超平面
- 基于SVM 的遷移學(xué)習(xí)方法在互聯(lián)網(wǎng)金融網(wǎng)頁分類中的應(yīng)用*
的參數(shù)控制模型超平面的位置，以緩解正負(fù)樣本不平衡對分類準(zhǔn)確率的影響。文獻(xiàn)[6]提出基于主動學(xué)習(xí)的半監(jiān)督支持向量機(jī)學(xué)習(xí)算法，以少量的有標(biāo)記數(shù)據(jù)來訓(xùn)練初始學(xué)習(xí)器，通過主動學(xué)習(xí)策略來選擇最佳訓(xùn)練樣本，并通過刪除非支持向量來降低學(xué)習(xí)代價，獲得較好的學(xué)習(xí)效果。文獻(xiàn)[7]提出了一種基于遷移學(xué)習(xí)與權(quán)重支持向量機(jī)的圖像自動標(biāo)注方法，解決了所選數(shù)據(jù)集規(guī)模較小，無法訓(xùn)練出最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)的問題。文獻(xiàn)[8]基于遷移學(xué)習(xí)算法對SVM 模型進(jìn)行優(yōu)化（Transferlearnin
通信技術(shù) 2023年7期2023-09-12
- D 型Fock 空間與量子對稱對
,k是以下仿射超平面的反射并且所有這樣的反射生成了仿射Weyl 群Waff.對于兩個權(quán) λ,μ∈X+，如果存在w∈Waff使得λ=w·μ，那么稱它們是相連接的.需要注意的是，這里不是仿射外爾群的“點(diǎn)”作用，因?yàn)橛笑?平移.由文獻(xiàn)[8]的定理4.3，如果Dq(λ)和Dq(μ)在同一個塊，那么λ和μ是相連接的.下面由LANINI 等[1]給出的同構(gòu)將 F(DN)和[Uqmod]聯(lián)系起來.命題3F(DN) 和[Uq-mod]之間有一個 Q(v)向量空間同構(gòu)，通過
北京理工大學(xué)學(xué)報(bào) 2023年8期2023-08-21
- 亞純映射分擔(dān)移動目標(biāo)的唯一性定理
純映射分擔(dān)移動超平面的唯一性問題要追溯到20年前的文[1-2],接著許多學(xué)者也研究這一方向,文章主要集中在文[3-19]。這些年來,關(guān)于亞純映射分擔(dān)超平面和移動超平面的唯一性問題受到了許多學(xué)者的關(guān)注。關(guān)于這方面最讓人感興趣的研究方向有2個:一個是超平面(移動超平面)的最佳個數(shù)是多少?2009年,Chen-Yan[4]得到目前最佳超平面個數(shù)q=2n+3。2005年Thai-Quang[5]證明了在亞純映射為線性非退化的條件下移動超平面的個數(shù)q=2n2+4n(
南昌大學(xué)學(xué)報(bào)（理科版） 2023年2期2023-06-07
- 一種改進(jìn)的魯棒模糊孿生支持向量機(jī)算法
構(gòu)建兩個非平行超平面?；贕EPSVM算法的思想，文獻(xiàn)[3]提出了孿生支持向量機(jī)算法（TWSVM），在運(yùn)行速度上，TWSVM算法比SVM算法大約快4倍。但是，GEPSVM算法和TWSVM算法都沒有考慮不同輸入樣本點(diǎn)對最優(yōu)超平面的影響，為此，文獻(xiàn)[4]提出了模糊支持向量機(jī)算法（fuzzy support vector machine，F(xiàn)SVM），文獻(xiàn)[5]將TWSVM算法和FSVM算法結(jié)合，提出了模糊孿生支持向量機(jī)算法（fuzzy twin support
計(jì)算機(jī)工程與應(yīng)用 2023年1期2023-01-13
- 一類偽單調(diào)變分不等式的雙投影算法
迭代點(diǎn)和解集的超平面,通過向該超平面與約束集的交上投影得到收斂到解的無窮迭代序列.2006年,He[8]利用F(zk)和rμ(xk)構(gòu)造了一種新的超平面,進(jìn)而提出了一種求解偽單調(diào)變分不等式的的雙投影算法,該算法具有較好的數(shù)值計(jì)算結(jié)果.隨后許多學(xué)者通過構(gòu)造不同的超平面提出了不同的雙投影算法[9-11].受此啟發(fā),本文利用F(zk)、F(xk)和rμ(xk)給出一類與以往不同的新的超平面,它能嚴(yán)格分離當(dāng)前迭代點(diǎn)和解集,從而建立了一種新的雙投影算法.在映射F連續(xù)
- 涉及導(dǎo)曲線與分擔(dān)超平面的正規(guī)定則
，當(dāng)t=3，即超平面處于一般位置時，只須要求 2t+2=8個超平面即可。2 定義與符號先介紹 PN(C)相關(guān)的定義與符號[5]。PN(C)=CN+1{0}/～是N維復(fù)射影空間。對任意x=(x0,x1,···,xN),y=(y0,y1,···,yN)，x,y∈CN+1{0},x～y當(dāng) 且僅當(dāng)存在某個 λ ∈C， 使得(x0,x1,···,xN)=λ(y0,y1,···,yN)。 (x0,x1,···,xN) 的等價類記作[x]=[x0:x1:···:xN]，
上海理工大學(xué)學(xué)報(bào) 2022年5期2022-11-24
- 基于分解和超平面擬合的進(jìn)化超多目標(biāo)優(yōu)化降維算法
文設(shè)計(jì)了一種用超平面擬合的算法，提出了算法LHA和NLHA[15]。該方法利用多目標(biāo)進(jìn)化優(yōu)化算法求得PF的一組近似解，再用一個超平面去擬合這組近似解，從而判斷出哪些目標(biāo)是冗余的。該方法簡單、高效，不僅可以處理冗余目標(biāo)與單個目標(biāo)正相關(guān)，還能處理冗余目標(biāo)與多個目標(biāo)線性組合正相關(guān)的目標(biāo)降維問題。遺憾的是，LHA在處理PF為非線性的降維問題時易出錯，這點(diǎn)在LHA處理測試問題集MAOP(I, m)中有反映出來；而NLHA是通過一種目標(biāo)的冪變換，來使非線性的PF映射到
