搜索资源列表
基于支持向量机的手写数字识别(小论文+matlab编程及结果)
- 支持向量机的研究现已成为机器学习领域中的研究热点,其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型泛化误差的上界,即最小化模型的结构风险,从而提高了模型的泛化能力,这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的,经过十几年的研究和发展,已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。
svm_wenxian
- 支持向量机是一种新颖的机器学习方法,主要用于模式识别、回归预测、函数逼近、参数估计。相比于其他的学习方法,支持向量机不仅克服了非线性,局部极小和维数灾难问题,而且具有更好的泛化能力。-Support vector machine is a novel machine learning method, mainly for pattern recognition, regression, function approximation, parameter estimation. Compared
Character-Recognition(Lib-SVM)
- 支持向量机的研究现已成为机器学习领域中的研究热点,其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型泛化误差的上界,即最小化模型的结构风险,从而提高了模型的泛化能力,这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的,经过十几年的研究和发展,已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。- Support
adaptive-genetic-algorithm
- 自适应GA SVM 参数选择算法研究Param eter selection algorithm for support vector machines based on adaptive genetic algorithm 支持向量机是一种非常有前景的学习机器, 它的回归算法已经成功地用于解决非线性函数的逼近问题. 但 是, SVM 参数的选择大多数是凭经验选取, 这种方法依赖于使用者的水平, 这样不仅不能获得最佳的函数逼近效果, 而且采用人工的方法选择 SVM 参数比较浪费
SVM-function-available
- 可以实现SVM函数曲线拟合,支持向量机曲线逼近,多类分类等等强大功能,无需修改源程序,直接可用-The SVM function curve fitting, support vector machines curve approximation, powerful multi-class classification, etc., without modifying the source code directly available
chks光滑支持向量机-程序
- CHKS光滑孪生支持向量机程序, 采用CHKS光滑函数逼近无约束孪生支持向量机的不可微部分,得到一类光滑的孪生支持向量机。(CHKS smooth twin support vector machine program)