文件名称:hidden-space
- 所属分类：
- 人工智能/神经网络/遗传算法
- 资源属性：
- [PDF]
- 上传时间：
- 2012-11-26
- 文件大小：
- 158kb
- 下载次数：
- 0次
- 提 供 者：
- l**
- 相关连接：
- 无
- 下载说明：
- 别用迅雷下载，失败请重下，重下不扣分！
介绍说明－－下载内容均来自于网络，请自行研究使用
最小二乘隐空间支持向量机
王玲 薄列峰 刘芳 焦李成
!
在隐空间中采用最小二乘损失函数$提出了 最 小 二 乘 隐 空 间 支 持 向 量 机#0*&**52H 8
同 隐 空 间 支 持 向
量机#&**52H 一样$最小二乘隐空间支持向量机不需 要 核 函 数 满 足 正 定 条 件$从 而 扩 展 了 支 持 向 量 机 核 函 数 的
选择范围
8
由于采用了最小二乘损失函数$最小二乘隐空间支持向量机产生的优 化 问 题 为 无 约 束 凸 二 次 规 划$这 比
隐空间支持向量机产生的约束凸二次规划更易求解
8
仿真实验结果表明所提算法在 计 算 时 间 和 推 广 能 力 上 较 隐 空
间支持向量机存在一定的优势
-In the hidden space, using the least square loss function space $ proposed least squares support vector machine hidden# 0* &** 52H 8
Space with the implicit support to the
The amount of machine# &** 52H $ as an implicit least squares support vector machines do not need space to meet definite conditions $ kernel function extends SVM kernel function
Range of options
8
As a result of an implicit least squares loss function space $ least squares support vector machine optimization problem arising from the unconstrained convex quadratic programming for the $ than
Hidden space support vector machines produce more constrained convex quadratic programming solver
8
Simulation results show that the proposed method in computation time and the ability to promote a more implicit empty
Between the support vector machine there is a certain advantage
王玲 薄列峰 刘芳 焦李成
!
在隐空间中采用最小二乘损失函数$提出了 最 小 二 乘 隐 空 间 支 持 向 量 机#0*&**52H 8
同 隐 空 间 支 持 向
量机#&**52H 一样$最小二乘隐空间支持向量机不需 要 核 函 数 满 足 正 定 条 件$从 而 扩 展 了 支 持 向 量 机 核 函 数 的
选择范围
8
由于采用了最小二乘损失函数$最小二乘隐空间支持向量机产生的优 化 问 题 为 无 约 束 凸 二 次 规 划$这 比
隐空间支持向量机产生的约束凸二次规划更易求解
8
仿真实验结果表明所提算法在 计 算 时 间 和 推 广 能 力 上 较 隐 空
间支持向量机存在一定的优势
-In the hidden space, using the least square loss function space $ proposed least squares support vector machine hidden# 0* &** 52H 8
Space with the implicit support to the
The amount of machine# &** 52H $ as an implicit least squares support vector machines do not need space to meet definite conditions $ kernel function extends SVM kernel function
Range of options
8
As a result of an implicit least squares loss function space $ least squares support vector machine optimization problem arising from the unconstrained convex quadratic programming for the $ than
Hidden space support vector machines produce more constrained convex quadratic programming solver
8
Simulation results show that the proposed method in computation time and the ability to promote a more implicit empty
Between the support vector machine there is a certain advantage
(系统自动生成,下载前可以参看下载内容)
下载文件列表
最小二乘隐空间支持向量机.PDF