電子與信息學(xué)報(bào) 2022年9期2022-09-22
- 交互偏移支持矩陣機(jī)及其在滾動軸承故障診斷中的應(yīng)用
，構(gòu)造兩個平行超平面來分割不同類型樣本。當(dāng)原始數(shù)據(jù)線性不可分時，如異或（Exclusive OR，XOR）問題，SVM 很難找到一對線性超平面對數(shù)據(jù)樣本進(jìn)行有效分割。針對該類問題，Li 等［4］提出多目標(biāo)近似支持向量機(jī)（Multi-task Proximal Support Vector Machine，MPSVM），其通過求解兩個廣義特征值問題，構(gòu)造出兩個非平行的分類面對不同數(shù)據(jù)進(jìn)行分割，能夠較好應(yīng)對異或問題；Chen 等［5］以經(jīng)驗(yàn)風(fēng)險最小化作為基本框
振動工程學(xué)報(bào) 2022年3期2022-07-26
- 一種改進(jìn)的多分類孿生支持向量機(jī)
生一對非平行的超平面，分別對應(yīng)于兩類相應(yīng)的樣本，使得某一類樣本盡可能距離相對應(yīng)的超平面近，同時盡可能遠(yuǎn)離另一類的超平面。理論上TWSVM每次求解一個QPP問題的規(guī)模是傳統(tǒng)SVM問題的一半，所以TWSVM求解問題的速度是SVM的四倍[4]。為了提高TWSVM的性能，國內(nèi)外眾多學(xué)者對其進(jìn)行改進(jìn)，進(jìn)而提出了不少改進(jìn)算法。例如，投影孿生支持向量機(jī)(Projection TWSVM)[5]和基于Chen-Harker-Kanzow-Smale(CHKS)函數(shù)的光滑孿
計(jì)算機(jī)應(yīng)用與軟件 2022年4期2022-06-24
- 一維線性化可壓縮Navier-Stokes方程組的近似能控性
P(D)的特征超平面一定與Ω1相交.(14)(15)對式(15)中x求導(dǎo), 得(16)由式(14)～(16), 得即(17)把式(10)代入式(17), 得(18)定義算子(19)引理2P(D)的特征超平面是t=C1和t+x/V0=C2, 其中C1和C2都是常數(shù).證明: 假設(shè)Π={(x,t):ξx+ηt=C}是P(D)具有法向量(ξ,η)≠(0,0)的特征超平面.根據(jù)定義1, 可知因此ξ=0或η=V0ξ.從而特征超平面Π的法向量是(0,1)和(1/V0,1
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2022年2期2022-05-30
- 基于決策邊界的傾斜森林分類算法
算法把傾斜分裂超平面這一概念引入隨機(jī)森林的分裂準(zhǔn)則中。通過賦予各個類自適應(yīng)權(quán)重，提高OFDB算法不平衡數(shù)據(jù)分類能力。為使算法可以解決多類分類問題，本文在單個結(jié)點(diǎn)分裂過程中采用“一對多”的策略。實(shí)驗(yàn)結(jié)果表明，OFDB算法分類準(zhǔn)確率相比于的隨機(jī)森林算法有較大提升，并且OFDB算法在處理不平衡數(shù)據(jù)集方面，比隨機(jī)森林算法有更好的表現(xiàn)。1 隨機(jī)森林與決策邊界隨機(jī)森林是由決策樹組成的組合分類器，由裝袋、決策樹構(gòu)建、袋外估計(jì)組成。對于給定的n個元組m個屬性的分類數(shù)據(jù)集(
計(jì)算機(jī)工程與設(shè)計(jì) 2022年2期2022-03-01
- 基于非線性核的SVM模型可視化策略
在可視化上刻畫超平面,導(dǎo)致可視化后的SVM模型仍然難以被直觀理解。(2) 基于數(shù)據(jù)與超平面關(guān)系的可視化方法。Caragea等[5]借助tours工具對多維數(shù)據(jù)進(jìn)行低維線性投影,并通過網(wǎng)格采樣點(diǎn)來夾逼不同類之間的邊界。Hamel[6]采用自組織映射將多維數(shù)據(jù)投射到二維空間,并在支持向量之間適當(dāng)模擬一個判別超平面。Ma等[7]將模型分為線性核和非線性核,對于線性核,通過包圍盒采樣線性超平面上的點(diǎn),然后平行投影到二維空間,利用這些點(diǎn)的密集分布刻畫超平面；而對于非
計(jì)算機(jī)應(yīng)用與軟件 2022年2期2022-02-19
- 全純曲線正規(guī)族分擔(dān)超平面
處于一般位置的超平面，使得f(C)?Hj,g(C)?Hj，f(z)和g(z)分擔(dān)Hj，1 ≤j≤q。如果q≥2N+3，則f=g。這里的“分擔(dān)”意味著不僅f(z)∈Hjg(z)∈Hj，而且要求在Yang等[4]考慮了全純曲線正規(guī)族理論的相應(yīng)結(jié)果，得到定理2。定理2F 是從D?C 到 PN(C)的全純曲線族，Hj是q≥2N+1個在 PN(C)上處于一般位置的超平面，1 ≤j≤q。假定對于任意的f,g∈F,f(z)∈Hj?g(z)∈Hj，z∈D， 1 ≤j≤q，
上海理工大學(xué)學(xué)報(bào) 2021年6期2021-12-29
- 有限維Banach空間中完備集的構(gòu)造
一對平行的支撐超平面之間的歐氏距離均等于該集合的直徑，則稱該凸集為等寬集.顯然，Rn中的球都是等寬集.此外，Rn中還有許多異于球的等寬集，關(guān)于Rn中等寬集的相關(guān)問題和結(jié)論詳見文獻(xiàn)[1-3].Rn中等寬集的概念可以通過不同的方式推廣到一般的Banach空間中，其中常見的Banach空間中常寬集的定義方法如下[4]：設(shè)X*是Banach空間X的共軛空間，M是X中的一個有界閉凸集，集合δ(M)={‖x-y‖:x,y∈M}表示M的直徑.若對任意的單位泛函f∈X*，
- 基于SVM 的新聞文本分類研究
