导读:本文包含了边界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,边界向量,K-近邻,压缩近邻
边界向量论文文献综述
王石,蒋宁宁,杨舒卉[1]（2018）在《基于压缩K近邻边界向量的支持向量预抽取算法》一文中研究指出针对支持向量机处理大数据量时存在的训练时间、内存空间消耗过大的问题,首先提出了一种压缩K-近邻边界向量的支持向量预抽取算法(CKNN),并进行了仿真。仿真结果表明:CKNN算法无论对于线性可分数据集,还是高度非线性的螺旋曲线数据集,均能在推广能力较小损失的前提下,大幅裁剪训练样本;然后,进一步采用5个UCI标准数据集仿真验证CKNN的有效性,结果表明:大数据量情况下效果更优,但代价是SVM推广能力略有损失。(本文来源于《海军工程大学学报》期刊2018年06期）
林蔚,刘婷,吕伟国[2]（2016）在《大数据中边界向量调节熵函数支持向量机研究》一文中研究指出当训练集的规模很大时,一般的支持向量机的学习过程需要占用大量的内存,寻优速度缓慢,不利于实际应用.提出了一种预抽取支持向量的支持向量机调节熵函数法.首先,利用两凸包相对边界向量方法预抽取出边界向量;然后,利用支持向量机调节熵函数法来训练预抽取的边界向量.实验表明,采用这种方法来训练样本集不仅降低了学习的代价,还提高了分类速度.(本文来源于《微电子学与计算机》期刊2016年08期）
王云鹤[3]（2015）在《基于边界向量的SVM算法》一文中研究指出为提高传统支持向量机训练速度,解决由于原始数据量过大导致传统支持向量机计算复杂度高的问题,提出了缩减训练集规模的方法.针对传统支持向量机中存在原始数据量过大导致训练速度太慢的问题,同时考虑到非支持向量对支持向量机的训练性能无影响,且影响支持向量机性能的支持向量往往位于边界的特点,提出两种提取边界向量的支持向量机算法.一是基于中心向量的边界向量提取算法,通过两类类中心计算类中心连线的垂直平分面,根据各样本到垂直平分面的距离对样本进行保留;二是基于向量投影的边界向量提取算法,将所有样本投影到两类类中心的连线上,计算各样本到两个类中心的距离,根据距离的大小进行保留,并在保留样本中剔除噪声样本.数值实验表明:改进的两种算法均在保证支持向量机分类性能的前提下,有效提高了支持向量机的训练速率.(本文来源于《辽宁工程技术大学》期刊2015-12-01）
柴岩,王庆菊[4]（2015）在《基于边界向量的样本取样SMO算法》一文中研究指出在各种支持向量机(SVM)训练算法中,比较突出的训练算法是序贯最小优化(SMO)算法。样本取样SMO算法是在不改变样本分布的前提下对原始训练集进行取样从而压缩样本数量,但由于样本取样具有随机性,如何有效缩减取样范围是改进该算法的主要方向。为此根据边界向量不一定是支持向量,但支持向量一定是边界向量这一理论,得出边界向量集是包含所有支持向量的集合,先提取边界向量再取样,把取样的范围减小到边界向量集里,缩短样本取样SMO算法的时间。实验表明,基于边界向量的样本取样SMO算法的性能要比原算法更优。(本文来源于《系统工程》期刊2015年06期）
苏成利,郑博元,李平[5]（2015）在《基于自适应边界向量提取的多尺度v-支持向量机建模》一文中研究指出针对v-支持向量机(v-SVM)用于大规模、多峰样本建模时易出现训练速度慢和回归精度低的问题,提出基于边界向量提取的多尺度v-SVM建模方法.该方法采用一种自适应边界向量提取算法,从训练样本中预提取出包含全部支持向量的边界向量集,以缩减训练样本规模,并通过求解多尺度v-SVM二次规划问题获取全局最优回归模型,从多个尺度上对复杂分布样本进行逼近.仿真结果表明,基于边界向量提取的多尺度v-SVM比v-SVM具有更好的回归结果.(本文来源于《控制与决策》期刊2015年04期）
刘叶青,刘叁阳,谷明涛[6]（2011）在《基于最近边界向量的SVM增量学习算法》一文中研究指出为了减少求支持向量过程中二次规划的复杂度,利用训练样本集的几何信息,选出两类中离另一类最近的边界向量集合,它是样本中最有可能成为支持向量的一部分,用它代替原样本集进行训练.对新增样本,若存在违反KKT条件的样本,只对这部分新样本进行学习.同时找出原样本中可能转化为支持向量的非支持向量样本.基于分析结果,提出了一种新的基于最近边界向量的增量式支持向量机学习算法.对标准数据集的实验结果表明,算法是可行的,有效的.(本文来源于《数学的实践与认识》期刊2011年02期）
