1) linear support vector machine(LSVM)
线性支持向量机(LSVM)
1.
This paper proposes a wrapper feature selection algorithm MRMHC-ISVM aiming at modeling lightweight flow classi- fiers by using the modified random mutation hill climbing(MRMHC)approach as the search strategy to specify candidate subsets for evaluation and using the linear support vector machine(LSVM)algorithm as the wrapper approach to obtain the optimum feature subset.
该算法采用改进的随机变异爬山(MRMHC)搜索策略对特征子集空间进行随机搜索,然后利用提供的数据在无约束优化线性支持向量机(LSVM)上的分类错误率作为特征子集的评价标准来获取最优特征子集。
2) Linear SVM
线性支持向量机
1.
In the decision tree, several linear SVM were constructed which can achieve the highest detection rate on the negative samples combining the feature extraction method, the negative samples which can be correctly classified by the hyperplane were removed from the original samples, and trained one nonlinear SVM using the rest samples.
该方法首先构造在负样本上分类正确率最高的线性支持向量机,并与特征提取相结合得到新的支持向量机分类器,被该支持向量机正确分类的负样本将从训练样本集中删除,类似得到一系列的线性支持向量机,最后用余下的训练样本训练一个非线性支持向量机;分类时,决策树中的根节点作为第一个分类器,再根据分类的结果决定下一步的走向。
3) inear support vector machine
线性支持向量分类机
1.
Degenerate solution to linear support vector machine;
线性支持向量分类机的平凡解
4) nonlinear SVM
非线性支持向量机
1.
In the decision tree, several linear SVM were constructed which can achieve the highest detection rate on the negative samples combining the feature extraction method, the negative samples which can be correctly classified by the hyperplane were removed from the original samples, and trained one nonlinear SVM using the rest samples.
该方法首先构造在负样本上分类正确率最高的线性支持向量机,并与特征提取相结合得到新的支持向量机分类器,被该支持向量机正确分类的负样本将从训练样本集中删除,类似得到一系列的线性支持向量机,最后用余下的训练样本训练一个非线性支持向量机;分类时,决策树中的根节点作为第一个分类器,再根据分类的结果决定下一步的走向。
5) Online SVM
在线支持向量机
1.
A Fast Online SVM Algorithm for Multi-user Detection;
该文提出了一种快速的在线支持向量机多用户检测算法。
6) Flexible Support Vector Machine
柔性支持向量机
补充资料：支持向量机方法
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条