的平面稱為最優(yōu)超平面，當(dāng)數(shù)據(jù)是線性可分離時，最優(yōu)超平面距離兩類點(diǎn)的邊距最大；當(dāng)數(shù)據(jù)不是線性可分離時，利用損失函數(shù)對越過超平面的點(diǎn)進(jìn)行懲罰或使用核變換，將非線性可分的數(shù)據(jù)轉(zhuǎn)化到高維度以便找到線性判定邊界。SVM 嘗試尋找一個最優(yōu)的超平面使得兩類樣本到這個平面的距離最大。樣本中距離超平面最近的一些點(diǎn)，決定超平面的選取，將這些點(diǎn)稱為支持向量。任意超平面可以用下面的線性方程描述：所有支持向量到超平面的距離可以寫為兩類支持向量到超平面的距離之和為由于原式中有不等式約
魅力中國 2021年44期2021-11-15
- 基于改進(jìn)模糊C回歸聚類的水輪發(fā)電機(jī)組的模糊辨識
展了一系列基于超平面型聚類的T-S 模糊模型辨識方法［10-14］。為了提升聚類效果，進(jìn)一步提高模糊模型辨識精度，筆者對于模糊C 回歸算法進(jìn)行了改進(jìn)。首先，筆者應(yīng)用改進(jìn)后的模糊C 回歸算法進(jìn)行前提部分辨識。初始化聚類超平面，通過最小化聚類目標(biāo)函數(shù)求得聚類樣本對于超平面的隸屬度，并將得到的回歸方程與系統(tǒng)實(shí)際輸出之間的距離的倒數(shù)作為權(quán)值賦予各樣本的隸屬度，加權(quán)后的隸屬度構(gòu)成的對角矩陣作為加權(quán)最小二乘法的權(quán)重矩陣，用以更新聚類超平面。在迭代達(dá)到精度要求后，即得到
中國農(nóng)村水利水電 2021年9期2021-09-28
- 支持向量機(jī)的電力故障檢測方法研究
造一個最優(yōu)分類超平面，SVM以最大間隔為優(yōu)化目標(biāo)，實(shí)現(xiàn)了學(xué)習(xí)模型的結(jié)構(gòu)風(fēng)險極小化。它在處理小樣本數(shù)據(jù)方面性能卓越。同時，它的全局最優(yōu)解可通過優(yōu)化一個凸二次規(guī)劃問題來獲得。SVM的優(yōu)勢受到了學(xué)術(shù)界與工業(yè)界的關(guān)注，并且已被成功地應(yīng)用了到各大領(lǐng)域[2-4]，比如故障檢測、場景識別、金融信用、生物識別等。為解決SVM在處理異構(gòu)數(shù)據(jù)分布學(xué)習(xí)問題上性能較差的不足，Jayadeva等[5]在機(jī)器學(xué)習(xí)領(lǐng)域期刊TPAMI上提出了非平行支持向量機(jī)學(xué)習(xí)范式，并在此基礎(chǔ)上給了一個
自動化儀表 2021年5期2021-06-17
- 基于支持向量機(jī)的實(shí)踐及應(yīng)用
求解的最大邊距超平面。SVM使用鉸鏈損失函數(shù)計(jì)算經(jīng)驗(yàn)風(fēng)險并在求解系統(tǒng)中加入了正則化項(xiàng)以優(yōu)化結(jié)構(gòu)風(fēng)險，是一個具有稀疏性和穩(wěn)健性的分類器。SVM可以通過核方法進(jìn)行非線性分類，是常見的核學(xué)習(xí)方法之一。1 基本原理標(biāo)準(zhǔn)SVM是基于二元分類問題設(shè)計(jì)的算法，無法直接處理多分類問題。利用標(biāo)準(zhǔn)SVM的計(jì)算流程有序地構(gòu)建多個決策邊界以實(shí)現(xiàn)樣本的多分類，通常的實(shí)現(xiàn)為“一對多”和“一對一”。一對多SVM對m個分類建立m個決策邊界，每個決策邊界判定一個分類對其余所有分類的歸屬;一
家園·電力與科技 2021年9期2021-01-06
- 基于區(qū)間二型T-S模糊系統(tǒng)的壓電遲滯特性建模
類算法作為一種超平面型聚類算法，其迭代產(chǎn)生的超平面與T-S模糊模型的子模型有相似的結(jié)構(gòu)， FCRM聚類算法更適合于T-S模型模糊區(qū)間的劃分。KUNG等[7]提出了FCRM聚類算法的有效性準(zhǔn)則，用來選擇合適的聚類個數(shù)，但對于給定的壓電輸入信號來說，所需劃分的聚類個數(shù)有限，并不需要有效性準(zhǔn)則的判斷。CHANG等[8]使用垂直距離公式替換了傳統(tǒng)聚類算法的誤差公式，使聚類劃分更準(zhǔn)確，但并未進(jìn)一步考慮聚類算法和模型的結(jié)構(gòu)匹配問題。在模糊前件參數(shù)辨識方面，LI等[9]
壓電與聲光 2020年6期2021-01-05
- 基于不等距超平面距離的模糊支持向量機(jī)①
確度較低.另外超平面的位置對支持向量機(jī)的性能有很大的影響,并且超平面的確定極易受樣本中噪點(diǎn)的影響[7].所以為了解決上述問題,提高支持向量機(jī)的分類性能成為眾多學(xué)者亟待解決的問題[8].在支持向量機(jī)的決策過程中,決策面位置的選取取決于樣本空間的分布.由于不平衡數(shù)據(jù)集的類不平衡性較大,許多樣本點(diǎn)對決策面的確定貢獻(xiàn)度不大,容易識別為噪聲并對分類器的性能造成影響.模糊向量機(jī)可以改善噪聲數(shù)據(jù)造成的分類精度下降現(xiàn)象,通過為樣本點(diǎn)賦予不同的隸屬度來確定樣本點(diǎn)的性質(zhì).但傳
計(jì)算機(jī)系統(tǒng)應(yīng)用 2020年10期2020-11-13
- 通有構(gòu)形的特征多項(xiàng)式
將V中有限個超平面所組成的集合稱為一個超平面構(gòu)形, 簡稱構(gòu)形, 記為A.若構(gòu)形A所在空間V的維數(shù)為n, 則定義A的維數(shù)為n.設(shè)W是歐氏空間E=n中的一個有限Weyl群, 固定W的一個正根系Φ+.對于任意α∈Φ+,k∈, 定義超平面H(α,k)={v∈E|α(v)=k}, 則構(gòu)形A={H(α,0)|α∈Φ+}就是與W對應(yīng)的Weyl構(gòu)形.Weyl構(gòu)形的變形形式有Shi構(gòu)形、 Catalan構(gòu)形和Shi-Catalan構(gòu)形等, 目前已成為該領(lǐng)域的研究熱點(diǎn)[3-
