共 13 条
- [8] 基于支持向量机的代价敏感数据挖掘研究与应用[D]. 郑恩辉.浙江大学 2006
- [9] 统计学习理论[M]. 电子工业出版社 , (美)瓦普尼克（VladimirN.Vapnik）著, 2004
- [10] 支持向量机导论[M]. 电子工业出版社 , (英)NelloCristianini,（英）JohnShawe-Taylor著, 2004
支持向量机研究进展
被引：115
作者：
顾亚祥
[1
]
丁世飞
[1
,2
]
机构：
[1] 中国矿业大学计算机科学与技术学院
[2] 中国科学院计算技术研究所智能信息处理重点实验室
来源：
关键词：
支持向量机;
训练算法;
模糊支持向量机;
粒度支持向量机;
D O I：
暂无
中图分类号：
TP181 [自动推理、机器学习];
学科分类号：
摘要：
基于统计学习理论的支持向量机(Support vector machines,SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展———模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用———分类和回归。最后给出了今后SVM研究方向的预见。
引用
收藏
页码：14 / 17
页数：4
相关论文