排序方式: 共有20条查询结果,搜索用时 15 毫秒
1.
改进工作集选择策略的序贯最小优化算法 总被引:3,自引:0,他引:3
针对标准序贯最小优化(sequential minimal optimization, SMO)算法采用可行方向工作集选择策略所带来的缓存命中率低下问题,给出了SMO类型算法每次迭代所带来的目标函数下降量的二阶表达式,并据此提出了一种改进的工作集选择策略.新策略综合考虑算法收敛所需的迭代次数及缓存效率,从总体上减少了核函数计算次数,因此极大提高了训练效率,并且,它在理论上具有严格的收敛保障.实验结果表明,核函数越复杂,样本维度越高,缓存容量相对训练样本的规模越小,改进工作集选择策略的SMO算法相较于标准SMO算法的性能提高就越显著. 相似文献
2.
3.
通过和国内著名的安全厂商合作,借鉴企业先进实践经验,设置合理的实验环境与教学内容,通过完善实践环节和有效的实践控制机制,使学生通过实验提高理论知识体系,培养学生信息安全意识和增强学生活学活用的能力,为企业提供信息安全保障与管理人才。 相似文献
4.
5.
6.
规模约束可有效改善聚类算法的性能,但是各类规模约束后所含实例对象数量不一致将降低聚类算法的性能.采用一种新的模式对各类进行了规模约束,并转化为线性规划问题进行求解.UCI标准数据集上的实验结果表明本算法与随机模式相比具有更好的聚类精度,即使当规模约束适当放宽后,聚类性能也可得到明显提升.提出的方法能够有效地提高聚类的准确性. 相似文献
7.
8.
9.
将线性尺度空间的特征点扩展问题转化为多尺度数据集的同尺度内分类问题,该问题属于尺度不变的非平衡数据集分类问题。提出了一种基于尺度空间的核学习的采样算法来处理支持向量机(support vector machine,SVM)在非平衡数据集上的分类问题。其核心思想是首先在核空间中对少数类样本进行上采样,然后通过输入空间和核空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练,从而有效克服了目前采样方法在不同空间处理训练样本所带来的数据不一致问题。该算法所采用的采样策略不仅能够降低数据失衡率,而且能够拓展少数类样本所形成的凸壳,从而更为有效地纠正最优分类超平面偏移问题。实验结果证明,所获得的结果分类器具有更好的泛化性能,能够在同尺度内有效扩展稳定特征点数量。 相似文献
10.
针对车载自组网(VANET)在城市环境中信道传播模型不真实的问题,提出了一个考虑障碍物影响的信道传播模型。首先,通过地图位置处理把信号的传播分为直接的视距传输、经过1次转向的非视距传输和禁止传输三类;其次,给出了视距与非视距传输下接收端的接收功率表达式;最后,推导了Nakagami分布下的分组传递率。理论分析和洪泛广播协议仿真实验结果表明,该模型有效反映了信号传播受路旁障碍物影响的真实情况,在轻负载的稀疏场景降低了31.4个百分点的覆盖率,而在重负载的稠密场景则提升了13.32个百分点的覆盖率。所提模型模拟了5.9 GHz高频信号的直线传输效应,为通信协议的设计策略以及真实的VANET仿真提供了依据。 相似文献