排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
ε不敏感损失函数支持向量机分类性能研究 总被引:6,自引:0,他引:6
将原先用于支持向量回归的ε不敏感损失函数引入到支持向量分类中,提出ε不敏感损失函数支持向量分类算法(-εSVC).同标准支持向量分类方法(C-SVC)和最小二乘支持向量分类方法(LS-SVC)相比较,试验结果表明:当赋予参数ε一个足够大的接近于1的值时,-εSVC的分类正确率略低于C-SVC和LS-SVC,但是-εSVC的训练、测试和参数选择的速度要高于C-SVC和LS-SVC.特别是对于大规模数据集,这种优势将更加明显.另外,通过精确选择参数ε的值,-εSVC能够获得比C-SVC和LS-SVC更高的分类正确率,但是训练、测试和参数选择的速度却随着ε的减小而降低. 相似文献
2.
本文根据高职教育的人才培养目标要求,探讨了如何加强高职机械制图教学,培养学生初步的职业岗位能力问题。 相似文献
3.
4.
5.
给出了GP-内射半模与n-P-内射半模的定义,并分别给出了GP-内射半模与广义PP-半环的关系;n-P-内射半模与n-广义PP-半环的关系. 相似文献
6.
支持向量机在机械设备振动信号趋势预测中的应用 总被引:13,自引:0,他引:13
将支持向量机(SVMs)用于机械设备振动信号趋势预测中,研究了SVMs参数及核函数类型对SVMs预测能力的影响.试验显示,在短期预测中4种核函数有着基本相同的预测能力,而在长期预测中,径向基函数核和多项式核表现出了相对较高的预测能力,同线性核和神经网络核相比,它们的归一化均方误差约降低了20%.SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明,实现了结构风险最小化原理的SVMs具有更好的预测能力,在长期预测中,其归一化均方误差约降低了15%。 相似文献
1