导读:本文包含了关键向量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,最小二乘,函数回归,多核学习
关键向量论文文献综述
臧博研[1]（2019）在《多核支持向量机关键技术研究》一文中研究指出支持向量机(Support Vector Machine,SVM)是由学者Vapnik提出的一种基于统计学习理论(Statistical learning theory,SLT)的机器学习方法。Vapnik等学者利用结构风险误差最小化原则替代传统的经验风险误差构造SVM模型。自SVM被提出以来,就受到海内外学者的广泛关注与研究,在SVM模型的基础上,引申发展出来多种改进模型:孪生支持向量机(Twin Support Vector Machine,TWSVM),最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),支持向量回归机(Support Vector Regression,SVR)等。SVM最初是在线性分类情况下构造出来的,对于非线性问题通常采用核技巧来处理,利用核函数将数据映射到高维空间进行训练。目前常见的核函数有:线性核、多项式核、径向基核等,但这些都是对于数据进行单核训练,对于一些异构高维的复杂数据往往达不到很好的处理效果,因此学者们提出了多核学习(Multi-Kernel Learning,MKL)的机器学习方法,利用多个不同核的有机组合来达到对训练数据不同维度的特征映射,达到更好的训练效果。针对SVM及其改进算法在复杂数据训练情形下所存在的问题,本文所做的研究如下:1.提出了基于压缩感知的多核稀疏最小二乘支持向量回归机(Multi-kernel Sparse Least Squares Support Vector Regression,MKS-LSSVR)。和标准SVM不同,LSSVR将所有的数据当作支持向量来进行训练,丧失了稀疏性。压缩感知(Compressive Sensing,CS)理论的优化目标形式与LSSVR模型一致,而CS重构算法是一种很高效的稀疏算法,利用CS重构算法求解LSSVR的优化模型,得到稀疏解。用扩张核法得到多核训练模型,进行求解与训练,并对不同模型的优缺点对比分析。2.提出了多尺度核最小二乘支持向量回归机(Multi-Scale kernel Least Squares Support Vector Regression,LSSVR)。由小波分解理论可以知道,任何函数都可以由一组小波函数线性组合构成,将LSSVR的目标函数分解成两个函数,并对新的目标函数进行回归,经过多次迭代逼近,提高了回归精度。3.提出了小波核函数TWSVM,并将其拓展到LSTSVM。结合小波核得出多尺度小波核TWSVM模型,避免TWSVM求解过程中可能出现的奇异性问题,同时提高了模型对于异构高维数据的训练精度。小波核是一类可以近似逼近任意函数的一簇函数。利用小波核构造核函数矩阵,具有正交或近似正交的特性,避免了矩阵奇异性问题,保留了更多的样本分布细节。(本文来源于《西安邮电大学》期刊2019-05-01）
石雪梅,刘敦伟,顾颖,李盛杰[2]（2019）在《DDR器件关键测试向量的设计》一文中研究指出双倍数据速率(Double Data Rate,DDR)DRAM由于其速度快、容量大,而且价格便宜,在各种需求大量数据缓存的场合得到了广泛使用。论文介绍了DDR器件的基本工作原理及需重点关注的操作过程,通过建立合适的时序关系,基于ATE设计测试向量,实现DDR器件的功能测试。(本文来源于《计算机与数字工程》期刊2019年01期）
