支持向量机的研究进展

被引：9

作者：

陈俏

曹根牛

谢丽娟

机构：

[1] 西安科技大学理学院

来源：

现代计算机(专业版) | 2009年 / 04期

关键词：

支持向量机; 二次规划; 特征空间; 核函数;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

支持向量机是一种新的机器学习方法。对于支持向量机的算法、模型的选择及支持向量机的扩展进行了阐述及总结,并提出支持向量机的发展趋势和研究方向。

引用

页码：47 / 50+54 +54

页数：5

共 13 条

[1]

A geometric approach to support vector regression.[J].Jinbo Bi;Kristin P. Bennett.Neurocomputing.2003, 1

[2] Choosing multiple parameters for support vector machines [J].

Chapelle, O ;

Vapnik, V ;

Bousquet, O ;

Mukherjee, S .

MACHINE LEARNING, 2002, 46 (1-3) :131-159

[3] An incremental multivariate regression method for function approximation from noisy data [J].

Carozza, M ;

Rampone, S .

PATTERN RECOGNITION, 2001, 34 (03) :695-702

[4] Improving support vector machine classifiers by modifying kernel functions [J].

Amari, S ;

Wu, S .

NEURAL NETWORKS, 1999, 12 (06) :783-789

[5] SUPPORT-VECTOR NETWORKS [J].

CORTES, C ;

VAPNIK, V .

MACHINE LEARNING, 1995, 20 (03) :273-297

[6] 基于密度法的模糊支持向量机 [J].

安金龙 ;

王正欧 ;

马振平 .

天津大学学报, 2004, (06) :544-548

[7] 回归型加权支持向量机方法及其应用 [J].

杜树新 ;

吴铁军 .

浙江大学学报(工学版), 2004, (03) :47-51

[8] 基于插值的核函数构造 [J].

吴涛 ;

贺汉根 ;

贺明科 .

计算机学报, 2003, (08) :990-996

[9] 样本数目不对称时的SVM模型 [J].

肖健华 ;

吴今培 .

计算机科学, 2003, (02) :165-167

[10] 基于核函数的SVM机与三层前向神经网络的关系 [J].

张铃 .

计算机学报, 2002, (07) :696-700

← 1 2 →