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2020年1期2020-02-10
- 關(guān)于Kaczmarz算法的一個注記
∈Rn投影到超平面αTx=d 內(nèi)，記其投影點(diǎn)為P(z).事實(shí)上,由超平面方程αTx=d 可得，圖1 點(diǎn)Z在超平面內(nèi)的投影示意圖在ΔABC 中，依據(jù)向量的加法法則可得|A→B |=|C →D |=|C →A |cos∠DC .結(jié)合式(3)可得點(diǎn)z 在超平面αTx=d 上的投影P(z)為由式(4)可得Kaczmarz算法的迭代格式(2).2.2 利用最小二乘理論對于上述給定的α ∈Rn,d ∈R ，將任意點(diǎn)z ∈Rn投影到超平面αTx=d 的投影等價于逼近問
天水師范學(xué)院學(xué)報(bào) 2019年5期2019-12-24
- 基于DEA生產(chǎn)可能集交形式的交叉效率測度
能集的不同前沿超平面相聯(lián)系。欲認(rèn)識這一點(diǎn)，需考慮DEA生產(chǎn)可能集的交形式，在該種形式下，生產(chǎn)可能集的前沿面具有確定性。二、DEA生產(chǎn)可能集的交形式一個基本事實(shí)是，經(jīng)典DEA模型績效評價的標(biāo)準(zhǔn)是由弱DEA有效的決策單元所確立的，與非弱DEA有效的決策單元并無多大關(guān)聯(lián)。因此，交叉效率的標(biāo)準(zhǔn)也主要決定于弱有效決策單元，非弱有效決策單元只能接受、選擇標(biāo)準(zhǔn)。類似地，DEA生產(chǎn)可能集的交形式也僅決定于弱有效決策單元。考慮及此，可利用集合的交形式測評交叉效率。DEA不僅
統(tǒng)計(jì)與信息論壇 2019年11期2019-11-11
- 自適應(yīng)的SVM增量算法*
分布來確定最優(yōu)超平面，確定最終超平面的樣本被稱為支持向量。在SVM增量學(xué)習(xí)過程中，最優(yōu)超平面會隨著訓(xùn)練集中樣本特征空間分布的變化而被動態(tài)調(diào)整。因此，如何將最有可能成為新支持向量的樣本加入到增量訓(xùn)練集中是SVM增量學(xué)習(xí)的關(guān)鍵。目前，大多數(shù)基于SVM的增量學(xué)習(xí)算法通過將更多對超平面劃分有影響的樣本加入到新訓(xùn)練集中的方法來改進(jìn)SVM增量訓(xùn)練過程。Syed等人最早提出了基于SVM的增量學(xué)習(xí)算法[3]，該算法僅保留支持向量樣本，舍棄所有非支持向量的樣本。當(dāng)新樣本加入
計(jì)算機(jī)與生活 2019年4期2019-05-07
- 欠約束多機(jī)協(xié)調(diào)吊運(yùn)系統(tǒng)動力學(xué)工作空間分析
q作為一個分離超平面的法向量，這個超平面分離了2個集合，一個是由A中各個列向量組合而成的凸錐，另外一個是向量C.這個凸錐是A中所有單位旋量ei組成的空間.如果向量C不屬于這個凸錐的空間，則說明這個超平面存在，這樣式(17)有解，也就說明式(16)無解.因此，要使動力學(xué)工作空間的條件成立，即式(16)有解，就必須不能形成分離的超平面.這其中有一種特殊情況，C位于超平面上，這樣CTq=0，顯然式(17)無解，這樣式(16)也有解.由于q是法向量，是一些向量的叉
上海交通大學(xué)學(xué)報(bào) 2019年2期2019-03-06
- 采用劃分融合雙向控制的粒度支持向量機(jī)
要的信息分布于超平面附近，稱為強(qiáng)信息區(qū)，超平面遠(yuǎn)端的信息對分類影響較小，稱為弱信息區(qū)，本文提出的方法通過對強(qiáng)信息區(qū)的強(qiáng)信息粒進(jìn)行深度劃分，同時融合弱信息區(qū)的弱信息粒，使訓(xùn)練數(shù)據(jù)始終動態(tài)保持在較小規(guī)模。該方法分為兩個階段，首先通過聚類算法對原始數(shù)據(jù)集進(jìn)行初始粒劃分，挑選粒中代表信息組成新的訓(xùn)練集訓(xùn)練得到初始分類超平面，然后通過迭代劃分融合的方式深度劃分強(qiáng)信息粒，同時融合遠(yuǎn)端弱信息粒。實(shí)驗(yàn)表明，該方法能夠在保證模型精度的條件下顯著提升SVM 的學(xué)習(xí)效率。1 粒
智能系統(tǒng)學(xué)報(bào) 2019年6期2019-02-27
- 基于混合采樣的非平衡數(shù)據(jù)分類算法*
系數(shù)來降低分類超平面的偏移度，此方法簡單易行并且具有一定效果。然而，當(dāng)少數(shù)類樣本過分稀疏時，采用此方法會因分類超平面過分?jǐn)M合少數(shù)類樣本而影響分類效果。Jian等人[16]提出的基于不同貢獻(xiàn)度的采樣算法（different contribution sampling，DCS），認(rèn)為支持向量是更靠近決策邊界的樣本，貢獻(xiàn)度更高，因此針對支持向量和非支持向量采用混合采樣方法，即使用SMOTE和隨機(jī)欠采樣技術(shù)來分別對少數(shù)類樣本中的支持向量和多數(shù)類樣本中的非支持向量進(jìn)
計(jì)算機(jī)與生活 2019年2期2019-02-13
- 改進(jìn)的FSVM算法用于非平衡情感數(shù)據(jù)分類
點(diǎn)對最優(yōu)的分類超平面所造成的影響。文獻(xiàn)[5]提出了DEC算法分別給兩類樣本賦權(quán)重，但這種方法沒有考慮到樣本點(diǎn)周圍的疏密性對分類超平面的影響。文獻(xiàn)[6]提出了一種近似支持向量機(jī)(Proximal SVM)，將模型轉(zhuǎn)化為簡單的二次規(guī)劃問題，提高了學(xué)習(xí)速度。文獻(xiàn)[7]通過對支持向量上采樣提出了一種不平衡數(shù)據(jù)分類方法。文獻(xiàn)[8]提出了一種核函數(shù)選取和欠采樣相結(jié)合的算法來提高少類樣本的準(zhǔn)確率。本文提出一種FSVM算法，考慮到每個樣本臨近區(qū)域的樣本分布狀況以及樣本集的
