您的位置: 专家智库 > >

常群

作品数:3 被引量:27H指数:2
供职机构:哈尔滨工业大学计算机科学与技术学院更多>>
发文基金:国家自然科学基金更多>>
相关领域:自动化与计算机技术更多>>

文献类型

  • 2篇期刊文章
  • 1篇学位论文

领域

  • 3篇自动化与计算...

主题

  • 3篇支持向量
  • 3篇支持向量机
  • 3篇向量
  • 3篇向量机
  • 2篇高斯
  • 2篇高斯核
  • 1篇遗传算法
  • 1篇支持向量分类
  • 1篇误差界
  • 1篇基于遗传算法
  • 1篇核方法

机构

  • 3篇哈尔滨工业大...

作者

  • 3篇常群
  • 2篇王晓龙
  • 2篇林沂蒙
  • 1篇王熙照
  • 1篇陈清才

传媒

  • 1篇计算机研究与...
  • 1篇电子学报

年份

  • 3篇2007
3 条 记 录,以下是 1-3
排序方式:
通过全局核降低高斯核的局部风险与基于遗传算法的两阶段模型选择被引量:2
2007年
支持向量分类时,由于样本分布的不均匀性,单宽度的高斯核会在空间的稠密区域产生过学习现象,在稀疏区域产生欠学习现象,即存在局部风险.针对于此,构造了一个全局性次核来降低高斯核产生的局部风险.形成的混合核称为主次核.利用幂级数构造性地给出并证明了主次核的正定性条件,进一步提出了基于遗传算法的两阶段模型选择算法来优化主次核的参数.实验验证了主次核和模型选择算法的优越性.
常群王晓龙林沂蒙Daniel S.Yeung陈清才
关键词:支持向量机高斯核
支持向量机的核方法及其模型选择
支持向量机是20世纪90年代发展起来的学习机器模型,通过控制学习机器的容量和经验误差,构造对未来数据的预测规则。支持向量机已被广泛的应用于机器学习的多个领域,在模式识别、分类、函数逼近、聚类等领域都有高性能的表现。  一...
常群
关键词:支持向量机核方法
支持向量分类和多宽度高斯核被引量:14
2007年
支持向量分类中,高斯核不区分样本中各个特征的重要性,显然各个特征对分类的贡献一般是不相同的.为了体现这种差别从而提高支持向量机的泛化性能,文中提出了多宽度高斯核的概念.多宽度高斯核增加了支持向量机的超级参数,进一步地,文中提出了多参数模型选择算法.算法利用误差界自动实现模型选择.通过实验验证了多宽度高斯核和多参数模型选择算法的有效性.
常群王晓龙林沂蒙王熙照Daniel S.Yeung
关键词:支持向量机误差界
共1页<1>
聚类工具0