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

各种不同类型的支持向量机及其性能比较分析 被引量：8

Various Support Vector Machine and the Comparison of Their Performance
下载PDF
导出
摘要 支持向量机(SVM)是由Vapnik等人提出的解决分类、线性回归问题的可行方法。在模式识别等问题中有广泛的应用,并在应用中衍生出了多种不同的形式。文章从统计学习理论入手,在讲述SVM一般原理的基础上,分析比较不同种的支持向量机的性能。由于分析从两个角度进行,所提出的方法能够涵盖,并区分绝大多数现有SVM。 Support Vector Machine proposed by Vapnik is a good method to solve classification and Linear Regress.It is widely used in Pattern Recognition.Some different kinds SVMs were developed during the application.Studying from the statistical theory,based on the general principle of SVMs,this paper analyzes and compares the capability of the different kinds of SVMs.Since the analysis is from two viewpoints,it can cover and distinguish most of the existing SVMs.
作者 胡懋智 古红英
机构地区 浙江大学人工智能研究所
出处 《计算机工程与应用》 CSCD 北大核心 2005年第12期37-40,共4页 Computer Engineering and Applications
基金 国家自然科学基金(编号:60272031) 浙江省自然科学基金(编号:601110)资助
关键词 支持向量机 超平面 核函数 机器学习 Support Vector Machine,hyperplane,kernel function,machine learning
分类号 TP301 [自动化与计算机技术—计算机系统结构]
  • 相关文献

参考文献11

  • 1Vpanik statistical learning method[M].New York;Wiley,1998.
  • 2Vapnik著 张学工译.统计学习理论本质[M].清华大学出版社,2000-09..
  • 3Boser B E ,Guyon IM ,Vapnik. A Training Algorthm for Optimal Margin Classifiers[M].ACM Press, 1992:144～152.
  • 4Osuna E,Freund R,Girosi F.An Improved Training Algorithm for Support Vector Machines[M].New York, 1997:276～285.
  • 5Platt J.Fast training of support vector machines using sequential minimal optimization[C].In:Scholkopf B,Burges C,Smola A eds.
  • 6Keerthi S,Gilbert E.Convergence of a generalized SMO algorithm for SVM classifier design[J].Machine Learning, 2002 ;46(1/3).
  • 7Jian-xiong Dong,Adam Krzy zak,Ching Y Suen.A fast learning machine[M].
  • 8邱熔胜,董云杰.SVM QP问题分解算法的研究进展[J].模式识别与人工智能,2003,16(1):63-69. 被引量：2
  • 9杨静宇,魏兴国,孙怀江.一种快速SVM学习算法[J].南京理工大学学报,2003,27(5):530-535. 被引量：6
  • 10李建民,张钹,林福宗.序贯最小优化的改进算法[J].软件学报,2003,14(5):918-924. 被引量：30

二级参考文献43

  • 1Burges C.Atutorial on suovort vector machines for pattern recognition.Data Mining and Knowledge Discovery,1998,2(2):1-43.
  • 2Collobert R,Bengio S.SVMTorch:A support vector machine for large-scale regression and classification problems.Journal of Machine Learning Research,2001,1:143-160.
  • 3Platt J.Fast training of support vector machines using sequential minimal optimization.In:Schoelkopf B,Burges C,Smola A,eds.Advances in Kernel Methods-Suppog Vector Learning.Cambridge,MA:MIT Press,1999.185～208.
  • 4Joaehims T.Making large-scale support vector machine learning practical.In:Schoelkopf B,Burges C,Smola A,eds.Advances in Kernel Methods- Support Vector Learning.Cambridge,MA:MIT Press,1999.169～184.
  • 5Platt J.Using analytic QP and sparseness to speed training of support vector machines.In:Kearns M,Solla S,Cohn D,eds. Advances in Neural Information Processing Systems 11.Cambridge,MA:MIT Press,1999.557～563.
  • 6Flake G,Lawrence S.Efficient SVM regression training with SMO.Machine Learning,2002,46(1／3):271～290.
  • 7Keerthi S,Shevade S,Bhattcharyya C,Murthy K.Improvements to Platt’s SMO algorithm for SVM classifier design.Neural Computation,2001,13(3):637-649.
  • 8Keerthi S,Gilbert E.Convergence of a generalized SMO algorithm for SVM classifier design.Machine Learning,2002,46(1／3):351-360.
  • 9Lin CJ.On the convergence of the decomposition method for support vector machines.IEEE Transactions on Neural Networks,2001,12(6):1288-1298.
  • 10Perez-Cruz F; Navia-Vazquez A, Figueiras-Vidal A R, et al. Empirical risk minimization for support vector classifiers[J]. IEEE Transactions on Neural Networks, 2003, 14(2): 296--303.

共引文献35

同被引文献56

引证文献8

二级引证文献23

计算机工程与应用
2005年 第12期

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部