朱哲熹,李颖,毛凯田,孙巍[3]（2018）在《基于支持向量回归方法的石脑油裂解产物关键组分相对含量预测》一文中研究指出及时、准确地获取石脑油裂解产物关键组分相对含量信息,是进行参数调控、产品质量优化的重要基础。人工采集分析方法存在分析时间滞后的问题,在线分析技术存在采购、维护成本高的缺点,而基于历史数据的回归方法能实现对未知数据的预测。近年来,基于结构风险最小化原则提出的支持向量回归预测方法得到广泛应用,具有良好的泛化性能,能够及时、准确地进行模型预测。本文利用生产企业的历史运行数据,建立了应用核技巧的ε-支持向量回归(ε-SVR)预测模型对石脑油裂解产物中关键组分相对含量进行实时预测,主要产物预测相对误差低于0.6%,预测精度高于传统方法。(本文来源于《计算机与应用化学》期刊2018年09期）
才智杰[4]（2018）在《藏文词向量表示关键技术研究》一文中研究指出语言单元的向量表示是机器学习的基础性工作,其目标是以优化的向量表示语言单元,以便计算机能够更好地理解自然语言。近年来,随着神经网络技术的发展,向量表示在自然语言处理领域发挥了重要的作用。英、汉等语言的词、句子和文档表示取得了丰硕成果,并得到了广泛应用。藏文语言单元的向量表示技术处于探索和起步阶段,其研究对藏语语言的特征分析以及用深度学习技术处理藏语言具有重要的理论意义和广泛的应用价值。本文借鉴英、汉等语言的词向量表示技术,结合藏文的特点,从藏文字构件分解、藏文文本分词、藏文词向量评测和藏文词向量表示等四个方面研究了藏文词向量表示的关键技术。主要工作包括:(1)藏文字构件分解构件是藏文的最小组成单元,蕴含着丰富的词义信息,而藏文字输入到计算机中是一个整体。若要获取构件的词义信息,需要将整体藏文字分解为构件。本文归纳总结了藏文字的结构及构字原则,并对藏文字形进行分类。在此基础上,设计了藏文字构件分解模型和算法,以藏文字形分布统计为例,验证了字构件分解算法的有效性,得到了藏文字形的一般性分布规律。(2)藏文文本分词词是自然语言处理中最基本的处理单元,藏文文本是字的序列,词和词之间没有分隔标记,因而需要文本分词。本文通过分析藏文文本分词的现状,针对藏文文本分词中存在的主要问题,提出了基于规则的句分块、块切词的分词方案。句分块方面,设计了基于临界库的藏文句分块算法。块切词方面,分析了主词典库的构造方法,并设计了索引查询算法、紧缩词识别还原算法、多策略紧缩格识别算法、未登录词识别的一揽子算法和歧义消解的局部高词频优先算法。(3)藏文词向量评测词向量评测的目标是评价词向量模型的性能,包括内部任务评测和外部任务评测。内部任务评测通过词相似度、相关性和类比评测集等评价向量模型的性能,是一种广泛使用的词向量评测方式。由于藏文词向量研究处于探索起步阶段,还没有用于评价藏文词向量性能的评测集。本文借鉴英、汉文词向量评测集构建方法,设计了藏文词向量相似度和相关性任务评测集构建方案,依据此方案建立了藏文词相似度评测集TWordSim215和相关性评测集TWordRe]215,并验证了其有效性。(4)藏文词向量表示传统神经网络中,词作为原子对象建立基于上下文信息的词向量表示。融合子词级别的信息能更好地捕捉词义,本文结合藏文的特点,提出了基于构件的藏文向量模型、融合构件和字信息的藏文词向量表示模型。基于构件的藏文向量模型以字、词的构件信息建立向量,能够较好地揭示构件的位置特征及添加规则,在藏文字拼写检查上取得了良好的效果。融合构件和字信息的藏文词向量表示模型,将构件和字及其位置信息融入到词向量表示中,在性能上比传统方法有了显着的提升。(本文来源于《青海师范大学》期刊2018-09-20）
陈培[5]（2018）在《基于词向量的情感分类关键问题研究》一文中研究指出文本情感分析是指通过挖掘和分析互联网文本中表达的内容,识别出情感信息,使我们能高效率地了解用户对某产品的观点,进而为商家和其他用户提供决策支持。然而当今互联网的文本特点使情感分析技术面临着巨大的挑战:首先,互联网文本数量爆炸式增长,大多都是无标注的文本数据;而且文本的情感表达形式更加简洁随意,这使传统的词袋特征面临严重的稀疏性问题;此外,人工抽取特征耗时费力,系统适用性较差,难以适应快速更新的文本分析需求。近年来研究者着手研究基于词向量的方法来自动抽取文本特征。词向量,即词的分布式特征表示,可以通过无监督的训练方法得到,有效地利用大量未经标注的数据。