导读:本文包含了主动支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,主动学习,教学质量,评估模型
主动支持向量机论文文献综述
张雅清[1]（2019）在《基于主动学习支持向量机的辅助教学质量评估模型》一文中研究指出传统的高校教学质量评估方式在精度和实施效率方面已经无法满足信息化和现代化的教学模式。因此,针对高校课堂教学质量的评估问题,提出一种基于主动学习支持向量机的辅助教学质量评估模型。综合考虑多方面的实际情况,构建课堂教学质量的评估指标体系。采用主动学习支持向量机建立课堂教学质量评估模型。对收集到的某高校教学质量相关数据集进行实验,并分析其结果。实验结果表明,相比其他评估模型,提出的评估模型在精度和效率上具有一定优势,能够获得较好的高校教学质量评估结果。(本文来源于《现代电子技术》期刊2019年07期）
潘学文,刘元明[2]（2018）在《基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究》一文中研究指出为克服传统支持向量机需要事先对训练样本进行人为标记的缺点,提出了一种主动训练支持向量机模型。利用仿射传播聚类算法对未标记样本进行聚类分析,在迭代过程中不断更新现有支持向量机的训练数据,从而不仅可以减少人为标记样本所带来的误差,还能够最大限度地提高模型的识别准确率。本文以转基因棉花的太赫兹光谱数据为研究对象对该模型进行了验证,实验结果表明,本文提出的方法对总待测样品的种类的识别率为95.56%,较其他叁种方法有较少的误判和更高的识别率。基于仿射传播聚类的支持向量机较传统支持向量机有更高的识别率和更低的误判率,为转基因物质的检测提供了一种快速,无损的新方法。(本文来源于《光电子·激光》期刊2018年10期）
职占新,郑鹏,田雪豪[3]（2018）在《在主动测量中的基于支持向量机尺寸判定的研究》一文中研究指出针对磨加工主动测量仪信号点到尺寸时的工件尺寸与信号点预设值由于圆度误差而存在偏差的问题,提出了基于支持向量机的圆度误差修正的尺寸判定方法。通过交叉验证参数寻优方法和最小二乘支持向量机理论搭建了圆度误差预测模型,实验分析模型的平均相对误差为MRE=0.0095,均方误差为MSE=0.0050;基于圆度误差的修正方法使到尺寸判定偏差绝对值最大不超过0.5μm,有效减弱了圆度误差对尺寸判定的影响,证明了基于圆度误差尺寸判定的合理性和可行性。(本文来源于《组合机床与自动化加工技术》期刊2018年04期）
黄永毅,龚垒[4]（2016）在《基于主动学习的交互式支持向量机文本分类学习方法》一文中研究指出本文以支持向量机文本分类方法为基础,针对学习过程中样本较少、分类精度不高的问题,提出基于主动学习的交互式支持向量机文本分类方法,即依据已知样本设计分类规则,然后通过主动学习提取不确定样本,二次构建交互式分类器。实验表明,该方法优化了文本分类器学习能力,具有更好的推广能力。(本文来源于《电子技术与软件工程》期刊2016年14期）
刘敬,谷利泽,钮心忻,杨义先[5]（2015）在《基于单分类支持向量机和主动学习的网络异常检测研究》一文中研究指出对基于支持向量机和主动学习的异常检测方法进行了研究,首先利用原始数据采用无监督方式建立单分类支持向量机模型,然后结合主动学习找出对提高异常检测性能最有价值的样本进行人工标记,利用标记数据和无标记数据以半监督方式对基于单分类支持向量机的异常检测模型进行扩展。实验结果表明,所提方法能够利用少量标记数据获取性能提升,并能够通过主动学习减小人工标记代价,更适用于实际网络环境。(本文来源于《通信学报》期刊2015年11期）
郭虎升,王文剑,白龙飞[6]（2014）在《基于向量余弦的支持向量机主动学习策略》一文中研究指出针对传统基于主动学习的支持向量机(support vector machine,SVM)方法中所采用的欧式距离不能有效衡量高维样本之间的相关程度,导致学习器泛化能力下降的问题,提出了一种基于向量余弦的支持向量机主动学习(SVM active learning based on vector cosine)策略,称为COS_SVMactive方法。该方法通过在主动学习过程中引入向量余弦来度量训练集中样本信息的冗余度,以挑选那些含有重要分类信息的最有价值样本交给专家进行人工标注,并在迭代的样本标注过程中对训练集的平衡度进行逐步调整,使学习器获得更好的泛化性能。实验结果表明,与传统基于随机采样的SVM主动学习方法(SVM active learning based on random sampling,RS_SVMactive)和基于距离的SVM主动学习方法(SVM active learning based on distance,DIS_SVMactive)相比,COS_SVMactive方法不仅可以提高分类精度,而且能够减少专家标记代价。(本文来源于《计算机科学与探索》期刊2014年07期）
