支持张量机算法优化研究综述

随着大数据时代的发展,张量数据被广泛应用于各个领域,支持张量机算法作为张量数据分类最有效的方法之一,成为了研究者广泛讨论的课题。本文简单介绍了支持张量机模型对张量数据处理的优势,并详细介绍了如何从减少储存空间、缩短分类时间、提高模型精度和扩展模型性能等方面对支持张量机模型进行优化,同时介绍了支持张量机在现实领域中的应用,最后从支持张量机算法优化方面提出了展望。

基于马尔科夫模型的渠江流域降水量预测研究

降水量预测因其因素的多样性,在预测研究时往往不能得到精确结果,将数据采用平滑处理以消除异常值,通过分级标准确定年降水量状态,将计算所得的相关系数作为权重,用改进后的滑动平均—马尔科夫模型,根据计算出状态转移概率矩阵作为衡量指标,最后以渠江1980—2010年的降水资料为实例。具体地应用了该方法,使预测结果更准确,为预测渠江流域降水量提供了一种较为可行的方法。

朴素支持张量机的算法研究综述

大部分数据的自然表示形式是向量、矩阵或者更高维的数据,支持向量机可以较好地处理向量形式的数据,但是对于高维数据,传统的机器学习算法在将多维数据转化成向量形式时会损失大量的结构信息。因此,研究者提出朴素支持张量机这一类分类器,将多维数据输入进行训练,利用SMO算法求解。其中利用CP分解、Tucker分解或者张量核函数等来获取数据的结构信息,这样不但能够获取数据的大部分信息,还可以节省时间成本,减少计算量,又可以求得凸优化函数的全局最优解。本文对这一类分类器的一个算法研究综述,同时指出了算法的优缺点和未来发展的方向。

基于主动学习的深度医学图像分析算法综述

深度学习技术在医学图像分析领域发展得非常好,但医学图像注释成本高,使得深度学习技术在医学图像分析领域受到阻碍。主动学习算法是目前解决注释成本高的一个研究热点。文章介绍了在医学图像分析领域中采用主动深度学习降低注释成本的技术手段和方法,以便相关人员了解目前的研究进展。最后对主动学习方法仍存在的问题和发展趋势进行了总结和展望。