相似的单词学到相似的词向量,将其作为特征可以起到平滑的作用,有效缓解稀疏性问题。但传统的词向量学习模型自身存在一些问题:它是根据上下文学习得到,虽然捕获了文本的语法信息和语义信息,但却忽略了情感信息,不能有效地应用于情感分析任务。并且,在句子、文档级别的情感分类任务中,基于词向量的文本特征表示没有考虑句子中词与词之间的顺序问题,这也会在一定程度上影响情感分类的效果。为了解决情感分类任务中存在的若干问题,本文主要研究内容如下:为了将情感信息融入到词向量的学习过程当中,本文提出了基于Glove模型的情感词向量学习框架,在训练词向量的同时融入单词的情感信息。并且根据向量间距离度量方式的不同,本文使用两种不同的情感信息融合方式来构建词向量学习模型。为了验证学到的词向量确实捕获了文本的语义信息和情感信息,本文在中文和英文数据集下进行了大量定性和定量的比较实验。实验结果表明,我们的词向量学习模型能够有效地改善词向量的质量,进而提高情感分类的准确性。为了消除文本中词序信息对情感分类任务的影响,本文提出了将情感词向量与卷积神经网络相结合的文本情感分类模型。首先利用学到的词向量构建文本的输入矩阵,然后通过卷积层不同大小的卷积核来提取粒度不同的文本局部特征,最后通过最大池化方法获得文本的等长特征,进行文本情感分类。本文在中英文数据集上进行了不同粒度(词语级别、文档级别)的情感分类对比实验,结果表明,本文提出的词向量学习模型能有效提取文本的情感信息和语义信息,因而在解决情感分析任务时表现更为出色,并且该模型具有较好的泛化性。(本文来源于《北京交通大学》期刊2018-03-01）
蒋雨辰[6]（2017）在《基于支持向量机的个人信用评估关键技术研究与实现》一文中研究指出随着消费信贷市场的蓬勃发展,用户规模和数据量出现了井喷式增长,通过人工方式对所有用户逐一进行信用风险评估无法满足日益增长的市场需求。基于机器学习的信用风险评估技术逐渐受到人们的追捧,支持向量机模型作为其中的佼佼者,为金融信贷机构提供了一种高效、快捷的智能判别方法,但是模型的准确率和训练速度还有待改进。本文针对支持向量机的参数选择过程和增量学习过程进行了分析、研究和改进:(1)针对错判履约客户给信贷机构带来的损失和错判违约客户造成的损失是不同的,引入一类错误率和二类错误率概念,提出基于两类错误率的加权调和均值代替传统的分类准确率作为新的模型性能评价指标。考虑到不同信贷机构有不同的风险控制能力和意愿,加入风险系数对两类错误率进行折衷。结果显示加权调和均值能够更好地反映信贷机构的期望盈亏情况,同时满足不同信贷机构的个性化需求。(2)针对支持向量机模型参数的选择并没有固定的方法和理论,建立基于混合蝙蝠算法的支持向量机参数选择模型。支持向量机的参数惩罚因子C_1,C_2和核参数γ由蝙蝠个体的位置所体现,个体适应度值由加权调和均值体现。引入差分进化过程,蝙蝠种群在迭代过程中发生交叉、选择和变异行为,增强算法的全局搜索能力。实验结果显示,混合蝙蝠算法支持向量机参数选择模型能够提升其鲁棒性和收敛精度并有效地缓解早熟收敛问题。(3)针对当前增量算法过程中的训练时间过长和训练效果不佳等问题,提出了一种基于权重候选集思想的支持向量机增量学习算法。对于历史训练集,利用基于超球和分类面的组合条件选取训练样本点加带权候选集,避免丢弃可能会成为支持向量的样本点;对于增量样本集而言,采用改进的KKT(Karush-Kuhn-Tucker)条件对增量样本进行筛选,选取违反KKT条件和部分离最优分类超平面较近的样本点参与后续的训练。通过分析和实验,基于带权候选集的支持向量机增量学习算法能够有效地降低参与训练的样本数量并同时保留潜在的支持向量集。(本文来源于《北京工业大学》期刊2017-04-01）
