排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
支持向量机(support vector machine,SVM)通过结构风险最小化构建模型,模型简单易理解,但求解过程较复杂;而最小二乘支持向量机(least squares support vector machine,LSSVM)求解的是一组线性方程组,其求解效率远高于SVM．然而,传统LSSVM忽略了样本点到超平面分布的影响．为了充分考虑数据的分布,本研究从LSSVM出发,加入最小化距离方差与最大化距离均值正则项,构建全新的LSSVM模型(LSSVM＿rv和LSSVM＿rm＿rv模型)．该模型的优势在于：依据数据的分布特征构建模型,分类效果更好;对偶问题仍是一组线性方程组,计算成本较小．大量的数值实验进一步验证上述模型的优越性,与传统SVM和LSSVM相比,在6个数据集上的分类准确率均有所提高,并且节省了大量的训练时间． 相似文献
1