人防地下室在战争期间的运用探讨

城市是经济的重要枢纽,是人口的聚集地,其经济地位与战略地位尤为突出,因此,如何加强城市国防安全建设显得尤为重要。本文主要探讨了人防地下室在战争中的巨大作用,并指出了当前城市人防地下室建设中存在的问题。意在进一步完善城市人防地下室的建设,确保其在战争期间具有更加强大的防御效果。     

现代建筑电气设计问题初探

市场经济环境下,建筑业及其相关产业近些年的发展最为迅猛,而其中的建筑电气的飞速发展更令人为之侧目,于此相对应并为此服务的建筑电气设计相比之下就逊色的多,这样不仅阻碍自身发展,也在一定程度上制约着建筑电气的发展,其于此前提,笔者就发现和如何解决建筑电气设计问题谈谈自己的看法。     

支持向量机的一种特征选取算法

支持向量机（Support Vector Machine,SVM）是一种有效的分类方法,其学习本质是通过对偶问题求解原问题,但是它不能直接获得特征重要性。提出一种新的特征选取算法,实验表明,该特征选取算法与一般特征选取算法（如F-Score算法）相比,对同一测试数据集计算的结果具有相同的降序排列结果,而且有更好的特征刻画量化指标,分界线更明显,表明新的特征选取算法具有更佳的合理性。     

人防地下室在战争期间的运用探讨

城市是经济的重要枢纽,是人口的聚集地,其经济地位与战略地位尤为突出,因此,如何加强城市国防安全建设显得尤为重要。本文主要探讨了人防地下室在战争中的巨大作用,并指出了当前城市人防地下室建设中存在的问题。意在进一步完善城市人防地下室的建设,确保其在战争期间具有更加强大的防御效果。     

基于核函数的支持向量机样本选取算法

使用支持向量机求解大规模数据分类需要较大内存来存储Hessian矩阵,而矩阵的大小则依赖于样本数1,因此在一定程度上导致支持向量机分类效率及质量难以提高.考虑到只有成为支持向量的样本才对决策函数起作用,为了减少训练样本时所需空间及时间开销,提高支持向量机分类效率与质量,提出了一种基于核函数的样本选取算法.该算法通过选取最大可能成为支持向量的样本,以达到减少训练时存储Hessian矩阵所需空间及时间开销的目的.实验结果表明,该算法所筛选出的样本不仅可以提高样本训练准确率,而且可以提高分类计算速度和减少存储空间开销.