注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. SVM的visual c++ 实现（含具体使用手册）

  2. SVM的主要思想可以概括为两点： (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。

  3. 所属分类：其它

    • 发布日期：2009-05-05
    • 文件大小：410624
    • 提供者：mingnice

  1. 用遗传算法求SVM的最优超平面

  2. 对于SVM支持向量点的计算、其最优分类面、最优超平面的理论、计算的方法

  3. 所属分类：其它

    • 发布日期：2009-06-17
    • 文件大小：108544
    • 提供者：wxhii

  1. 用遗传算法求SVM的最优超平面

  2. 对于SVM支持向量点的计算、其最优分类面、最优超平面的理论、计算的方法

  3. 所属分类：其它

    • 发布日期：2009-10-30
    • 文件大小：108544
    • 提供者：shiyoumaomao

  1. SVR（SVM）（）（）

  2. 对于分类问题，支持向量机的基本思想是将线性不可分样 本经非线性变换币映射到另一个高维空间E中，在变换后的 空J’日J中寻找一个最优的分界面(超平面)，使其推广能力最好。 以两类分类问题为例说明支持向量机的基本原理。

  3. 所属分类：专业指导

    • 发布日期：2010-07-24
    • 文件大小：395264
    • 提供者：hezl520

  1. 数据挖掘中的新方法-支持向量机

  2. (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。

  3. 所属分类：其它

    • 发布日期：2010-12-05
    • 文件大小：7340032
    • 提供者：xuhao2218

  1. 机器学习之svm算法及其常用代码库

  2. SVM的主要思想可以概括为两点： (1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全 svm 系列产品 局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。

  3. 所属分类：其它

    • 发布日期：2011-03-08
    • 文件大小：2097152
    • 提供者：onedream87

  1. 实用数学软件 5.6

  2. 本软件为绿色软件！需要 .net frameworks 2.0 运行库支持 实用数学软件不仅仅仅是一款简单强大的数学计算软件，它包含了大家从初中到大学几乎所有的数学函数、平面解析几何、重要公式等以及他们的相关图像，而且也是工程测量数理统计等部门的最佳辅助运算工具,十几种统计分析预测模型及他们的散点图及曲线图，自动选择最优预测模型，即点即算，方便简单！ 实用数学软件特色功能如下： 超高精确度，精度高达小数点后15位 可以计算超复杂的数学表达式，可以作为大型的计算器 如：lg(1+2*5+2-|1

  3. 所属分类：专业指导

    • 发布日期：2011-06-12
    • 文件大小：489472
    • 提供者：lanmao999_999

  1. 数学模型在步态识别系统中的应用

  2. 步态识别是生物特征识别技术中的一个新兴领域，它旨在根据个体的行走方式识别身份.步态识别主要是针对含有人的运动图像序列进行分析处理,利用适当的数学模型建立一个分类器，通过机器学习的方法，优化分类器中的各个参数，从而得到一个或多个最优超平面.模型的输入一般就是各种步态下的一些特征参数，输出就是该特征下所属的类别编号，本文主要介绍了在步态识别方面常用的数学模型.

  3. 所属分类：C/C++

    • 发布日期：2012-06-09
    • 文件大小：478208
    • 提供者：wangbei1361

  1. 支持向量机算法的研究及其应用

  2. 作为结构风险最小化准则的具体实现，支持向量机方法具有全局最优、结构简单、推广能力强等优点，近几年得到了广泛的研究。本文仔细研究了支持向量机理论，并针对目前一些支持向量机算法存在的缺陷，分析了产生的原因，提出了两种新的支持向量机算法。针对支持向量机算法难以处理大规模数据的问题，提出了两种新的支持向量机分类方法。并就多类别分类问题等方面开展了初步的理论研究。 本文主要工作包括： (1)讨论了支持向量机理论中各种变形的支持向量机算法，对常规支持向量机公式进行变形的算法主要有C-SVM系列、ν-SVM

  3. 所属分类：C++

    • 发布日期：2015-01-06
    • 文件大小：3145728
    • 提供者：yangsenabc12

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：专业指导

    • 发布日期：2016-01-05
    • 文件大小：225280
    • 提供者：huangyueranbbc

  1. 数据挖掘18大算法实现以及其他相关经典DM算法

  2. 数据挖掘算法 算法目录 18大DM算法 包名 目录名 算法名 AssociationAnalysis DataMining_Apriori Apriori-关联规则挖掘算法 AssociationAnalysis DataMining_FPTree FPTree-频繁模式树算法 BaggingAndBoosting DataMining_AdaBoost AdaBoost-装袋提升算法 Classification DataMining_CART CART-分类回归树算法 Classifica

  3. 所属分类：Java

    • 发布日期：2017-04-08
    • 文件大小：225280
    • 提供者：q6115759

  1. 机器学习中的核覆盖算法

  2. 基于统计学习理论的支持向量机(SVM)方法在样本空间或特征空间构造最优分类超平面解决了分类器的构造问题,但其本质是二分类的,且核函数中的参数难以确定,计算复杂性高.构造性学习算法根据训练样本构造性地设计分类网络,运行效率高,便于处理多分类问题,但存在所得的分界面零乱、测试计算量大的缺点.该文将SVM中的核函数法与构造性学习的覆盖算法相融合,给出一种新的核覆盖算法.新算法克服了以上两种模型的缺点,具有运算速度快、精度高、鲁棒性强的优点.其次,文中给出风险误差上界与覆盖个数的关系.最后给出实验模拟