計(jì)算機(jī)工程與設(shè)計(jì) 2018年11期2018-11-17
- 超平面距離的非平衡交互文本情感實(shí)例遷移方法
M[3]方法中超平面構(gòu)造的思路啟發(fā),本文提出一種基于實(shí)例同超平面距離的源數(shù)據(jù)集可遷移實(shí)例篩選算法,以解決如何有效地向目標(biāo)數(shù)據(jù)集引入新信息的問題。在構(gòu)造的合成數(shù)據(jù)集上訓(xùn)練出泛化性能優(yōu)的分類模型,克服泛化性能弱的難點(diǎn)。1 相關(guān)工作在現(xiàn)實(shí)中非平衡問題廣泛存在,目前解決非平衡分類問題主要采用從數(shù)據(jù)集層面上和算法層面上處理兩類方法。數(shù)據(jù)集層面的方法通過改變訓(xùn)練集的規(guī)模與特征分布,降低不平衡度來提高分類性能,典型方法有Oversampling、Subsampling、
西安交通大學(xué)學(xué)報(bào) 2018年10期2018-10-15
- 一種基于魯棒回歸的相控陣天線校準(zhǔn)技術(shù)
包括樣本采集、超平面樣本點(diǎn)擬合、超平面參數(shù)推導(dǎo)校準(zhǔn)值三個步驟。2.1 樣本采集圖1給出了有源相控陣天線接收通道校準(zhǔn)框圖，包括天線單元、TR組件、和差網(wǎng)絡(luò)、接收機(jī)及信號源，本文方法在該框架下采集數(shù)據(jù)樣本。具體來說，信源產(chǎn)生信號x，由于信源在天線法線方向，則達(dá)到天線端口的信號x幅度相位相同。信號經(jīng)每個天線單元、接收通道和移相器產(chǎn)生不同程度的幅度衰減和相移，設(shè)a(i)為第i個通道的幅相偏移，c (i)為第i個通道的移相器值，則第i個通道的輸出信號為：上式均為復(fù)信
電子世界 2018年14期2018-08-07
- 輪圖和聯(lián)圖對應(yīng)圖構(gòu)形的特征多項(xiàng)式
4)0 引 言超平面構(gòu)形是一類具有非孤立奇點(diǎn)的超曲面, 是有限維向量空間中有限個超平面形成的集合. 超平面構(gòu)形在組合學(xué)、代數(shù)學(xué)、代數(shù)組合學(xué)、拓?fù)鋵W(xué)等領(lǐng)域應(yīng)用廣泛[1]. 目前, 構(gòu)形的研究主要集中于構(gòu)形自由性理論的Terao猜想及復(fù)空間中構(gòu)形余集的拓?fù)湫再|(zhì)等問題上[2-6]. 研究表明, 構(gòu)形的Orlik Soloman代數(shù)的Poincaré多項(xiàng)式, 以及復(fù)構(gòu)形補(bǔ)空間的Betti數(shù)都與特征多項(xiàng)式聯(lián)系密切. 因此, 關(guān)于重構(gòu)形、子空間構(gòu)形、圖構(gòu)形等的特征多項(xiàng)
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2018年4期2018-07-19
- 不平衡數(shù)據(jù)集中分類超平面參數(shù)優(yōu)化方法①
M算法通過分類超平面來判斷樣本的類別, 在解決不平衡數(shù)據(jù)的分類問題時, 分類結(jié)果會偏向于多數(shù)類樣本點(diǎn)集合, 使得少數(shù)類樣本點(diǎn)的分類正確率低, 而多數(shù)類分類準(zhǔn)確率高.當(dāng)前針對不平衡數(shù)據(jù)集SVM分類的改進(jìn), 一般集中在數(shù)據(jù)清洗和算法改進(jìn)兩個方向上. 許多學(xué)者都提出了具有代表性的改進(jìn)方法, 如對于樣本的欠采樣方法 SMOTE[1], 過采樣方法 Tomek links[2]以及它們相應(yīng)的改進(jìn)算法[3,4], 都是通過不同方法增加少數(shù)類樣本或減少多數(shù)類樣本, 來達(dá)
計(jì)算機(jī)系統(tǒng)應(yīng)用 2018年7期2018-07-18
- 涉及周期移動超平面的全純曲線差分形式的第二基本定理
eral位置的超平面現(xiàn)考慮用周期移動超平面代替超平面，得到定理1。2 符號與定義為差分Wronskian行列式。3 主要引理這里，證明 因?yàn)橐苿?span id="syggg00" class="hl">超平面在中逐點(diǎn)處于N-subgeneral位置，所以，對任意參考文獻(xiàn)：[1]NEVANLINNA R. Zur theorie der meromorphen funktionen[J]. Acta Mathematica, 1925, 46(1/2)： 1-99.[2]RU M. Nevanlinna theor
上海理工大學(xué)學(xué)報(bào) 2018年2期2018-05-22
- 一種基于支持向量機(jī)中分離超平面求取的算法*
支持向量機(jī)分離超平面的求解算法采用迭代算法，充分利用支持向量機(jī)的特點(diǎn)，分離超平面首先要將樣本訓(xùn)練數(shù)據(jù)集完全分開，其次是正類支持向量和負(fù)類支持向量到分離超平面的距離相等。將感知機(jī)算法獲得的完全分離訓(xùn)練數(shù)據(jù)集的超平面進(jìn)行旋轉(zhuǎn)和平移，直到幾何間隔達(dá)到最大且完全分離訓(xùn)練集。此時的分離超平面就是支持向量機(jī)的分離超平面。1 問題的表述假設(shè)給定一個訓(xùn)練數(shù)據(jù)集：T={(x1,y1)，(x2,y2)，…，(xN,yN)}其中xi∈X=Rn,yi∈{+1,-1}，1≤i≤N，
- 射影空間上涉及q,c階差分算子的第二基本定理