王玲,李琴,隋美玲,肖海军[7]（2014）在《基于支持向量机的主动学习方法及其实现》一文中研究指出根据主动学习可以有效地减少标注样本的代价这一特点,设计了一种基于SVM的主动学习方法.仿真实验中,检验分类正确率和F测度这两类评估指标,结果表明基于SVM的主动学习的学习效果优于被动学习.(本文来源于《长沙大学学报》期刊2014年02期）
白宁[8]（2013）在《基于主动学习的支持向量机算法》一文中研究指出针对支持向量机(SVM)模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机(AL_SVM)方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。(本文来源于《现代电子技术》期刊2013年24期）
朱熀秋,李媛媛[9]（2013）在《二自由度交流主动磁轴承最小二乘支持向量机解耦控制》一文中研究指出采用最小二乘支持向量机(LS–SVM)理论,研究了二自由度交流主动磁轴承这一多变量、非线性、强耦合的控制对象的动态解耦问题.根据主动磁轴承的基本结构,利用等效磁路法推导了悬浮力模型,建立了系统的状态方程,并对其进行可逆性分析;应用LS–SVM辨识原理推导出系统的逆模型;将逆模型与原系统串联,从而将原非线性耦合系统解耦成伪线性系统,并设计了附加控制器;采用MATLAB软件平台构建了磁轴承仿真系统,对系统进行了拟合、起浮、干扰及解耦仿真试验并进行了分析;最后构建了交流主动磁轴承实验平台,对转子起浮和解耦性能进行了实验.研究表明:采用LS–SVM逆解耦控制策略,能够实现交流主动磁轴承的动态解耦,系统具有良好的动静态性能.(本文来源于《控制理论与应用》期刊2013年11期）
孙秀英,王燕[10]（2013）在《一种模糊支持向量机主动学习算法》一文中研究指出模糊支持向量机具有很好的抗噪声能力,受到很多专家的重视。然而模糊支持向量机上的主动学习算法却一直鲜有研究。提出一种针对模糊支持向量机的主动学习算法,该算法首先在训练集合上利用模糊支持向量机得到决策超平面,然后选取间隔内的未标记样本进行标记,并计算相应的模糊权重,以及更新原有训练样本的模糊权重。最后结合赋予模糊权重的新标记样本重新进行学习,直到未标记样本集为空或者分类性能满足要求。在UCI标准数据集和语音识别数据集上的实验充分验证了该算法的有效性。(本文来源于《计算机应用与软件》期刊2013年10期）
主动支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为克服传统支持向量机需要事先对训练样本进行人为标记的缺点,提出了一种主动训练支持向量机模型。利用仿射传播聚类算法对未标记样本进行聚类分析,在迭代过程中不断更新现有支持向量机的训练数据,从而不仅可以减少人为标记样本所带来的误差,还能够最大限度地提高模型的识别准确率。本文以转基因棉花的太赫兹光谱数据为研究对象对该模型进行了验证,实验结果表明,本文提出的方法对总待测样品的种类的识别率为95.56%,较其他叁种方法有较少的误判和更高的识别率。基于仿射传播聚类的支持向量机较传统支持向量机有更高的识别率和更低的误判率,为转基因物质的检测提供了一种快速,无损的新方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
主动支持向量机论文参考文献
[1].张雅清.基于主动学习支持向量机的辅助教学质量评估模型[J].现代电子技术.2019
[2].潘学文,刘元明.基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究[J].光电子·激光.2018
[3].职占新,郑鹏,田雪豪.在主动测量中的基于支持向量机尺寸判定的研究[J].组合机床与自动化加工技术.2018
[4].黄永毅,龚垒.基于主动学习的交互式支持向量机文本分类学习方法[J].电子技术与软件工程.2016
[5].刘敬,谷利泽,钮心忻,杨义先.基于单分类支持向量机和主动学习的网络异常检测研究[J].通信学报.2015
[6].郭虎升,王文剑,白龙飞.基于向量余弦的支持向量机主动学习策略[J].计算机科学与探索.2014
[7].王玲,李琴,隋美玲,肖海军.基于支持向量机的主动学习方法及其实现[J].长沙大学学报.2014
[8].白宁.基于主动学习的支持向量机算法[J].现代电子技术.2013
[9].朱熀秋,李媛媛.二自由度交流主动磁轴承最小二乘支持向量机解耦控制[J].控制理论与应用.2013
[10].孙秀英,王燕.一种模糊支持向量机主动学习算法[J].计算机应用与软件.2013