您的位置: 专家智库 > >

国家自然科学基金(60975035)

作品数:9 被引量:57H指数:5
相关作者:王文剑张瑞郭虎升任镤白雪飞更多>>
相关机构:山西大学山东理工大学教育部更多>>
发文基金:国家自然科学基金国家教育部博士点基金山西省自然科学基金更多>>
相关领域:自动化与计算机技术更多>>

文献类型

  • 5篇中文期刊文章

领域

  • 5篇自动化与计算...

主题

  • 4篇支持向量
  • 4篇向量
  • 3篇支持向量机
  • 3篇向量机
  • 2篇核函数
  • 1篇大学堂
  • 1篇动态粒度
  • 1篇多项式
  • 1篇信息粒
  • 1篇虚拟漫游
  • 1篇虚拟现实
  • 1篇虚拟现实技术
  • 1篇学堂
  • 1篇正交多项式
  • 1篇支持向量回归
  • 1篇支持向量回归...
  • 1篇置信度
  • 1篇三维重建
  • 1篇山西大学堂
  • 1篇主动学习策略

机构

  • 5篇山西大学
  • 2篇山东理工大学
  • 1篇教育部

作者

  • 5篇王文剑
  • 2篇郭虎升
  • 2篇张瑞
  • 1篇白龙飞
  • 1篇白雪飞
  • 1篇任镤
  • 1篇张亚丹
  • 1篇王玉娇
  • 1篇王嘉琦
  • 1篇孙芳玲

传媒

  • 1篇南京大学学报...
  • 1篇软件学报
  • 1篇计算机工程与...
  • 1篇计算机仿真
  • 1篇计算机科学

年份

  • 1篇2013
  • 4篇2012
9 条 记 录,以下是 1-5
排序方式:
一类新的基于拉盖尔正交多项式的核函数被引量:4
2012年
基于拉盖尔正交多项式,提出了广义的拉盖尔多项式,由此建立了一类新的核函数—拉盖尔核函数。在双螺旋集和标准UCI数据集上的实验表明,该核函数比常用的核函数(多项式核、高斯径向基核等)具有更强的鲁棒性与更好的泛化性能,而且该核函数的参数仅在自然数中取值,能大大缩短参数优化时间。
张瑞王文剑王嘉琦王玉娇
关键词:支持向量机核函数
基于虚拟现实技术的山西大学堂建筑复原被引量:11
2012年
山西大学堂是山西大学的前身,成立于1902年,与京师大学堂(北京大学)、北洋大学堂(天津大学)同为我国近代最早成立的三所公立大学。然而几经变迁,山西大学堂旧址已经不复存在,这不仅是山西大学,而且也是我国近代高等教育历史的一种遗憾。以已经消失的山西大学堂建筑群为研究对象,基于虚拟现实领域相关技术,对山西大学堂三维复原和漫游的实现过程及关键技术开展研究。在此基础上,三维重现了山西大学堂中西式校门、工科大楼、大礼堂、图书馆、学生宿舍等主要建筑,同时实现了山西大学堂校园的虚拟漫游、立体展示等功能。
任镤王文剑白雪飞
关键词:山西大学堂三维重建虚拟漫游虚拟现实
一种新的支持向量机主动学习策略被引量:11
2012年
本文提出一种新的支持向量机(support vector machine,SVM)主动学习策略,称为Dix_SVMactive.通过定义新的数据置信度度量来挑选最有价值样本进行人工标注,并在每次迭代中对训练集的平衡度进行调整,以获得更好的泛化能力.在UCI标准数据集上的测试结果表明,与基于随机选样的SVMactive和传统SVMactive(Tong SVMactive)方法相比,本文算法不仅可以提高分类精度,而且能减少人工标注的工作量.
白龙飞王文剑郭虎升
关键词:支持向量机置信度
基于支持向量机分类问题的勒让德核函数被引量:8
2012年
基于勒让德正交多项式,提出了一类新的核函数——勒让德核函数。在双螺旋集和标准UCI数据集上的实验表明,在鲁棒性与泛化性能方面,该核函数比常用的核函数(多项式核、高斯径向基核等)具有更好的表现,而且其参数仅在自然数中取值,能大大缩短参数优化时间。
张瑞王文剑张亚丹孙芳玲
关键词:支持向量机核函数
动态粒度支持向量回归机被引量:17
2013年
粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI上的回归数据集上的实验结果表明,DGSVR方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.
郭虎升王文剑
关键词:支持向量回归信息粒
共1页<1>
聚类工具0