處于一般位置的超平面,則式中,Nram,f(r)=N(r,W(f)=0)是f的朗斯基行列式零點(diǎn)的計(jì)數(shù)函數(shù).S(r,f)=o(T(r,f)),r→且r?E,這里E?(0,+)是一個對數(shù)測度為有窮的集合.2006年,Halburd等[8]考慮用差分算子Δcf=f(z+c)-f(z)?0來替代f′,得到了涉及差分算子所對應(yīng)的情形.定理3[8]設(shè)f是復(fù)平面上的有窮級亞純函數(shù),滿足Δcf=f(z+c)-f(z)?0,其中c≠0是常數(shù),則對于q個互異的點(diǎn)a1,…,aq
上海理工大學(xué)學(xué)報(bào) 2017年6期2018-01-16
- 兩種減少噪聲對雙支持向量機(jī)影響的方法
同樣本點(diǎn)對最優(yōu)超平面所產(chǎn)生的影響，而是同等對待所有的訓(xùn)練數(shù)據(jù)樣本來構(gòu)造最優(yōu)超平面，從而無法降低噪聲對分類面的影響。為了克服這個缺點(diǎn)，總結(jié)提出了兩種方法，一是將模糊技術(shù)應(yīng)用于雙支持向量機(jī)中，對不同的樣本采用不同的懲罰權(quán)系數(shù)，找到適合的隸屬度函數(shù)來提高雙支持向量機(jī)的分類準(zhǔn)確率；二是將超球體技術(shù)與雙支持向量機(jī)相結(jié)合，清除數(shù)據(jù)樣本中的噪聲，減小系統(tǒng)結(jié)構(gòu)誤差。實(shí)驗(yàn)證明這兩種方法能有效的減少噪聲的影響。雙支持向量機(jī)；模糊隸屬度；超球體支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理
福建質(zhì)量管理 2017年7期2017-08-30
- 多重超平面完備殘差圖
0067)多重超平面完備殘差圖段輝明1,邵凱亮1,張清華1,曾 波2(1.重慶郵電大學(xué)理學(xué)院,重慶 400065)(2.重慶工商大學(xué)商務(wù)策劃學(xué)院,重慶 400067)本文研究了任意維超平面完備殘差圖和多重超平面完備殘差圖,將Erd¨os、Harary和Klawe’s定義的平面殘差圖推廣到任意維超平面.利用容斥原理以及集合的運(yùn)算性質(zhì)等方法,獲得了任意維超平面完備殘差圖的最小階和唯一極圖,以及任意維超平面完備殘差圖的一個重要性質(zhì),同時獲得了多重任意維超平面完備
數(shù)學(xué)雜志 2017年4期2017-07-18
- Force degradation behavior of glucocorticoid deflazacort by UPLC: isolation, identification and characterization of degradant by FTIR, NMR and mass analysis
，并構(gòu)造最優(yōu)化超平面從而獲得x和y的預(yù)估方程。Deflazacort was degraded at 1 hour in 0.1 N NaOH; degradants were obtained at 4.85 minutes and drug peak was obtained at 5.234 minutes. After refluxing the drug for two days, no degradant was obtained and a
- 基于凸集理論的繩牽引串并聯(lián)機(jī)器人工作空間算法
，通過確定初始超平面找出凸集所有的邊界超平面,根據(jù)初始超平面偏移的距離確定邊界超平面投影位置; 然后推導(dǎo)出旋量平衡的判定表達(dá)式，并采用數(shù)值分析的方法得到繩牽引機(jī)器人的力旋量可行工作空間;最后，采用該算法對兩種典型的繩牽引串并聯(lián)機(jī)器人進(jìn)行工作空間求解，結(jié)果驗(yàn)證了所提出的基于凸集理論工作空間求解方法的有效性。繩牽引機(jī)器人；工作空間；旋量理論；凸集理論0 引言繩牽引機(jī)器人是一種用柔性繩索代替?zhèn)鹘y(tǒng)剛性連桿的新型機(jī)器人，通過電機(jī)驅(qū)動絞盤改變每根繩索的長度，實(shí)現(xiàn)末端執(zhí)
中國機(jī)械工程 2016年18期2016-10-13
- 一種基于SIFT特征的快速圖像匹配算法
數(shù)合理確定左右超平面位置，引入平衡因子作為結(jié)點(diǎn)分割方法選擇的依據(jù)，采用近似最近鄰搜索算法加快特征點(diǎn)匹配速度。給出算法的詳細(xì)實(shí)現(xiàn)過程，并應(yīng)用兩幅圖像進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明：SIFT特征向量采用改進(jìn)SP-Tree結(jié)構(gòu)在損失少部分匹配點(diǎn)的同時，提高了SIFT特征點(diǎn)的整體匹配速度，適合于圖像特征的實(shí)時匹配過程。關(guān)鍵詞圖像匹配SIFT特征KD-TreeSP-Tree最近鄰搜索0引言圖像匹配是一種研究同一場景中兩個不同視角下的圖像之間對應(yīng)關(guān)系的技術(shù)，是計(jì)算機(jī)視覺應(yīng)用研
計(jì)算機(jī)應(yīng)用與軟件 2016年7期2016-08-05
- 雙群體門限秘密共享方案的一種幾何設(shè)計(jì)
過兩個不平行的超平面的法線交點(diǎn)來重構(gòu)主密鑰。結(jié)果表明，該門限方案是理想的，既能實(shí)現(xiàn)參與者的動態(tài)加入與退出以及門限值的改變，又能實(shí)現(xiàn)多個秘密共享，還能靈活地更新主密鑰。其中每個參與者始終只需掌握一個不變的子密鑰即可，管理和使用都比較方便。方案能有效地檢測和識別莊家D對參與者以及參與者之間的欺騙行為，以確保重構(gòu)的主密鑰是安全和可靠的。門限秘密共享 雙群體 多維超平面 離散對數(shù) 參數(shù)曲面0 引 言秘密共享技術(shù)是保密通信中密鑰管理的重要手段。其思想方法是將主密鑰(
計(jì)算機(jī)應(yīng)用與軟件 2016年4期2016-05-09
- 基于多區(qū)域劃分的模糊支持向量機(jī)方法
