期刊导航
期刊开放获取
河南省图书馆
退出
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
2
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
支持向量机的基本理论和研究进展
被引量:
36
1
作者
林香亮
袁瑞
+2 位作者
孙玉秋
王超
陈长胜
《长江大学学报(自然科学版)》
CAS
2018年第17期48-53,共6页
作为一种新的机器学习方法,依据结构风险最小原理,支持向量机表现出独特的泛化和推广能力,已逐渐成为国内外机器学习研究的热点之一。简要回顾了传统支持向量机的发展历史与基本理论,介绍了支持向量机的改进算法,系统总结了支持向量机...
作为一种新的机器学习方法,依据结构风险最小原理,支持向量机表现出独特的泛化和推广能力,已逐渐成为国内外机器学习研究的热点之一。简要回顾了传统支持向量机的发展历史与基本理论,介绍了支持向量机的改进算法,系统总结了支持向量机在分类与回归问题中的具体应用实例及其优势。经过近30年的发展,出现了诸多改进的支持向量机算法,支持向量机的理论逐渐完善,其应用也得以深入各个研究领域,在解决小样本数据的分类与回归问题具有良好的应用优势,在智能故障诊断、图像处理、石油探勘与开发、说话人识别、水质检测与评价、金融预测、气象预测等方面获得了良好的应用效果。
展开更多
关键词
支持向量机
分类
回归
应用
研究进展
下载PDF
职称材料
基于PCA-SVM的砂砾岩岩性识别
被引量:
5
2
作者
林香亮
朱建伟
+5 位作者
刘光寿
李世豪
陈雪娇
丁旭艳
袁瑞
王德鹏
《长江大学学报(自然科学版)》
CAS
2020年第1期21-26,I0002,I0003,共8页
利用测井资料识别岩性实质是建立非线性数据模型的过程。表征复杂岩性的测井曲线相似度较高,对岩性识别存在一定的干扰,为此提出一种基于主成分分析(PCA)和支持向量机(SVM)的砂砾岩岩性识别预测模型:通过主成分分析对预处理后的测井数...
利用测井资料识别岩性实质是建立非线性数据模型的过程。表征复杂岩性的测井曲线相似度较高,对岩性识别存在一定的干扰,为此提出一种基于主成分分析(PCA)和支持向量机(SVM)的砂砾岩岩性识别预测模型:通过主成分分析对预处理后的测井数据进行主成分提取,利用提取的主成分建立支持向量机岩性识别预测模型。将测试样本数据输入模型中进行自动分类,最终该方法的岩性识别正确率达到87.07%。应用结果表明,将主成分分析与支持向量机相结合,在降低数据维度的同时,提高了岩性识别准确率,是一种实用且有效的识别复杂岩性的方法,具有一定的推广和应用价值。
展开更多
关键词
砂砾岩
岩性识别
主成分分析(PCA)
支持向量机(SVM)
下载PDF
职称材料
题名
支持向量机的基本理论和研究进展
被引量:
36
1
作者
林香亮
袁瑞
孙玉秋
王超
陈长胜
机构
长江大学信息与数学学院
出处
《长江大学学报(自然科学版)》
CAS
2018年第17期48-53,共6页
基金
湖北省教育厅科学技术研究项目(Q20181310)
油气资源与勘探技术教育部重点实验室(长江大学)开放基金项目
文摘
作为一种新的机器学习方法,依据结构风险最小原理,支持向量机表现出独特的泛化和推广能力,已逐渐成为国内外机器学习研究的热点之一。简要回顾了传统支持向量机的发展历史与基本理论,介绍了支持向量机的改进算法,系统总结了支持向量机在分类与回归问题中的具体应用实例及其优势。经过近30年的发展,出现了诸多改进的支持向量机算法,支持向量机的理论逐渐完善,其应用也得以深入各个研究领域,在解决小样本数据的分类与回归问题具有良好的应用优势,在智能故障诊断、图像处理、石油探勘与开发、说话人识别、水质检测与评价、金融预测、气象预测等方面获得了良好的应用效果。
关键词
支持向量机
分类
回归
应用
研究进展
Keywords
support vector machine
classification
regression
application
research advancement
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
基于PCA-SVM的砂砾岩岩性识别
被引量:
5
2
作者
林香亮
朱建伟
刘光寿
李世豪
陈雪娇
丁旭艳
袁瑞
王德鹏
机构
长江大学信息与数学学院
中国石油集团测井有限公司吐哈分公司
出处
《长江大学学报(自然科学版)》
CAS
2020年第1期21-26,I0002,I0003,共8页
基金
湖北教育厅科学研究计划项目“基于数字图像处理的沉积物粒度定量计算”(Q20181310)
湖北省自然科学基金项目“过套管电阻率测井资料预处理方法研究及其软件开发”(2019CFB343)
长江大学大学生创新创业训练计划项目“过套管电阻率测井异常值检验及其软件开发”(2018152)。
文摘
利用测井资料识别岩性实质是建立非线性数据模型的过程。表征复杂岩性的测井曲线相似度较高,对岩性识别存在一定的干扰,为此提出一种基于主成分分析(PCA)和支持向量机(SVM)的砂砾岩岩性识别预测模型:通过主成分分析对预处理后的测井数据进行主成分提取,利用提取的主成分建立支持向量机岩性识别预测模型。将测试样本数据输入模型中进行自动分类,最终该方法的岩性识别正确率达到87.07%。应用结果表明,将主成分分析与支持向量机相结合,在降低数据维度的同时,提高了岩性识别准确率,是一种实用且有效的识别复杂岩性的方法,具有一定的推广和应用价值。
关键词
砂砾岩
岩性识别
主成分分析(PCA)
支持向量机(SVM)
Keywords
glutenite
lithologic identification
data processing
principal component analysis
support vector machine(SVM)
分类号
P618.13 [天文地球—矿床学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
支持向量机的基本理论和研究进展
林香亮
袁瑞
孙玉秋
王超
陈长胜
《长江大学学报(自然科学版)》
CAS
2018
36
下载PDF
职称材料
2
基于PCA-SVM的砂砾岩岩性识别
林香亮
朱建伟
刘光寿
李世豪
陈雪娇
丁旭艳
袁瑞
王德鹏
《长江大学学报(自然科学版)》
CAS
2020
5
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