统计学习理论和支持向量机

介绍了统计学习理论和支持向量机的概貌，以及目前支持向量机方法研究的现状．     

支持向量机及其在自然语言处理中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法,因其独特的优势和出色的学习性能,显现出广泛的应用前景和重要的研究价值.较为系统地介绍了统计学习理论和支持向量机的概貌,以及目前支持向量机方法研究的现状,并重点介绍了支持向量机在以汉语专有名词自动识别为例的自然语言处理领域的应用.     

支持向量机理论及其应用

作为当前国际机器学习前沿热点的支持向量机是一种新型的机器学习算法，具有卓越的学习效果。文中分析了该方法的核心思想及常用训练算法，并给出其具体应用。     

支持向量机研究

支持向量机是一种新型的机器学习方法，由于其出色的学习性能，该技术已成为国际机器学习领域新的研究热点，首先介绍了统计学习理论和以该理论为基础的支持向量机，然后对线性、非线性支持向量机进行了介绍，给出了一些常用的训练算法．     

支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

支持向量机技术及其应用

支持向量机是基于统计学习理论的一种新兴的通用机器学习技术,相比传统的统计学习理论,其性能有突出的优越性。论述了支持向量机技术的研究和目前的应用状况,并指出了支持向量机技术在应用研究中一些待解决的问题和研究方向。     

支持向量机技术及其应用．

本文对支持向量机的原理和应用进行了论述。对支持向量机技术在文本识别、数字识别、人脸检测、人脸识别、人脸认证、特征提取方面的应用进行了讨论,并指出了支持向量机技术在应用研究中一些待解决的问题和研究方向。     

支持向量机的学习方法综述

支持向量机是一种基于统计学习理论的新型机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.详细总结了支持向量机的学习方法,其学习方法主要分为3大类:分解算法、多变量更新算法和序列算法,比较了它们的优缺点;最后指出了学习算法的研究方向.     

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题.在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.     

支持向量机及其应用研究

统计学习理论专门研究实际应用中有限样本情况的机器学习规律，并发展了支持向量机这一新的通用学习方法，由于它基于结构风险最小化原理。而不是传统统计学的经验风险最小化，表现出很多优于已有方法的性能，迅速引起各领域的注意和研究兴趣，取得了大量的应用成果，推动了各领域的发展。     

一种基于支持向量机的曲线逼近方法

提出了一种基于支持向量机的曲线逼近算法,通过实验,验证了该方法的有效性.     

一种新型加权支持向量回归机

与统计学习理论结合,并把数据样本映射到高维空间,有时标准支持向量回归机运算速度和精度不理想.针对线性不可分的情况,在支持向量回归机目标函数中增加两个平方松弛项,这样可以减少两个约束条件.每个松弛项赋予不同的加权系数,可根据实际需要调节它们的权重.这种新算法称为新型加权支持向量回归机(weighted support vector regression machine,WSVRM),并把它用于函数逼近.实验结果表明,所提出的新型加权支持向量回归机具有良好的函数估计能力和数据预测能力.     

支持向量机学习方法的选择与应用

介绍支持向量机中的核函数及其参数的选择和相关应用技术，以及SVM的应用研究。在不同的学习方法下进行了仿真实验，并对4种不同方法的分类特性进行了对比分析，给出了在不同模式识别问题中不同方法的选择条件。     

一种基于支持向量机的多分辨率信号逼近算法

为了进一步提升多分辨率信号逼近算法(MSA)的逼近性能,提出了一种基于支持向量机(SVM)的信号多分辨率逼近算法(SVM-MSA).SVM-MSA以尺度子空间是再生核希尔伯特空间为前提,先在MSA中集成SVM的逼近准则并得到一个无约束规划,再引入松弛变量将无约束规划转化为约束规划,最后借助拉格朗日乘子法求解约束规划,获得逼近系数与逼近表达式.SVM-MSA不仅保留了MSA的多分辨率逐级逼近特点,而且兼具SVM良好的逼近准确度与平滑度.实验结果表明:在逼近sinc信号时,SVM-MSA具有比MSA更好的逼近准确度与平滑度;在噪声环境下,当输入信噪比大于约2 dB时,具有更强的稳健性.     

支持向量机及核函数研究

对核函数进行了初步探讨,从理论上研究了多项式核函数参数的选择问题,从实验角度对多项式核函数与径向基核函数进行了比较分析,并阐述了Sigmoid核函数的特点,可作为一般SVM分类问题选择核函数及核函数参数范围的依据.     

支持向量机的光滑与逼近关系研究

支持向量机是近年来数据挖掘领域发展起来的一个新方法.对现有的四个光滑支持向量机进行了分析,研究了支持向量机的光滑与逼近的关系.数值实验结果表明,支持向量机在具有二阶光滑的条件下,分类效果随逼近精度的提高而改善.     

线性规划支持向量机

通过对统计学习理论中的支持向量回归问题,特别是结构风险问题和ε-不敏感函数的分析,得到了一种新的支持向量回归算法.新算法将传统的支持向量回归问题中的二次优化问题改进为线性规划问题,这一改进大大降低了求解的复杂度,其训练时间快了至少一个数量级以上.最后对人工和实际的样本进行了试验,结果说明了线性规划支持向量回归能较好地逼近被估计函数,且计算复杂度明显降低.