您的位置： 专家智库 > >

中国博士后科学基金(20080441081)

作品数：3 被引量：38H指数：2
相关作者：闫志刚杜培军白海波更多>>
相关机构：中国矿业大学江苏省资源环境信息工程重点实验室更多>>
发文基金：中国博士后科学基金国家自然科学基金国家重点基础研究发展计划更多>>
相关领域：自动化与计算机技术矿业工程更多>>

文献类型

  • 4篇会议论文
  • 3篇期刊文章

领域

  • 4篇矿业工程
  • 3篇自动化与计算...

主题

  • 3篇SVMS
  • 2篇底板
  • 2篇底板破坏
  • 2篇底板破坏深度
  • 2篇支持向量
  • 2篇支持向量机
  • 2篇向量
  • 2篇向量机
  • 2篇聚类
  • 2篇分类树
  • 2篇PSO
  • 2篇PSO优化
  • 2篇LS-SVM
  • 2篇H-
  • 1篇多类支持向量...
  • 1篇性能分析
  • 1篇岩层
  • 1篇涌水
  • 1篇支持向量机模...
  • 1篇煤岩

机构

  • 7篇中国矿业大学
  • 1篇江苏省资源环...

作者

  • 7篇闫志刚
  • 3篇杜培军
  • 2篇徐会军
  • 1篇白海波

传媒

  • 1篇东南大学学报...
  • 1篇数据采集与处...
  • 1篇岩石力学与工...
  • 1篇2009年中...

年份

  • 1篇2011
  • 2篇2010
  • 4篇2009
共 3 条 记 录，以下是 1-7
全选 清除 导出
排序方式：
H-SVMs的构造方法
通过推导H-SVMs推广能力的模型,得出H-SVMs的推广能力与样本类别数、空间分布、容量、树结构等有关,且保证高优先级结点的推广性能是提高H-SVMs性能的有效途径。根据分析结果,提出了一种基于SVM最大间隔分类、最小...
闫志刚杜培军
关键词：分类树
文献传递
基于PSO优化的煤层底板破坏深度预测的LS-SVM模型
利用现场搜集的煤层底板采动破坏深度实例,分析了煤层底板破坏深度的影响因素,为克服人工神经网络方法容易出现过学习的问题,提出了一种新的预测煤层底板破坏深度的粒子群支持向量机方法。利用粒子群算法优化最小二乘支持向量机的参数,...
徐会军闫志刚
关键词：LS-SVMPSO底板破坏深度
多类支持向量机推广性能分析被引量：8
2009年
为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式。对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间。研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向。
闫志刚杜培军
关键词：多类支持向量机SVMS
基于PSO优化的煤层底板破坏深度预测的LS-SVM模型
利用现场搜集的煤层底板采动破坏深度实例,分析了煤层底板破坏深度的影响因素,为克服人工神经网络方法容易出现过学习的问题,提出了一种新的预测煤层底板破坏深度的粒子群支持向量机方法。利用粒子群算法优化最小二乘支持向量机的参数,...
徐会军闫志刚
关键词：LS-SVMPSO底板破坏深度
文献传递
煤岩层对比图自动绘制的研究
对煤岩层对比图的自动绘制进行了研究,建立了煤岩层基础数据库、知识库,实现了它们的统一管理,开发了煤岩层对比图自动绘制系统。实例证明该方法是可行、高效的,不需或需要极少的人工干预。
闫志刚
关键词：煤岩层对比
文献传递
矿井涌水水源识别的MMH支持向量机模型被引量：30
2009年
提出一种新的多水源判别的H支持向量机模型。推导H支持向量机的理论推广误差公式,发现确保高优先级节点的推广性能是提高H支持向量机性能的有效途径;设计基于SVM最大间隔逐层分类、最小间隔逐层聚类构造H支持向量机的新方法,以各支持向量机节点的分类间隔为分类、聚类指标,通过TopDown,BottomUp两种方式混合构造H支持向量机,即MMH支持向量机。实验效果表明,MMH支持向量机结构简单、泛化能力强,不仅能正确区分各类水源,而且其层次结构能很好地反映各水源的层次关系。判别函数的法向量还可以指示各含水层水质化验指标的权重,为矿井涌水水源识别提供了新的科学方法。
闫志刚白海波
关键词：采矿工程矿井涌水
H-SVMs的构造方法
2009年
通过推导H-SVMs推广能力的模型,得出H-SVMs的推广能力与样本类别数、空间分布、容量、树结构等有关,且保证高优先级结点的推广性能是提高H-SVMs性能的有效途径。根据分析结果,提出了一种基于SVM最大间隔分类、最小间隔聚类构造H-SVMs的新方法。利用SVM的分类间隔作为分类、聚类指标,通过Top-down和Bottom-up两种途径混合构造H-SVMs,其中,最大间隔分类采用Top-down策略,在各结点依次选择最大间隔的SVM,将输入样本按类别分为2类;最小间隔聚类采用Bottom-up策略,在各结点依次选择最小间隔的SVM,将输入样本按类别两两聚类。从UCI数据库中选取多类数据进行测试,实验结果验证了该方法的有效性,说明所构造的H-SVMs具有较好的、稳定的推广性能。
闫志刚杜培军
关键词：分类树
全选 清除 导出
共1页<1>
聚类工具0