受噪声影响的模糊样本学习理论的关键定理

统计学习理论是一种较好的小样本统计理论,它所处理的数据是随机样本.考虑到现实世界的模糊性,把统计学习理论中的样本从随机样本扩展到模糊样本既有理论意义又有应用价值.然而目前基于模糊样本的统计学习理论的研究,总是假定所处理的样本不受噪声的影响,从而不会引起误差,但由于人为、环境等因素的影响,事实往往并非如此.基于此种考虑,本文给出了受噪声影响的模糊样本的统计学习理论的关键定理.     

小样本机器学习理论：统计学习理论

统计学习理论是由Vapnik等人提出的一种有限样本统计理论,是模式识别邻域新近发展的一种新理论,着重研究在小样本情况下的统计规律及学习方法性质,它为小样本机器学习问题建立了一个较好的理论框架,也发展了一种的通用学习算法－－支持向量机,较好地解决了小样本机器学习问题。该文旨在介绍统计学习理论的基本思想、特点、研究现状和一些思考。     

浅谈统计理论对电力统计工作实践的指导作用

电力统计工作实践中经常会出现各种各样的问题,只有通过加强对统计理论的学习,了解统计理论的要求,才能更加合理、有效的进行统计工作。本文就统计理论对电力统计实践的指导作用进行了论述。     

模拟实验加强对概率统计核心概念的理解

正确理解核心统计概念是统计学习的关键所在。不同的统计模型虽然在具体方法上有所不同,但由核心统计概念所表达的统计思想和统计理论却是完全一致的。本文讨论了通过统计模拟辅助教学手段帮助学生理解核心统计概念的意义和方法。     

宏观态与微观态教学辨析

在《热力学与统计物理学》教学中 ,大多数教师往往忽略了对宏观态与微观态进行深入的分析 ,致使学生一开始学习该课程就感到困难 .本文提出教学中对宏观态与微观态的深入分析是学习统计物理学的始点 ,是学好统计物理基础理论的关键     

图书馆统计工作现状浅析

本文针对图书馆目前在统计工作中存在的问题,提出了加强对统计工作在图书馆管理中的认识、图书馆统计的理论学习、提高人员素质、规范图书馆统计管理等建议。     

基于随机模糊样本的统计学习理论基础

首先介绍了随机模糊理论的基本内容，进而证明了基于随机模糊样本的统计学习理论的关键定理，且讨论了学习过程一致收敛速度的界，为系统建立不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础．     

RSILP模型若干问题的研究

利用基于粗糙集理论的统计关系学习方法, 解决了统计关系学习中归纳逻辑程序设计方法的不确定性问题, 并改进了粗糙集结合归纳逻辑程序设计的系列模 型, 从而得到更加准确的模型体系定义. 改进后的模型系列更合理完善.     

可能性空间中学习过程一致收敛速度的界

在概率空间上统计学习理论是机器学习的重要组成部分.在概率空间上统计学习理论中一致收敛速度的界有重要的意义,利用经验风险最小化原则,这些界决定了学习机器的推广能力.本文在可能性空间中讨论了学习过程一致收敛速度的界,给出了一致收敛速度的界的估计并讨论了这些界和函数集容量之间的关系.     

关于麦—玻统计中配分函数的计算问题

在统计物理中,配分函数的重要性是众所周知的。本文分析总结了麦—玻统计中计算配分函数的若干典型例子,可以作为学习麦—玻统计的参考,也可以使读者从中领悟到计算配分函数的要领。     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

极限学习机的快速留一交叉验证算法

针对回归和分类问题,提出一种极限学习机(Extreme Learning Machine, ELM)的快速留一交叉验证算法,并从理论和数值仿真两方面说明其有效性.结果表明,该算法避免了以训练样本数量N次的ELM模型的显式训练,其计算复杂度与N仅呈线性趋势增长,即O(N).即使在处理大型数据集建模问题时,该算法仍然可以快速地进行ELM模型的选择和评价.通过人工和实际数据集上的仿真实验,验证了该快速留一交叉验证算法的有效性.     

Yarn Properties Prediction Based on Machine Learning Method

Although many works have been done to constructprediction models on yarn processing quality, the relationbetween spinning variables and yam properties has not beenestablished conclusively so far. Support vector machines(SVMs), based on statistical learning theory, are gainingapplications in the areas of machine learning and patternrecognition because of the high accuracy and goodgeneralization capability. This study briefly introduces theSVM regression algorithms, and presents the SVM basedsystem architecture for predicting yam properties. Model.selection which amounts to search in hyper-parameter spaceis performed for study of suitable parameters with grid-research method. Experimental results have been comparedwith those of artificial neural network(ANN) models. Theinvestigation indicates that in the small data sets and real-life production, SVM models are capable of remaining thestability of predictive accuracy, and more suitable for noisyand dynamic spinning process.     

基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。     

支持向量机研究与应用

支持向量机是在统计学习理论基础上发展起来的一种新的机器学习方法，同时也是到目前为止统计学习理论最成功的实现。支持向量机在模式识别、回归估计、函数逼近等领域有了广泛的应用。论述了支持向量机的研究、应用状况，指出了支持向量机研究和应用中待解决的一些问题和今后进一步的研究方向。     

神经网络的统计学习理论基础

介绍神经网络的统计学习过程和理论．讨论基于经验风险最小化的学习理论对神经网络推广性能的影响,分析基于结构风险最小化的支持向量机。认为神经网络因其出色的高度非线性映射能力、自组织和适应能力、记忆联想能力,使得神经网络成为机器学习的重要研究领域。     

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。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。