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
1
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
支持向量机及其算法研究
被引量:
13
1
作者
杜晓东
李岐强
《信息技术与信息化》
2005年第3期37-40,共4页
本文首先概要介绍了支持向量机的理论背景,然后结合目前一些主要的SVM训练方法以及它们之间的联系,比较了各种算法的优缺点。重点阐述了其中最有代表性的序贯最小优化(SMO)算法及其多种改进方案。最后指出了SVM及其算法进一步研究和亟...
本文首先概要介绍了支持向量机的理论背景,然后结合目前一些主要的SVM训练方法以及它们之间的联系,比较了各种算法的优缺点。重点阐述了其中最有代表性的序贯最小优化(SMO)算法及其多种改进方案。最后指出了SVM及其算法进一步研究和亟待解决的一些问题。
展开更多
关键词
支持向量机
算法研究
序贯最小优化
训练方法
改进方案
SVM
优缺点
代表性
下载PDF
职称材料
题名
支持向量机及其算法研究
被引量:
13
1
作者
杜晓东
李岐强
机构
山东大学(南校区)控制学院模式识别与系统工程研究所
出处
《信息技术与信息化》
2005年第3期37-40,共4页
文摘
本文首先概要介绍了支持向量机的理论背景,然后结合目前一些主要的SVM训练方法以及它们之间的联系,比较了各种算法的优缺点。重点阐述了其中最有代表性的序贯最小优化(SMO)算法及其多种改进方案。最后指出了SVM及其算法进一步研究和亟待解决的一些问题。
关键词
支持向量机
算法研究
序贯最小优化
训练方法
改进方案
SVM
优缺点
代表性
Keywords
Support vector machine Statistical learning theory SMO
分类号
TP181 [自动化与计算机技术—控制理论与控制工程]
O121.5 [理学—基础数学]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
支持向量机及其算法研究
杜晓东
李岐强
《信息技术与信息化》
2005
13
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