宫婧[7]（2016）在《基于支持向量机的P2P流量识别关键技术研究》一文中研究指出随着互联网技术的发展和成熟,大量的P2P应用开始出现,这无论是对网络流量管理还是带宽控制,都给各级网络管理员以及网络服务提供商带来了很大困难,因此,如何对网络中的P2P流量准确识别成为当下研究的热点。本文通过对现阶段P2P流量识别技术的研究,对现有的P2P流量识别文献进行归类总结,将其分为四大类:端口识别法、应用层特征识别法、基于流量特征的识别法和基于机器学习识别法。通过对已有技术进行论述,本文提出可以用基于支持向量机的分类算法对P2P流量进行识别。为了提高支持向量机的分类算法在识别P2P流量时的准确率和效率,并使得该识别算法能够适合在真实的网络环境中应用,本文在支持向量机的核函数的参数优化方面、分类结构、增量学习算法以及P2P流量识别模型构建方面所取得的创新性成果有:(1)针对支持向量机中核函数中的参数寻优问题,提出了一种基于区间估计的惩罚因子优化法。由于惩罚因子是确定的数据子空间中调节学习机器置信区间范围,本文提出首先使用区间估计法,初步确定一个最优参数区间,之后在此区间内根据置信度和类二分法进行小步距精搜,从而确定惩罚因子C的取值。这样可以大幅度地减少了对惩罚因子C的寻优时间,从而使得基于支持向量机的分类算法在识别网络中的P2P流量时,能够更好地满足实时性的要求。(2)针对高斯核函数中的两个参数如何协同寻优的问题,提出了一种基于黄金分割的参数协同寻优法。该方法在第叁章提出的惩罚函数C的基础上,为了减少原始学习数据对结果的影响,提出快速高效的寻找最优参数Υ的方法。根据好区中的直线logγlogC log附近的就是最优的参数组合(C,γ)的原则,提出用黄金分割法进行迭代,通过将区间分段,分别求出各段的极大值,并选取多条平行的直线来增加好区中的覆盖广度,从而得到所需的最优参数组合(C,γ)。优化后的分类算法在对P2P流量识别时,提高了准确率和分类时间。(3)针对P2P流量中往往有异常数据,当这些异常的样本出现在训练样本中,会使得训练样本集变大,这样分类算法会因为进行重新计算而使得分类效率降低。因此,第五章结合基于支持向量机的增量算法的基本理论,提出了一种改进的有向无环图的分类结构,在建立多分类图的基础上以是否违背KKT条件作为判断依据,对分类器中的训练数据进行迭代处理,使用优化的增量学习方法解决了当训练样本增大时会造成的重新训练问题,使得训练学习过程更为有效。该方法对于P2P流量中应用类型多,流量突变状况多的特点,具有较好的处理效果。(4)针对P2P流量的特点,提出适合用于支持向量机进行分类训练的流量特征,并建立一个优化的基于支持向量机的P2P流量识别模型。考虑到网络流量是在线样本数据,其分布一般不稳定,样本数据分布会随着时间变化而变化。因此,在本章中所建立的基于支持向量机的识别模型依据反馈的概念,对于分类结果与实际偏离不大的,予以正面反馈信息,对于分类偏离较大的,予以负面反馈,从而达到整个系统不仅有学习的能力,并在学习的过程中用增量学习方式及时调整和更新规则库,以求达到最好的学习分类效果。本文通过对支持向量机的分类算法进行进行深入研究,对其中的关键性算法进行改进和优化,提出了一种基于支持向量机的P2P流量识别模型,并在实验室建立了仿真实验系统,实现了对真实网络中的P2P流量进行识别,并取得了较好的效果。(本文来源于《南京邮电大学》期刊2016-11-18）
陈桂军[8]（2016）在《基于支持向量机的异常检测关键问题研究及应用》一文中研究指出近年来,随着传感、通信及信息处理技术的不断发展,使得监控工业生产过程和设备状态成为可能,如何充分利用这些监控数据及时发现异常模式,避免事故发生,减少不必要的人员伤亡和经济损失显得尤为重要,因此,研究基于数据驱动的高效异常检测方法具有重要的理论意义和实用价值。本文结合煤层底板突水预测和输送带撕裂检测这2个异常检测应用的需求,从支持向量机的基本理论、算法构造和性能优化等方面进行了系统的分析和研究。首先,在异常检测中常常由于异常样本缺乏导致类别不平衡,本文选用支持向量数据描述(SVDD)一类分类方法和支持向量机(SVM)相结合进行异常检测和识别;然后,针对检测模型抗噪性和泛化性的改善、检测效率的提高以及模型的可在线更新等问题进行了重点研究。论文的主要创新工作包括以下内容:(1)构建了煤层底板突水预测和矿用输送带撕裂检测2个检测应用特征数据集。