排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
2.
在工业、农业等实际应用领域中,传感器是获取信息的主要工具,而当某个传感器发生故障时,单个决策系统的性能会急剧下降,甚至导致整个系统的瘫痪.为了提高决策系统的容错能力,将多分类器融合的方法应用到此领域.首先利用粗糙集的方法进行特征选择,得到3组不同的约简.再利用模糊输出支持向量机方法,训练出3个分类器.测试样本通过这3个分类器分别给出该样本属于各类的隶属度,再通过均值的融合方法,给出最后的分类决策.将该SVM多分类器融合方法应用于6组UCI标准数据集中,实验表明,传感器出现断路或短路故障时,单个分类器的分类精度急剧下降,但是通过融合的方法,使得最后的分类精度与原始精度基本相当. 相似文献
3.
在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。 相似文献
4.
5.
在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。 相似文献
1