公共文化服务平台

共 8 条记录，以下是 1-8

全选清除导出

排序方式：

支持向量回归多参数的同时调节: 参数调节问题是支持向量回归的基本问题，已有的参数调节方法主要采用内外双层优化框架，调节过程中，训练学习器与更新超参数交替进行。这种嵌套结构具有较高的计算高复杂性。针对这一问题，提出了支持向量回归多参数的同时调节模型。首先...; 廖士中丁立中贾磊; 关键词：支持向量回归

基于矩阵分析的核方法近似模型选择: 核方法模型选择是核方法理论研究和实际应用的重要问题。已有模型选择准则通常难以计算或计算复杂度高。核矩阵包含核函数在所有样本点上的全部信息。因此，本文基于矩阵分析研究核方法近似模型选择的有效途径。具体内容如下：　　1.发展...; 丁立中; 关键词：核方法矩阵分析一致性

一种基于支持向量机的核矩阵近似方法: 本发明公开了一种基于支持向量机的核矩阵近似方法，该方法包括以下步骤：将作为样本的核矩阵借助支持向量机的凸二次约束规划表示，即给出支持向量机的二阶锥规划表示；综合Monte Carlo随机算法和不完全Cholesky分解算...; 廖士中杨晨豪丁立中; 文献传递

基于正则化路径的支持向量机近似模型选择被引量：10: 2012年; 模型选择问题是支持向量机的基本问题.基于核矩阵近似计算和正则化路径,提出一个新的支持向量机模型选择方法.首先,发展初步的近似模型选择理论,包括给出核矩阵近似算法KMA-α,证明KMA-α的近似误差界定理,进而得到支持向量机的模型近似误差界.然后,提出近似模型选择算法AMSRP.该算法应用KMA-α计算的核矩阵的低秩近似来提高支持向量机求解的效率,同时应用正则化路径算法来提高惩罚因子C参数调节的效率.最后,通过标准数据集上的对比实验,验证了AMSRP的可行性和计算效率.实验结果显示,AMSRP可在保证测试集准确率的前提下,显著地提高支持向量机模型选择的效率.理论分析与实验结果表明,AMSRP是一合理、高效的模型选择算法.; 丁立中廖士中; 关键词：支持向量机

支持向量学习的多参数同时调节被引量：1: 2014年; 模型选择是支持向量学习的关键问题.已有模型选择方法采用嵌套的双层优化框架,内层执行支持向量学习,外层通过最小化泛化误差的估计进行模型选择.该框架过程复杂,计算效率低.简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练.首先,将支持向量学习中的参数和超参数合并为一个参数向量,利用序贯无约束极小化技术(sequential unconstrained minimization technique,简称SUMT)分别改写支持向量分类和回归的有约束优化问题,得到多参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性.在此基础上,应用变尺度方法(variable metric method,简称VMM)设计并实现了多参数同时调节算法.进一步地,基于多参数同时调节模型的性质,证明了算法收敛性,对比分析了算法复杂性.最后,实验验证同时调节算法的收敛性,并实验对比同时调节算法的有效性.理论证明和实验分析表明,同时调节方法是一种坚实、高效的支持向量模型选择方法.; 丁立中贾磊廖士中; 关键词：核方法

基于核矩阵近似计算的支持向量机参数调节: 参数调节是支持向量机模型选择的基本问题.已有的参数调节方法可概括为一个内外双层的优化框架，训练学习器与更新超参数交替进行.本文基于矩阵近似计算的Monte Carlo方法和不完全Cholesky分解方法，设计了新的核矩阵...; 丁立中廖士中; 关键词：支持向量机; 文献传递

支持向量回归多参数的同时调节被引量：6: 2009年; 参数调节问题是支持向量回归的基本问题.已有的参数调节方法主要采用内外双层优化框架,调节过程中,训练学习器与更新超参数交替进行.这种嵌套结构具有较高的计算复杂性.针对这一问题,提出了支持向量回归多参数的同时调节模型.首先,将Lagrange乘子、惩罚因子、不敏感度参数和核函数参数合并为一个参数向量,推导出支持向量回归问题的一个新的表示形式,可将原来分离的双层调节过程整合为一个单层调节过程.然后,应用贯序无约束极小化技术(SUMT),将支持向量回归问题转化为多元无约束优化问题.在此基础上,应用变尺度方法(VMM)设计、分析并实现了一个同时调节算法.最后,通过标准数据集上的实验,验证了同时调节算法的收敛性,并比较了同时调节算法与常用调节算法的有效性和计算效率.理论分析与实验结果表明,同时调节模型是一正确且有效的多参数调节模型.; 廖士中丁立中贾磊; 关键词：支持向量回归

KMA-α:一个支持向量机核矩阵的近似计算算法被引量：8: 2012年; 核矩阵计算是求解支持向量机的关键,已有精确计算方法难以处理大规模的样本数据.为此,研究核矩阵的近似计算方法.首先,借助支持向量机的凸二次约束线性规划表示,给出支持向量机和多核支持向量机的二阶锥规划表示.然后,综合Monte Carlo方法和不完全Cholesky分解方法,提出一个新的核矩阵近似算法KMA-α,该算法首先对核矩阵进行Monte Carlo随机采样,采样后不直接进行奇异值分解,而是应用具有对称置换的不完全Cholesky分解来计算接近最优的低秩近似.以KMA-α输出的近似核矩阵作为支持向量机的输入,可提高支持向量机二阶锥规划求解的效率.进一步,分析了KMA-α的算法复杂性,证明了KMA-α的近似误差界定理.最后,通过标准数据集上的实验,验证了KMA-α的合理性和计算效率.理论分析与实验结果表明,KMA-α是一合理、有效的核矩阵近似算法.; 丁立中廖士中; 关键词：支持向量机核方法二阶锥规划 CHOLESKY分解

全选清除导出

共1页<1>

丁立中