在煤层底板突水预测方面,首先,基于当前国内外对底板突水机理的研究,分析了影响底板突水发生的主要因素,参考当前已发表研究成果,构建了一个底板突水预测参考数据集;然后,针对山西西山晋兴能源某矿底板承压水突出预测问题,通过分析其水文地质资料及勘探数据,并经地质专家分析标注,构建了该矿的底板突水预测数据集。在输送带撕裂检测方面,首先,采用机器视觉方法获得输送带监测图像,然后进行中值滤波降噪,并根据输送带撕裂图像的特性,提取了灰度直方图和灰度共生矩阵2项特征,构建了输送带撕裂检测数据集。(2)针对svdd算法易受噪声干扰导致检测精度和泛化性能下降,通过引入基于切断距离局部密度惩罚权重来表征样本、特别是边界样本的分布特性,然后在带负类的svdd算法基础上,通过使用ε不敏感损失函数构造两类样本的间隔,提出了两种新的鲁棒性svdd方法,分别为r-svdd和εnr-svdd,并给出了其对应的理论分析,最后通过uci公共数据集、煤层底板突水预测数据集和输送带撕裂视觉特征数据集验证了提出方法具有较高的检测正确率,并提高了抗噪性和泛化性。(3)针对特征选择对异常检测模型构建的重要影响,提出了增强人工蜂群-支持向量机(eabc-svm)算法来实现有效的特征选择。在增强人工蜂群算法中,运用cat混沌映射进行种群初始化来提高种群多样性,运用提出的基于当前最优解的定向搜索方程来改善原始人工蜂群(abc)算法的全局优化能力和收敛速度。通过uci数据集、底板突水预测数据集和输送带撕裂视觉特征数据集上进行实验测试,并与原始abc及其他abc改进方法结合svm进行特征选择相比,eabc-svm方法用于异常检测特征选择中能够得到更高的分类正确率,同时可以消除特征数据中的冗余变量,从而提高异常检测的整体性能。(4)针对异常检测应用中,监测数据流往往动态变化,随着新样本增加,传统基于批数据处理的SVM分类模型不能有效更新,导致检测正确率下降。为了有效解决该问题,提出了基于广义KKT条件选择最优更新集的GKKT-ISVM增量学习算法,通过UCI数据集、底板突水预测数据集和输送带撕裂视觉特征数据集上的实验结果表明,所提算法可以有效利用先前训练结果,结合新增样本来快速更新检测模型,进而提高检测性能,满足动态数据流异常检测应用的要求。(本文来源于《太原理工大学》期刊2016-06-01）
尹嘉鹏[9]（2016）在《支持向量机核函数及关键参数选择研究》一文中研究指出支持向量机是20世纪90年代发展起来的一个机器学习方法,以统计学习理论为根基,广泛地应用于模式识别、回归预测和密度估计等方面。作为该方法重要的组成部分,种类丰富的核函数的选用以及相关核函数参数的整定对其性能有着至关重要的影响,而此问题也引发了该领域许多学者的研究兴趣。本文首先介绍了支持向量机的理论,总结了相关的统计学习理论,分析了统计学习理论对支持向量机的优越性能所起的决定性作用。接着,本文介绍了核函数的相关理论,并对径向基核、多项式核和Sigmoid核叁种常用核函数的性质进行了总结和探究,为核函数的类型选择问题提供了理论参考。对于核函数及参数的选择问题,本文重点关注基于类可分性度量的方法,并提出了一种新的类可分性度量“期望平方距离比”(ESDR),对“期望平方距离比”的性质进行了详细的分析,并与另外两种常见的类可分性度量进行对比,从理论上显示出了它的优越性。考虑特定的数据分布,本文推导了高斯分布数据下选用径向基核函数时“期望平方距离比”的表达式,并据此分析了相应的支持向量机核函数参数选择问题。最后,引入实际生产生活中的数据集以及高斯数据集分别进行径向基核支持向量机分类仿真实验。实际数据集上的实验结果表明,相比于其他类可分性判据,“期望平方距离比”能够更好地表征特定核函数及核参数下特征空间中两类数据样本的可分性,基于“期望平方距离比”可以选出更优的核参数,效率远高于传统的网格搜索方法。高斯数据上的实验结果表明,“期望平方距离比”可以用来研究特定数据分布下特定核函数的参数选择问题,具有很高的理论研究价值。本文所有实验结果充分表明,“期望平方距离比”是一种用于解决支持向量机核函数及关键参数选择问题的很好的方法。(本文来源于《哈尔滨工业大学》期刊2016-06-01）
