[1]张芬 陶亮 孙艳.基于混合核函数的SVM及其应用[J].计算机技术与发展,2006,(02):176-178.
　ZHANG Fen,TAO Liang,SUN Yan.SVM and Its Application Based on Mixtures of Kernels[J].,2006,(02):176-178.
点击复制

基于混合核函数的SVM及其应用()
分享到：

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
期数:
2006年02期
页码:
176-178
栏目:
智能、算法、系统工程
出版日期:
1900-01-01

文章信息/Info

Title:
SVM and Its Application Based on Mixtures of Kernels
文章编号:
1005-3751（2006）02-0176-03
作者:
张芬1; 2 陶亮1; 2 孙艳1; 2
[1]安徽大学计算智能与信号处理教育部重点实验室[2]安徽大学电子科学与技术学院
Author(s):
ZHANG Fen;  TAO Liang;  SUN Yan
[1]Ministry of Edu. Key Lab. of Intelligent Computing and Signal Processing of Anhui Univ[2]Institute of Electronic Science and Technology, Anhui University
关键词:
支持向量机; 混合核函数; 局部性核函数; 全局性核函数
Keywords:
support vector machine ; mixtures of kernels; local kernels; global kernels
分类号:
TP18
文献标志码:
A
摘要:
支持向量机可以很好地应用于函数拟合中．其中核函数的选择尤其重要。由于普通核函数各有其利弊，为了得到学习能力和泛化性能都很强的核函数，文中采用了混合核函数，并将由其构造的支持向量机运用于函数拟合中，且与普通核函数构造的支持向量机的实验结果进行了比较。结果表明其性能明显优于由普通核函数构造的支持向量机
Abstract:
Support vector machine （SVM） can be used in function regression. It is important to choose an optimal kemel in order to enhance the characteristics of the SVM. Since every traditional kernel has its advantages and disadvantages for the SVM, in this paper, choose mixtures of kernels which have the desirable characteristics for SVM learning and generalization,and adopt it to function regression, then compare with the SVM using traditional kemels. The results show that the SVM performance by using mixtures of kernels is much better than that by using traditional kernels

相似文献/References:

[1]李雷 张建民.一种改善的基于支持向量机的边缘检测算子[J].计算机技术与发展,2010,(03):125.
　LI Lei,ZHANG Jian-min.An Improved Edge Detector Using the Support Vector Machines[J].,2010,(02):125.
[2]陈俏 曹根牛 陈柳.支持向量机应用于大气污染物浓度预测[J].计算机技术与发展,2010,(01):247.
　CHEN Qiao,CAO Gen-niu,CHEN Liu.Application of Support Vector Machine to Atmospheric Pollution Prediction[J].,2010,(02):247.
[3]李雷 鲁延玲 周蒙蒙 柏永成.基于核方法的一种新的模糊支持向量机[J].计算机技术与发展,2010,(02):9.
　LI Lei,LU Yan-ling,ZHOU Meng-meng,et al.A New Fuzzy Support Vector Machine Based on Kernel Method[J].,2010,(02):9.
[4]李晶 姚明海.基于支持向量机的语义图像分类研究[J].计算机技术与发展,2010,(02):75.
　LI Jing,YAO Ming-hai.Research of Semantic Image Classification Based on Support Vector Machine[J].,2010,(02):75.
[5]姜鹤 陈丽亚.SVM文本分类中一种新的特征提取方法[J].计算机技术与发展,2010,(03):17.
　JIANG He,CHEN Li-ya.A New Feature Selection Method in SVM Text Categorization[J].,2010,(02):17.
[6]曹庆璞 董淑福 罗赟骞.网络时延的混沌特性分析及预测[J].计算机技术与发展,2010,(04):43.
　CAO Qing-pu,DONG Shu-fu,LUO Yun-qian.Chaotic Analysis and Prediction of Internet Time- Delay[J].,2010,(02):43.
[7]路川 胡欣杰.区域航空市场航线客流量预测研究[J].计算机技术与发展,2010,(04):84.
　LU Chuan,HU Xin-jie.Analysis of Regional Airline Passenger Forecast Title[J].,2010,(02):84.
[8]黄炜 黄志华.一种基于遗传算法和SVM的特征选择[J].计算机技术与发展,2010,(06):21.
　HUANG Wei,HUANG Zhi-hua.Feature Selection Based on Genetic Algorithm and SVM[J].,2010,(02):21.
[9]孙秋凤.microRNA计算识别中的模式识别技术[J].计算机技术与发展,2010,(06):97.
　SUN Qiu-feng.Pattern Recognition Technology for MicroRNA Identification[J].,2010,(02):97.
[10]刘振岩 王勇 陈立平 马俊杰 陈天恩.基于SVM的农业智能决策Web服务的研究与实现[J].计算机技术与发展,2010,(06):213.
　LIU Zhen-yan,WANG Yong,CHEN Li-ping,et al.Research and Implementation of Intelligence Decision Web Services Based on SVM for Digital Agriculture[J].,2010,(02):213.

备注/Memo

备注/Memo:
教育部优秀成果青年教师资助计划（教人司[2002]40号）;安徽省自然科学基金项目（01042210）张芬（1980-），女，安徽巢湖人，硕士研究生，研究方向为数字信号与图像处理
更新日期/Last Update: 1900-01-01