首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   169篇
  国内免费   3篇
  完全免费   31篇
  自动化技术   203篇
  2016年   1篇
  2015年   2篇
  2014年   7篇
  2013年   11篇
  2012年   15篇
  2011年   24篇
  2010年   10篇
  2009年   13篇
  2008年   19篇
  2007年   28篇
  2006年   18篇
  2005年   8篇
  2004年   9篇
  2003年   6篇
  2002年   14篇
  2001年   4篇
  2000年   4篇
  1999年   2篇
  1998年   2篇
  1997年   3篇
  1996年   1篇
  1994年   1篇
  1993年   1篇
排序方式: 共有203条查询结果,搜索用时 46 毫秒
1.
2.
基于RBF核的SVM的模型选择及其应用   总被引:22,自引:2,他引:20  
使用RBF核的SVM(支持向量机)被广泛应用于模式识别中。此类SVM的模型选择取决于两个参数,其一是惩罚因子C,其二是核参数σ^2。该文使用了网格搜索和双线性搜索两种方法进行参数选择,并将两者的优点综合。应用于脱机手写体英文字符识别。实验在NIST数据集上进行了验证,对搜索效率和推广识别率进行了比较。实验结果还表明使用最优参数的SVM在识别率上比使用ANN(人工神经元网络)的分类器有较大提高。  相似文献
3.
文本聚类中的贝叶斯后验模型选择方法   总被引:19,自引:0,他引:19  
对聚类分析中的模型选择特别是混合模型方法进行了较全面地介绍与总结,对其中的关键技术逐一进行了讨论。在此基础上,提出了贝叶斯后验模型选择方法,并把它与文档产生特征序列的物理模型相结合,给出了一个用于聚类分析的概率模型。对真实文本数据的测试中该模型取得了非常好的效果。同时对不同贝叶斯估计方法取得的效果进行了对比。  相似文献
4.
支持向量机最优模型选择的研究   总被引:18,自引:0,他引:18  
通过对核矩阵的研究,利用核矩阵的对称正定性,采用核校准的方法提出了一种SVM最优模型选择的算法——OMSA算法.利用训练样本不通过SVM标准训练和测试过程而寻求最优的核参数和相应的最优学习模型,弥补了传统SVM在模型选择上经验性强和计算量大的不足.采用该算法在UCI标准数据集和FERET标准人脸库上进行了实验,结果表明,通过该算法找到的核参数以及相应的核矩阵是最优的,得到的SVM分类器的错误率最小.该算法为SVM最优模型选择提供了一种可行的方法,同时对其他基于核的学习方法也具有一定的参考价值.  相似文献
5.
支持向量机(SVM)的研究进展   总被引:17,自引:0,他引:17  
介绍了基于分解思想的支持向量机的训练算法,主要有两大类:块算法和固定工作样本集算法及其对应的快速算法SVM-light、SMO、BSVM和LIBSVM;介绍了支持向量机的变形算法、多类分类算法及模型选择问题;并且对近年来支持向量机在实际中的应用做了简要介绍,最后讨论了支持向量机亟待解决的问题并对其发展进行了展望.  相似文献
6.
基于RBF核的SVM学习算法的优化计算   总被引:15,自引:0,他引:15  
李琳  张晓龙 《计算机工程与应用》2006,42(29):190-192,204
在SVM学习中,对SVM的核函数及其参数的选择还没有形成一个统一的模式。论文对基于RBF核的SVM分类器中参数(C,")的选定做了深入研究。分别探讨了网格搜索法和双线性搜索法以RBF为核的搜索特征,并对它们进行了改进。通过结合双线性搜索法和网格搜索法,提出了一种双线性网格搜索法。实验表明,双线性网格搜索法能有效地结合双线性搜索法训练量小和网格搜索法学习精度高的优点,提高学习精度和学习性能。  相似文献
7.
In this paper we present a new methodology of class discovery and clustering validation tailored to the task of analyzing gene expression data. The method can best be thought of as an analysis approach, to guide and assist in the use of any of a wide range of available clustering algorithms. We call the new methodology consensus clustering, and in conjunction with resampling techniques, it provides for a method to represent the consensus across multiple runs of a clustering algorithm and to assess the stability of the discovered clusters. The method can also be used to represent the consensus over multiple runs of a clustering algorithm with random restart (such as K-means, model-based Bayesian clustering, SOM, etc.), so as to account for its sensitivity to the initial conditions. Finally, it provides for a visualization tool to inspect cluster number, membership, and boundaries. We present the results of our experiments on both simulated data and real gene expression data aimed at evaluating the effectiveness of the methodology in discovering biologically meaningful clusters.  相似文献
8.
The Role of Occam's Razor in Knowledge Discovery   总被引:8,自引:1,他引:7  
Many KDD systems incorporate an implicit or explicit preference for simpler models, but this use of Occam's razor has been strongly criticized by several authors (e.g., Schaffer, 1993; Webb, 1996). This controversy arises partly because Occam's razor has been interpreted in two quite different ways. The first interpretation (simplicity is a goal in itself) is essentially correct, but is at heart a preference for more comprehensible models. The second interpretation (simplicity leads to greater accuracy) is much more problematic. A critical review of the theoretical arguments for and against it shows that it is unfounded as a universal principle, and demonstrably false. A review of empirical evidence shows that it also fails as a practical heuristic. This article argues that its continued use in KDD risks causing significant opportunities to be missed, and should therefore be restricted to the comparatively few applications where it is appropriate. The article proposes and reviews the use of domain constraints as an alternative for avoiding overfitting, and examines possible methods for handling the accuracy–comprehensibility trade-off.  相似文献
9.
基于聚类思想的软件可靠性模型选择   总被引:7,自引:1,他引:6  
软件可靠性模型应用的不同一致性一直是困扰软件可靠性研究人员的主要问题,模型选择和组合策略作为主要解决方法已成为模型应用的研究重点,该文主要探讨运用聚类思想进行软件可靠性模型选择的方法,根据针对实际失效和数据的可靠性模型评价准则值编码,该文采用斯昆合模型进行聚类分析,使用EM算法估计高斯混合模型的参数,贝叶斯准则进行模型选择,为验证此方法的有效性和可行性使用了多个实际项目中的失效数据进行试验,结果表明,此模型选择方法简单有效,有利地软件可靠性模型应用不一致性问题的解决。  相似文献
10.
Model Selection for Small Sample Regression   总被引:7,自引:0,他引:7  
Model selection is an important ingredient of many machine learning algorithms, in particular when the sample size in small, in order to strike the right trade-off between overfitting and underfitting. Previous classical results for linear regression are based on an asymptotic analysis. We present a new penalization method for performing model selection for regression that is appropriate even for small samples. Our penalization is based on an accurate estimator of the ratio of the expected training error and the expected generalization error, in terms of the expected eigenvalues of the input covariance matrix.  相似文献
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号