期刊文献+

几种支持向量机增量学习算法分析与比较 被引量:1

下载PDF
导出
摘要 支持向量机增量学习算法相对于其它训练算法,具有运算速度快,节约运算时间,占用内存空间较少等优点。本文阐述了几种具有代表性的增量学习算法,并比较了它们的优缺点,对其发展方向进行了进一步的研究。
出处 《福建电脑》 2008年第1期47-47,91,共2页 Journal of Fujian Computer
  • 相关文献

参考文献7

二级参考文献46

  • 1曾文华,马健.支持向量机增量学习的算法与应用[J].计算机集成制造系统-CIMS,2003,9(z1):144-148. 被引量:27
  • 2滕月阳,唐焕文,张海霞.一种新的支持向量机增量学习算法[J].计算机工程与应用,2004,40(36):77-80. 被引量:7
  • 3Vapnik N.The Nature of Statistical Learning Theory[M].New York: Springer Press, 2000. 被引量:1
  • 4Ruping S.Incremental Learning with Support Vector Machines[C].In: ICDM ,2001:641 -642. 被引量:1
  • 5Fung G,Mangasarian O L.lncremental Support Vector Machine Classification[R].Madison, Wisconsin, 2001. 被引量:1
  • 6XIAO Rong,WANG Ji-cheng,ZHANG Fa-yan.An approach to incremental SVM learning algorithm[C]//ICTAI2000.Vancouver,British Columbia,Canada:IEEE,2000:268-273. 被引量:1
  • 7SYED N,LIU H,SUNG K K.Incremental learning with support vector machines[C]//IJCAI 1999.Stockholm:Morgan kaufmann publishers,1999:352-356. 被引量:1
  • 8]KRISTIN P B,ERIN J B.Geometry in learning[R].New York:Rennselaer Polytechnic Institute,1996. 被引量:1
  • 9.[EB/OL].http://www.bupa.co.uk/,. 被引量:1
  • 10Vapnik V N 张学工.统计学习理论的本质[M].北京:清华大学出版社,2000.. 被引量:174

共引文献73

同被引文献12

  • 1孔锐,张冰.一种快速支持向量机增量学习算法[J].控制与决策,2005,20(10):1129-1132. 被引量:31
  • 2郑志洵,杨建刚.大规模训练数据的支持向量机学习新方法[J].计算机工程与设计,2006,27(13):2425-2426. 被引量:14
  • 3李祥纳,艾青,秦玉平,刘卫江.支持向量机增量学习算法综述[J].渤海大学学报(自然科学版),2007,28(2):187-189. 被引量:12
  • 4HAN J,KAMBER M.数据挖掘概念与技术[M].北京:机械工业出版社,2007:251-261. 被引量:9
  • 5BAESENS B, GESTEL T V,VIAENE S,et al. Benchmarking state-of-the-art classification algorithms for credit scoring[ J}. Journal ofthe Operational Research Society, 2003,54(6): 627 -635. 被引量:1
  • 6邓乃扬,田英杰.数据挖掘中的新方法:支持向麗机[M].北京:科学出版社,2006:125-161. 被引量:1
  • 7ZHANG Y-C, HU G-S, ZHU F-F, et al. A new incremental learn-ing support vector machine[ C] // AICl'09: Proceedings of the 2009International Conference on Artificial Intelligence and ComputationalIntelligence. Piscataway: IEEE, 2009: 8 - 10. 被引量:1
  • 8ZHU F, YEN,PAN D-Y, et al. Incremental support vector machinelearning: an angle approach [ C}// Proceedings of the 2011 FourthInternational Joint Conference on Computational Sciences andOptimization. Piscataway: IEEE, 2011:288 - 292. 被引量:1
  • 9CERVANTES J,LI X, YU W. Support vector machine classificationbased on fuzzy clustering for large data sets[ CJ // MICAI 2006, LNAI4293. Berlin: Springer, 2006:572 - 582. 被引量:1
  • 10GERVANTES J, LIA X, YU W, et al. Support vector machineclassification for large data sets via minimum enclosing ballclustering J]. Neurocomputing, 2008,71(4/5/6) :611 —619. 被引量:1

引证文献1

二级引证文献3

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部