您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. S4VM算法(Matlab)

  2. 在过去的十年中,为了解决半监督支持向 量机某一方面的特定问题,出现了很多改进版本,如针对半监督支持向量机效率低下的问题,提出了meanS3VM 算法;针对利用无标记数据时会产生性能下降的问题,提出了S4VM 算法;针对代价敏感的问题,提出了CS4VM 算法。 S4VM 对传统的S3VM 进行了改进。传统的S3VM 基于低密度假设,它试图找到一个低密度的分界线,也就是更倾向于决策边界穿过特征空间的低密度区域。S4VM 和S3VM 的不同点在于,S3VM 试图把注意力 集中在一个最优的低密度分界线
  3. 所属分类:其它

    • 发布日期:2011-12-29
    • 文件大小:280576
    • 提供者:bxhhd128126
  1. 安全半监督支持向量

  2. 一个针对使用半监督支持向量机进行分类时产生不足而提出的改进方案,能在MATLAB中很好运行
  3. 所属分类:其它

    • 发布日期:2014-07-03
    • 文件大小:9216
    • 提供者:u011433212
  1. s4vm半监督学习

  2. 半监督SVM 用于解决数据不平衡问题,已运行 可用无误
  3. 所属分类:教育

    • 发布日期:2014-07-04
    • 文件大小:9216
    • 提供者:u013728922
  1. 致使无标签数据永不受伤

  2. 通常期望通过利用未标记的数据可以提高学习性能,尤其是在标记的数据数量有限的情况下。 但是,据报道,在某些情况下,现有的半监督学习方法的效果甚至比仅使用标记数据的监督学习方法还要差。 因此,希望开发出安全的半监督学习方法,当使用未标记的数据时,这种方法不会显着降低学习性能。 本文着重于提高半监督支持向量机(S3VM)的安全性。 首先,提出了S3VM-us方法。 它采用了保守的策略,并且仅使用未标记的实例,这些实例很有可能会有所帮助,同时避免使用高风险的实例。 这种方法可以提高安全性,但是使用未标记
  3. 所属分类:其它

    • 发布日期:2021-03-12
    • 文件大小:655360
    • 提供者:weixin_38683562
  1. 由M-S4VM训练的新型电子鼻半监督室内污染检测方法

  2. 电子鼻(E-nose)作为旨在检测气味或味道的设备,已在许多领域得到广泛使用。 要获得理想的电子鼻分类模型,需要许多标记的样品。 但是,标记的样品不容易获得,并且在某些情况下,现实世界中的气体样品非常复杂且未标记。 结果,有必要制造一种电子鼻,其不仅可以对未标记的样本进行分类,而且可以使用这些样本来修改其分类模型。 在本文中,我们首先介绍了一种称为S4VMs的半监督学习算法,并在多分类算法中改进了它的使用,以对E型鼻样本进行分类。 然后,我们通过添加已分类的未标记样本来修改其模型,并使用称为量子
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:2097152
    • 提供者:weixin_38719702