支持向量机的训练算法

大量数据下支持向量机(SVM)的训练算法是SVM研究的一个重要方向和广大研究者关注的焦点。该文回顾了近几年来这一领域的研究情况。该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。而工作集的选择对于分解算法的收敛与否和收敛速度至关重要。     

关于IP multicast的中文术语

在目前所见的网页、教材、科学和技术文献中,大多数作者用"组播""多播""多点传送"和"多点播送"来表示"multicast".笔者觉得这些术语是收发关系颠倒的术语,建议使用"多目标广播"来表示"multicast".同样,IP multicast用"IP多目标广播"来表示.尽管平常习惯使用2～3个字构成的中文术语,但"多目标广播"是"顾名"就可"思义"的术语.     

关于IP multicast的中文术语

在目前所见的网页、教材、科学和技术文献中,大多数作者用"组播""多播""多点传送"和"多点播送"来表示"multicast"。笔者觉得这些术语是收发关系颠倒的术语,建议使用"多目标广播"来表示"multicast"。同样,IP multicast用"IP多目标广播"来表示。尽管平常习惯使用2～3个字构成的     

Using Agents in Web-Based Constructivist Collaborative Learning System

Web-based learning systems are one of the most interesting topics in the area of the application of computers to education. Collaborative learning, as an important principle in constructivist learning theory, is an important instruction mode for open and distance learning systems. Through collaborative learning, students can greatly improve their creativity, exploration capability, and social cooperation. This paper used an agent-based coordination mechanism to respond to the requirements of an efficient and motivating learning process. This coordination mechanism is based on a Web-based constructivist collaborative learning system, in which students can learn in groups and interact with each other by several kinds of communication modes to achieve their learning objectives efficiently and actively. In this learning system, artificial agents represent an active part in the collaborative learning process; they can partially replace human instructors during the multi-mode interaction of the students.     

基于超立方体覆盖的构造性网络学习算法

该文提出了一种基于超立方体覆盖的构造性神经网络学习算法,以解决二值型输入变量的K分类问题。该算法分两步来动态地构造一个三层前馈网络。首先,对于每一类的所有训练样本,用尽可能少的超立方体来覆盖它们,并为每一个超立方体构造一个隐层单元;其次,用"或"操作把这些隐单元连接到相应的输出单元上。文章给出了相应的理论分析和一个具体的实现。实验结果表明,该算法优于常用的一些归纳学习算法。     

基于支持向量机的相关反馈图像检索算法

相关反馈技术是近年来在图像检索中较为重要的研究方法 ,从机器学习的角度 ,以支持向量机 (SVM)为分类器 ,提出了一种新的相关反馈方法。在每次反馈中对用户标记的正例和反例样本进行学习 ,建立 SVM分类器作为模型 ,并根据学习所得的模型进行检索。由于 SVM分类器在一定程度上勾勒出了相关图像在特征空间中的分布 ,因而对整个图像库进行检索时可以查找到更多的相关图像。使用由9918幅图像组成的图像库进行实验 ,结果表明 :该方法可以通过交互的反馈过程 ,有效地检索出更多的相关图像 ,并且在有限训练样本情况下具有良好的泛化能力     

关于IP muhicast的中文术语

在目前所见的网页、教材、科学和技术文献中，大多数作者用“组播”“多播”“多点传送”和“多点播送”来表示“muhicast”。笔者觉得这些术语是收发关系颠倒的术语，建议使用“多目标广播”来表示“multicast”。同样，IPmulticast用“IP多目标广播”来表示。尽管平常习惯使用2～3个字构成的中文术语，但“多目标广播”是“顾名”就可“思义”的术语。