吴青,刘叁阳,杜喆[7]（2008）在《基于边界向量提取的模糊支持向量机方法》一文中研究指出针对支持向量机对训练样本中的噪声和孤立点特别敏感的问题,提出一种基于边界向量提取的模糊支持向量机方法.在特征空间中寻找能够分别包住两类样本点的两个最小超球,并选择可能成为支持向量的边界向量作为新样本,减少参与训练的样本数目,提高训练速度.样本的隶属度根据边界样本和噪声点与所在超球球心的距离分别确定,既减弱孤立点和噪声的影响,又增强支持向量对支持向量机分类的作用.实验结果表明,与传统的支持向量机方法和基于样本与类中心之间关系的模糊支持向量机相比,本文方法具有更快的学习速度和更好的泛化能力.(本文来源于《模式识别与人工智能》期刊2008年03期）
杨显飞[8]（2008）在《基于边界向量预选的支持向量机算法研究》一文中研究指出支持向量机是一种基于统计学习理论的新一代机器学习技术,已广泛应用于手写数字识别、人脸识别、文本分类、回归预测、时间序列分析等领域。支持向量机的计算复杂度取决于训练样本的个数,所以面对具有大数据量的现实问题时,支持向量机的训练效率低下。根据支持向量机理论,训练出的最优分类超平面只与支持向量有关。大部分情况下训练样本中的支持向量很少,所以在训练前确定一个小范围的边界向量集,使其包括全部的支持向量,用此边界向量集进行训练,则可以在不影响分类精度和泛化性能的前提下显着缩短支持向量机的训练时间。本文在研究总结了边界向量预选算法的基础上,将其大致归纳为两类,一类是基于类中心型的边界向量预选算法,一类是基于NN型的边界向量预选算法。并针对基于类中心型的预选算法只对均匀分布的训练样本预选效果好的缺点,利用数学建模的方法提出一种新的改进算法;针对基于NN型的预选算法预选边界向量集过大或过小的缺点,利用密度聚类的方法进行算法改进。实验表明在不降低泛化精度的前提下,能有效提高边界向量预选的效果,从而加快支持向量机的训练过程。(本文来源于《哈尔滨工程大学》期刊2008-01-10）
王建华,宋永胜,赵莹[9]（2007）在《基于边界向量的支持向量机增量算法》一文中研究指出提出了一种新的基于边界向量的增量式支持向量机学习算法。该算法根据支持向量的几何分布特点,采用边界向量预选取方法,从增量样本中选取最有可能成为支持向量的样本形成边界向量集,在其上进行支持向量训练。通过对初始样本是否满足新增样本KKT条件的判断,解决非支持向量向支持向量的转化问题,有效地处理历史数据。针对UCI标准数据集上的仿真实验表明,基于边界向量的增量算法可以有效地减少训练样本数,积累历史信息,具有更高的分类速度和更好的推广能力。(本文来源于《计算机工程与应用》期刊2007年33期）
孔波,刘小茂,曹淑娟,苏展[10]（2006）在《预抽取相对较近边界向量的选块算法》一文中研究指出利用支持向量机中支持向量的稀疏性和支持向量分布于分划超平面周围的性质,该文提出了一种预抽取相对较近边界向量的选块算法的新算法,该算法减少了普通选块算法的迭代次数和提高了仅依靠相对较近边界向量的准确率,从而大大加快了支持向量机的训练速度,且支持向量机的分类能力不受任何影响。(本文来源于《计算机工程与应用》期刊2006年28期）
边界向量论文开题报告
（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：
当训练集的规模很大时,一般的支持向量机的学习过程需要占用大量的内存,寻优速度缓慢,不利于实际应用.提出了一种预抽取支持向量的支持向量机调节熵函数法.首先,利用两凸包相对边界向量方法预抽取出边界向量;然后,利用支持向量机调节熵函数法来训练预抽取的边界向量.实验表明,采用这种方法来训练样本集不仅降低了学习的代价,还提高了分类速度.
（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。
边界向量论文参考文献
[1].王石,蒋宁宁,杨舒卉.基于压缩K近邻边界向量的支持向量预抽取算法[J].海军工程大学学报.2018
[2].林蔚,刘婷,吕伟国.大数据中边界向量调节熵函数支持向量机研究[J].微电子学与计算机.2016
[3].王云鹤.基于边界向量的SVM算法[D].辽宁工程技术大学.2015
[4].柴岩,王庆菊.基于边界向量的样本取样SMO算法[J].系统工程.2015
[5].苏成利,郑博元,李平.基于自适应边界向量提取的多尺度v-支持向量机建模[J].控制与决策.2015
[6].刘叶青,刘叁阳,谷明涛.基于最近边界向量的SVM增量学习算法[J].数学的实践与认识.2011
[7].吴青,刘叁阳,杜喆.基于边界向量提取的模糊支持向量机方法[J].模式识别与人工智能.2008
[8].杨显飞.基于边界向量预选的支持向量机算法研究[D].哈尔滨工程大学.2008
[9].王建华,宋永胜,赵莹.基于边界向量的支持向量机增量算法[J].计算机工程与应用.2007
[10].孔波,刘小茂,曹淑娟,苏展.预抽取相对较近边界向量的选块算法[J].计算机工程与应用.2006