基于樣本到類內(nèi)超平面距離的FSVM方法相比，該方法具有更好的抗噪性能和泛化能力。模糊支持向量機(jī)；多區(qū)域劃分；野值；支持向量；隸屬度支持向量機(jī)(support vector machine，SVM)[1]是在統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，特別是在解決小樣本、局部極小、高維和非線性模式識別中表現(xiàn)出較強(qiáng)的泛化能力。但SVM在構(gòu)建最優(yōu)分類面時視所有樣本為等價的，當(dāng)樣本中存在野值或孤立點(diǎn)時，容易造成過學(xué)習(xí)的現(xiàn)象。為此，Lin等[2
- 魯棒的加權(quán)孿生支持向量機(jī)
類內(nèi)近鄰圖使得超平面遠(yuǎn)離邊界點(diǎn)中權(quán)重較大的樣本，降低算法對噪聲點(diǎn)敏感的風(fēng)險。人造數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上的測試結(jié)果驗(yàn)證算法RWTSVM的有效性。孿生支持向量機(jī)；局部幾何結(jié)構(gòu)；噪聲點(diǎn)；魯棒性；分類對于二分類問題，傳統(tǒng)支持向量機(jī)(SVM)依據(jù)大間隔原則生成分類超平面，存在的缺陷是計(jì)算復(fù)雜度高且沒有充分考慮樣本的分布[1,2]。近年來，作為SVM的拓展方向之一，以孿生支持向量機(jī)(TWSVM)[3]為主要代表的非平行超平面分類器(NHCs)[4]正逐漸成為模式識別領(lǐng)域
- 一類圖構(gòu)形的特征多項(xiàng)式
130022）超平面構(gòu)形是奇點(diǎn)理論的一個分支，它是一類具有非孤立奇點(diǎn)的超曲面。超平面構(gòu)形是處在組合學(xué)、代數(shù)學(xué)、拓?fù)鋵W(xué)、代數(shù)幾何學(xué)等多個學(xué)科交匯處的一門年輕的學(xué)科，它的巨大魅力在于：能從組合學(xué)以及代數(shù)學(xué)等不同角度去描述它的拓?fù)洳蛔兞俊Ｌ卣鞫囗?xiàng)式作為構(gòu)形的一個組合不變量，在構(gòu)形組合、代數(shù)、拓?fù)湫再|(zhì)的研究中，起到非常重要的作用。本文利用圖論中的頂點(diǎn)著色理論給出一類特殊圖構(gòu)形的特征多項(xiàng)式。超平面構(gòu)形；圖構(gòu)形；特征多項(xiàng)式超平面構(gòu)形是指有限維向量空間中有限個超平面所形
- “退維”思想的妙用
設(shè)n個k-1維超平面至多能把k維空間分割成t（n）個區(qū)域，則{t（n）}是一個k階等差數(shù)列（k≥1，k∈N*），且t（n）=C0n+C1n+C2n+…+Ckn=ki=0Cin.證明：對k值用數(shù)學(xué)歸納法證明.（?。┊?dāng)k=1時，由題目1知結(jié)論成立.（ⅱ）假設(shè)當(dāng)k=r（r≥2）時，n個r-1維超平面至多能把r維空間分割成y（n）個區(qū)域，{y（n）}是一個r階等差數(shù)列. 則當(dāng)k=r+1（r≥2）時，設(shè)n個r維超平面至多能把r+1維空間分割成z（n）個區(qū)域. 則n-
理科考試研究·高中 2014年11期2014-11-26
- 便攜心電傳感器的心房肥大診斷研究
構(gòu)造出最優(yōu)分類超平面，使得樣本集可以被該超平面盡可能正確地分開，并使離超平面最近的Vector與超平面之間的距離最大。選擇適用于心房肥大識別的核函數(shù)、擴(kuò)展其算法，讓SVM在心房肥大識別特定領(lǐng)域發(fā)揮得更出色。本文所研究的算法適用于便攜式心電傳感器的應(yīng)用。1 小樣本情況下的分類器分類器的分類準(zhǔn)確率常與訓(xùn)練樣本數(shù)據(jù)量密切相關(guān)，由于心房肥大數(shù)據(jù)匱乏，故對小樣本情況進(jìn)行研究。文中使用MGH/MF數(shù)據(jù)庫中32例左心房肥大心電數(shù)據(jù)和100例正常心電數(shù)據(jù)作為訓(xùn)練和識別的數(shù)
傳感器與微系統(tǒng) 2014年9期2014-09-20
- 一類二維重構(gòu)形的通有基底
們的通有基底.超平面構(gòu)形； 重構(gòu)形； 自由性； 通有基底超平面構(gòu)形是一類具有非孤立奇點(diǎn)的超曲面,它與組合學(xué)、 代數(shù)學(xué)、 拓?fù)鋵W(xué)和代數(shù)幾何學(xué)中的多個學(xué)科廣泛交叉[1]. 超平面構(gòu)形是有限維向量空間中有限個超平面所形成的集合,超平面構(gòu)形通常簡稱為構(gòu)形. 目前,構(gòu)形的研究主要集中于構(gòu)形的自由性問題及復(fù)空間中構(gòu)形余集的拓?fù)湫再|(zhì)等問題[2-6]. Yoshinaga[3]利用重構(gòu)形的自由性解決了Edelman-Reiner猜想， 但自由重構(gòu)形導(dǎo)子模的基底不易求出,且
吉林大學(xué)學(xué)報(bào)（理學(xué)版） 2014年5期2014-09-06
- 基于空域加擾信號超平面特征的竊密算法
號呈現(xiàn)出平行的超平面分布特征，并指出這是多天線能夠竊密的根本原因。然后利用該特征，提出了一種超平面聚類算法，通過選取一組相互平行的超平面去逼近接收信號，利用樣本獲取超平面參數(shù)，進(jìn)而破解信息。分析與仿真表明，該算法比MUSIC-like法在抗噪聲性能上提升了8～10 dB，計(jì)算復(fù)雜度低6～10個數(shù)量級，能夠用于實(shí)時解調(diào)。2 系統(tǒng)模型保密無線通信模型如圖1所示，發(fā)送端Alice向合法用戶Bob發(fā)送信息，遭到非法用戶Eve的竊聽。其中，Alice天線數(shù)用Na表示
通信學(xué)報(bào) 2014年4期2014-08-07
