君，已阅读到文档的结尾了呢~~
模糊支持向量机的研究与应用（专业）计算机软件与理论。声明：知识水坝论文均为可编辑的文本格式PDF，请放心下载使用。需要DOC格式请发豆丁站内信。
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
模糊支持向量机的研究与应用
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口一种新的模糊支持向量机多分类算法_刘太安_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
一种新的模糊支持向量机多分类算法_刘太安
上传于|0|0|暂无简介
阅读已结束，如果下载本文需要使用0下载券
想免费下载更多文档？
定制HR最喜欢的简历
你可能喜欢基于Hadoop的模糊支持向量机算法研究
支持向量机是一种建立在统计理论基础之上的机器学习方法，是统计学习理论中结构最小化思想在实际中的体现，它较好的解决了非线性、高维度、过学习等问题，且被成功应用到语音识别、人脸识别、文章分类等多个领域。然而客观世界存在着大量模糊信息，如果使用支持向量机训练含有模糊信息的样本时，其分类性能将会受到很大影响，因此模糊支持向量机应运而生，对模糊支持向量机的研究无疑成为近年来的研究热点。　　模糊支持向量机处理不平衡数据集时存在严重分类偏差，且隶属度函数不能准确有效的反映出样本的重要性。针对此问题，本文提出了一种面向不平衡数...展开
支持向量机是一种建立在统计理论基础之上的机器学习方法，是统计学习理论中结构最小化思想在实际中的体现，它较好的解决了非线性、高维度、过学习等问题，且被成功应用到语音识别、人脸识别、文章分类等多个领域。然而客观世界存在着大量模糊信息，如果使用支持向量机训练含有模糊信息的样本时，其分类性能将会受到很大影响，因此模糊支持向量机应运而生，对模糊支持向量机的研究无疑成为近年来的研究热点。　　模糊支持向量机处理不平衡数据集时存在严重分类偏差，且隶属度函数不能准确有效的反映出样本的重要性。针对此问题，本文提出了一种面向不平衡数据集的模糊支持向量机模型。首先，根据正、负类样本数的不平衡比例，引入不平衡因子，接着在进行隶属度函数设计的过程中，结合样本紧密度与样本距离因素，将样本点分为孤立点、噪声点、边界点以及安全样本点，根据这些样本点的不同重要程度分别赋予不同的隶属度。实验结果表明这种方式在处理不平衡数据集，尤其是存在较多孤立、噪声点的不平衡数据时具有较大的优势。　　模糊支持向量机存在训练时间较长且不能对大规模数据集进行有效训练等问题，为了解决该问题，本文提出一种基于hadoop的模糊支持向量机。该方法结合hadoop平台处理大规模数据的高效性，利用层叠式分层的思想设计 mapreduce分层模型，首先对样本集进行等效划分，对划分后的子数据集使用本文提出的模糊支持向量机训练得到支持向量点，两两合并后再次训练，重复以上过程直到得到全局支持向量点集。该方式能够将对大规模数据的处理分而治之，减少训练时间。本文搭建小型hadoop环境进行实验，实验结果表明，本文方法能够在不损失分类精度的前提下大幅降低训练时间。收起
学位授予单位
机标分类号
本文读者也读过
加载中，请稍候
．客服电话
&&8:00-11:30,13:00-17:00(工作日)不确定性支持向量机——算法及应用_百度百科
不确定性支持向量机——算法及应用
本词条缺少信息栏，补充相关内容使词条更完整，还能快速升级，赶紧来吧！
《不确定性支持向量机——算法及应用》是科学出版社于2012年1月出版的图书，作者是杨志民。
不确定性支持向量机——算法及应用基本信息
不确定性支持向量机——算法及应用
　　　　　　　　杨志民,刘广利 著　　科学出版社　　2012年1月出版　　定价：59.00　　语种：中文　　标准书号：978-7-03-　　装帧：平装　　版本：第一版　　开本：B5　　责任编辑：刘凤娟　　字数：335千字　　读者对象：本科以上文化程度　　页数：266　　书类：理论专著/研究生教育　　册/包：　　编辑部： 科学数理分社　　附注：
不确定性支持向量机——算法及应用内容简介
不确定性支持向量机是数据挖掘的一个新的研究领域，能有效地处理不确定性信息条件下的模式分类、回归预测、聚类分析和有序回归等诸多问题，并可应用于预测预警、综合评价等领域，因此适用于理科、工科、管理和农业等多个学科。　　本书从不确定性规划出发，结合模糊、粗糙和未确知等不确定性理论，详细阐述适用于各类问题的不确定性支持向量机模型和算法。目前国内外不确定性优化理论和支持向量机相结合的研究正处于快速发展阶段，希望本书的出版能促进不确定性支持向量机在我国各个应用领域的普及与提升，并且给相关领域的理论研究者和实际工作者提供一些思路和帮助。　　本书适合于高等院校高年级本科生、研究生、教师以及相关领域的实际工作者阅读和使用。[1]
．d[引用日期]}