  3. 所属分类：机器学习

    • 发布日期：2018-07-11
    • 文件大小：243712
    • 提供者：qq_28339273

  1. matlab_SVM 视频讲解_2

  2. matlab_SVM 视频讲解_2，线性可分模式的最优超平面的详细推导过程:

  3. 所属分类：专业指导

    • 发布日期：2019-04-08
    • 文件大小：220160
    • 提供者：fd77788

  1. Research on a second-order cone reformulating problem of CDT problem

  2. CDT问题的一种二阶锥重塑问题研究，曲衍明，，在这篇文章中，我们研究一类带有两个二次约束的CDT问题，其中一个是单位球约束，一个是椭球约束。选取合适的通过最优线段的超平面

  3. 所属分类：其它

    • 发布日期：2020-02-17
    • 文件大小：272384
    • 提供者：weixin_38563176

  1. 高光谱遥感影像SVM分类中训练样本选择的研究

  2. 高光谱遥感影像SVM分类中训练样本选择的研究，王晓玲，杜培军，支持向量机（SVM）分类的关键是发现分类最优超平面及类别间隔，而混合像元比纯净像元更接近类别边界，更容易找出最优超平面。针对

  3. 所属分类：其它

    • 发布日期：2020-01-19
    • 文件大小：475136
    • 提供者：weixin_38675506

  1. 实用数学工具企业版(可以计算超复杂的数学表达式)

  2. 本软件不仅是一个强大的数学学习工具，包括了从初中到大学几乎所有的数学函数、平面解析几何、重要公式等以及他们的相关图像，而且也是工程测量数理统计等部门的最佳辅助运算工具,十几种统计分析预测模型及他们的散点图及曲线图，自动选择最优预测模型，即点即算，方便快捷! 实用数学工具具有以下特色功能： 1．超高精确度，精度高达小数点后15位 2.可以作为大型的计算器，本工具可以计算超复杂的数学表达式! 如：lg(1+2*5+2-|1-10|)+cos(tg(0.1))+3!=8.0778 3.完全符合数

  3. 所属分类：专业指导

    • 发布日期：2010-07-22
    • 文件大小：106496
    • 提供者：ljchli

  1. 基于支持向量机的高速铁路通信系统信道预测算法

  2. 针对高速铁路通信系统，研究快速时变信道预测问题。通过引入支持向量机（SVM）模型，提出一种信道预测算法。通过求解二次优化问题，得到SVM的预测最优超平面，并通过循环迭代实现多步预测。为了进一步提高预测准确度，采用遗传算法(GA)对SVM模型的惩罚系数和高斯核宽度进行优化。仿真结果表明，与传统的自回归(AR)以及单一的SVM预测模型相比，所提出的同时考虑SVM和GA（SVM-GA）的预测模型具有较低的预测误差。此外，当考虑噪声对预测性能影响时，SVM-GA预测模型在归一化均方误差性能方面也优于AR

  3. 所属分类：其它

    • 发布日期：2020-10-16
    • 文件大小：588800
    • 提供者：weixin_38704284

  1. Python机器学习之SVM支持向量机

  2. SVM支持向量机是建立于统计学习理论上的一种分类算法，适合与处理具备高维特征的数据集。 SVM算法的数学原理相对比较复杂，好在由于SVM算法的研究与应用如此火爆，CSDN博客里也有大量的好文章对此进行分析，下面给出几个本人认为讲解的相当不错的： 支持向量机通俗导论（理解SVM的3层境界） JULY大牛讲的是如此详细，由浅入深层层推进，以至于关于SVM的原理，我一个字都不想写了。。强烈推荐。 还有一个比较通俗的简单版本的：手把手教你实现SVM算法 SVN原理比较复杂，但是思想很简单，一句话概括，就

  3. 所属分类：其它

    • 发布日期：2020-12-24
    • 文件大小：219136
    • 提供者：weixin_38685694

  1. 四进制自由空间激光通信信号的支持向量机检测算法

  2. 基于支持向量机(SVM)的机器学习方法提出了空间激光通信四进制脉冲振幅调制(PAM-4)信号的检测算法。利用功率谱密度反演方法仿真大气相位屏, 结合Taylor冰冻流假设, 得到了激光载波经过大气湍流信道的光场信号, 叠加接收端高斯白噪声后, 采用SVM检测算法针对所得的PAM-4信号进行判决。SVM检测算法与大气信道无关。SVM检测算法对接收信号数据进行分组, 对各组数据进行交叉验证并完成学习, 并对参数进行调整。通过多次二分类确定各电平之间的最优超平面。最后, SVM作出信号判决。SVM检测

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：11534336
    • 提供者：weixin_38687539

  1. MachineLearning-源码

  2. 机器学习 移动价格预测 In this project, I have predicted the price of Mobile phones with input parameters as multiple features. 使用的算法支持向量机（SVM）是由分离超平面正式定义的判别式分类器。 换句话说，给定带标签的训练数据（监督学习），该算法将输出最优超平面，该超平面将新示例分类。 在二维空间中，此超平面是将平面分为两部分的线，每一部分在每一部分中位于任一侧。 数据集使用的数据集：

  3. 所属分类：其它

    • 发布日期：2021-04-01
    • 文件大小：9437184
    • 提供者：weixin_42161450
« 12 »