- 基于二次SVM的不均衡數(shù)據(jù)算法
依據(jù)樣本的分類超平面貢獻(xiàn)大小對多數(shù)類樣本進(jìn)行欠取樣，并對少數(shù)類樣本進(jìn)行過取樣，重構(gòu)訓(xùn)練數(shù)據(jù)集。該算法能夠刪除樣本中的噪聲數(shù)據(jù)，用控制參數(shù)控制刪除樣本的規(guī)模，實(shí)驗(yàn)表明，該算法能夠提高支持向量機(jī)在不均衡數(shù)據(jù)集下的分類性能。支持向量機(jī)；不均衡數(shù)據(jù)；欠取樣；分類超平面支持向量機(jī)(Support Vector Machine，簡稱SVM)[1]是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法，它基于結(jié)構(gòu)風(fēng)險最小化原則，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)
商洛學(xué)院學(xué)報(bào) 2014年4期2014-07-20
- 基于類中心的SVM訓(xùn)練樣本集縮減改進(jìn)策略
然后通過只提取超平面及距離超平面較近的樣本實(shí)現(xiàn)邊界樣本的提取，從而實(shí)現(xiàn)樣本集的縮減。1 支持向量機(jī)支持向量機(jī)可用于模式識別、回歸分析、主成分分析等。下面以模式分類為例來介紹支持向量機(jī)的含義。定義1 (最優(yōu)分類超平面)如果訓(xùn)練樣本可以被無誤差地劃分，以及每一類數(shù)據(jù)中離超平面最近的向量與超平面之間的距離最大，則稱這個超平面為最優(yōu)分類超平面。1.1 線性支持向量機(jī)在求解兩類線性可分的問題時, SVM實(shí)質(zhì)就是通過在輸入空間求得一個分類超平面w·x+b=0, 使兩類
- 二維歐氏空間中混雜構(gòu)形的M?bius函數(shù)
個具體的例子.超平面構(gòu)形；直線構(gòu)形；混雜構(gòu)形；M?bius函數(shù)0 引言超平面構(gòu)形，一般簡稱為構(gòu)形，是l維向量空間中余維數(shù)為1的子空間的有限集合.超平面構(gòu)形這一與奇點(diǎn)理論有關(guān)的對象是20世紀(jì)70年代新興的學(xué)科.Arnold，Brieskorn和Deligne三位大師都做過奠基性的工作.超平面構(gòu)形不僅具有很好的代數(shù)、組合、拓?fù)湫再|(zhì)，還在奇點(diǎn)理論、凸集幾何、離散幾何等數(shù)學(xué)分支上有著廣泛的應(yīng)用［1］.近年來，以Hiroaki Terao，Peter Orlik和L
東北師大學(xué)報(bào)（自然科學(xué)版） 2012年2期2012-12-26
- 講授Riesz表示定理的兩點(diǎn)注記
sz表示定理；超平面筆者近年為工科碩士生講授《應(yīng)用數(shù)學(xué)基礎(chǔ)》課程，使用的教材是《應(yīng)用數(shù)學(xué)基礎(chǔ)》（吳翊，李超，羅建書，戴清平編著，高等教育出版社，2006）.講到Riesz表示定理時，筆者圍繞該定理作了一點(diǎn)鋪墊和引申，這對于學(xué)生更細(xì)致地理解Hilbert空間可能有些益處.1 Riesz表示定理的一點(diǎn)鋪墊Riesz表示定理的關(guān)鍵結(jié)論是：對于Hilbert空間X上的任何線性有界泛函f，存在對應(yīng)的元素y∈X，使得稱y為f的表示.教材給出的證明是簡潔而清晰的：當(dāng)f＝
大學(xué)數(shù)學(xué) 2012年4期2012-11-02
- 基于最大間隔的決策樹歸納算法
但得到的知識即超平面不易理解，決策樹泛化能力一般但歸納出的知識容易理解）。1 支持向量機(jī)1.1 支持向量機(jī)基本問題支持向量機(jī)是由Vapnik等人提出并以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)的一種新的學(xué)習(xí)機(jī)器。其基本問題描述如下：設(shè)有訓(xùn)練數(shù)據(jù)可以被一個超平面分開。如果這個向量集合被超平面沒有錯誤的分開，并且離超平面最近的向量與超平面之間的距離是最大的，則我們說這個向量集合被這個最優(yōu)超平面（或最大間隔超平面）分開。如圖1所示。圖1 最優(yōu)分類超平面是以最大間隔將數(shù)據(jù)分開的超平面我
科技視界 2011年22期2011-12-21
- 基于相似度空間尋優(yōu)的開集人臉識別方法
信息找尋最優(yōu)的超平面，利用該超平面劃分需要拒絕的樣本。1 基于相似度空間尋優(yōu)的判別方法1.1 相似度空間在開集人臉識別中，測試樣本與人臉庫中已知類樣本進(jìn)行比較，通過各種識別方法獲得了與每一個已知類之間的相似度。在最近鄰的方法中，直接利用相似度最大者，將其與一個預(yù)先設(shè)定的閾值進(jìn)行比較，當(dāng)大于該閾值時，則接受測試樣本為已知類樣本，否則拒絕為未知樣本。該方法僅利用了相似度最大者這一維的信息，為了利用相似度中包含的完整信息，我們將獲取的相似度按照從大到小排序，獲得
微型電腦應(yīng)用 2010年6期2010-07-25
- 支持向量機(jī)原理及展望
一個n-1維的超平面分開。通常這個被稱為線性分類器。有很多分類器都符合這個要求。但是我們還希望找到分類最佳的平面，即使得屬于兩個不同類的數(shù)據(jù)點(diǎn)間隔最大的那個面，該面亦稱為最大間隔超平面。如果我們能夠找到這個面，那么這個分類器就稱為最大間隔分類器。圖1 多種分類超平面示意圖如圖1有很多個分類器(超平面)可以把數(shù)據(jù)分開，但是只有一個能夠達(dá)到最大分割。支持向量機(jī)將向量映射到一個更高維的空間里，在這個空間里建立有一個最大間隔超平面。在分開數(shù)據(jù)的超平面的兩邊建有兩個
制造業(yè)自動化 2010年14期2010-04-11