料
2
基于对支持向量机的多类分类算法在入侵检测中的应用
聂盼盼
臧洌
刘雷雷
《计算机应用》
CSCD
北大核心
2013
15
在线阅读
下载PDF
职称材料
3
基于改进的混合学习模型的手写阿拉伯数字识别方法
徐琴珍
杨绿溪
《电子与信息学报》
EI
CSCD
北大核心
2010
6
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