何岸青[10]（2016）在《基于多项式拟合与支持向量机的股票关键拐点预测》一文中研究指出在西方国家,量化投资经过了长达叁十多年的发展后,在证券投资市场上的应用非常广泛。由于中国市场的特殊发展环境,刚刚进入中国的量化投资概念因其自身的优越性,拥有着非常广阔的发展前景。本论文以量化投资理论为背景,区别于大多数传统的企图预测出完整未来股价曲线的预测方式,将股票价格曲线的预测问题转化成股票价格曲线是否处于翻转状态的问题,期望可以利用机器学习算法训练出一个能判断当前时间股价是否处于向上或向下关键拐点的模型。当股价处于向上关键拐点时,可以买入股票实现盈利,当股票处于向下关键拐点时,可以卖出股票实现止损,希望可以为股票投资者在决策层面上提供对投资者有一定指导性的建议。在支持向量机分类模型的训练工作开始之前,如何利用计算机的优势高效且可靠的在历史数据中采样是本文要解决的重点。为了解决传统的拐点识别方法在阈值选择和拐点效果方面的诸多不足,本文提出基于多项式拟合的离散数据趋势关键拐点识别。通过大量的对比实验证明,使用基于多项式拟合的离散数据趋势关键拐点识别方法识别出的关键拐点在其引领的上涨趋势的涨幅以及持续时间上,有更好的应用效果。本文区别于其他的股票预测方法,在支持向量机的训练过程中,创新的使用MACD、KDJ和换手率等对股价趋势有一定反映的技术分析指标来作为特征向量,将基于多项式拟合的离散数据趋势关键拐点识别法应用到这些技术分析指标中,生成相应的特征向量。选择径向基核函数对训练集进行训练,并利用遗传算法和交叉检验对径向基核函数的两个自选参数进行寻优,获得最优的分类模型。经过多次实验选出一个预测精度最优秀的分类特征组合并以此为最终的特征向量,使用该特征向量组合训练得出基于该特征组合的向上关键拐点和向下关键拐点分类模型。最后通过反复实验证明使用基于多项式拟合的离散数据趋势关键拐点算法进行采样并使用支持向量机建立分类模型预测股票趋势预测相较于传统的单独使用技术分析指标预测,拥有着更高的预测准确率,可为投资者提供一定的投资建议。(本文来源于《吉林大学》期刊2016-04-01）
关键向量论文开题报告
（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：
双倍数据速率(Double Data Rate,DDR)DRAM由于其速度快、容量大,而且价格便宜,在各种需求大量数据缓存的场合得到了广泛使用。论文介绍了DDR器件的基本工作原理及需重点关注的操作过程,通过建立合适的时序关系,基于ATE设计测试向量,实现DDR器件的功能测试。
（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。
关键向量论文参考文献
[1].臧博研.多核支持向量机关键技术研究[D].西安邮电大学.2019
[2].石雪梅,刘敦伟,顾颖,李盛杰.DDR器件关键测试向量的设计[J].计算机与数字工程.2019
[3].朱哲熹,李颖,毛凯田,孙巍.基于支持向量回归方法的石脑油裂解产物关键组分相对含量预测[J].计算机与应用化学.2018
[4].才智杰.藏文词向量表示关键技术研究[D].青海师范大学.2018
[5].陈培.基于词向量的情感分类关键问题研究[D].北京交通大学.2018
[6].蒋雨辰.基于支持向量机的个人信用评估关键技术研究与实现[D].北京工业大学.2017
[7].宫婧.基于支持向量机的P2P流量识别关键技术研究[D].南京邮电大学.2016
[8].陈桂军.基于支持向量机的异常检测关键问题研究及应用[D].太原理工大学.2016
[9].尹嘉鹏.支持向量机核函数及关键参数选择研究[D].哈尔滨工业大学.2016
[10].何岸青.基于多项式拟合与支持向量机的股票关键拐点预测[D].吉林大学.2016