| 最小二乘支持向量机算法研究 |
| |
| 引用本文： | 朱家元,陈开陶,张恒喜.最小二乘支持向量机算法研究[J].计算机科学,2003,30(7):157-159. |
| |
| 作者姓名： | 朱家元 陈开陶 张恒喜 |
| |
| 作者单位： | 1. 空军工程大学工程学院飞机与发动机工程系,西安,710038
2. 总装备部系统工程研究所,北京,100101 |
| |
| 基金项目： | 国防预研资助基金(项目编号:98J19.3.2.JB3201)，空军重点型号工程课题 |
| |
| 摘 要： | 1 引言支持向量机(SVM,Support Vector Machines)是基于结构风险最小化的统计学习方法,它具有完备的统计学习理论基础和出色的学习性能,在模式识别和函数估计中得到了有效的应用(Vapnik,1995,1998)。支持向量机方法一方面通过把数据映射到高维空间,解决原始空间中数据线性不可分问题;另一方面,通过构造最优分类超平面进行数据分类。神经网络通过基于梯度迭代的方法进行数据学习,容易陷入局部最小值,支持向量机是通过解决一个二次规划问题,来获得
|
| 关 键 词： | 支持向量机 机器学习 模式识别 最小二乘算法 函数估计 |
Study of Least Squares Support Vector Machines |
| |
| ZHU Jia-Yuan CHEN Kai-Tao ZHANG Heng-Xi.Study of Least Squares Support Vector Machines[J].Computer Science,2003,30(7):157-159. |
| |
| Authors: | ZHU Jia-Yuan CHEN Kai-Tao ZHANG Heng-Xi |
| |
| Abstract: | In this paper, we present a least squares version for support vector machines(SVM)classifiers and function estimation. Due to equality type constraints in the formulation, the solution follows from solving a set of linear equations, instead of quadratic programming for classical SVM. The approach is illustrated on a two-spiral benchmark classification problem. The results show that the LS-SVM is an efficient method for solving pattern recognition. |
| |
| Keywords: | Statistical learning theory Support vector machines Pattern Recognition Least squares support vector machines Neural networks |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
|
点击此处可从《计算机科学》下载全文 |
|
