作者:
基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
目前的支持向量机解析方法,如SMO算法在一定程度上解决传统支持向量机实现方法需要高额存储空间的问题,而对支持向量数目的约减并未过多关注,算法的稀疏性有待进一步提高.该文将FOBa算法对特征进行约减的思想引入SMO算法中,对训练产生的作用甚微的支持向量进行约减,提出了稀疏SMO算法.实验结果表明算法在提高预测速度上具有一定的竞争力.
推荐文章
一种基于密度加权的最小二乘支持向量机稀疏化算法
最小二乘支持向量机
密度加权
稀疏化
磨机负荷
支持向量机的SMO算法及其自适应改进研究
机器学习
支持向量机
SMO算法
自适应
一种基于PSO的混合核支持向量机算法
支持向量机
全局核函数
局部核函数
混合核函数
粒子群优化算法
一种快速加权支持向量机训练算法
加权支持向量机
工作集
目标函数
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 一种基于FoBa算法思想的支持向量机稀疏SMO算法研究
来源期刊 舰船电子工程 学科 工学
关键词 支持向量机 SMO算法 稀疏 支持向量约减 FoBa算法
年,卷(期) 2011,(1) 所属期刊栏目 指挥与控制
研究方向 页码范围 48-50,70
页数 分类号 TP301.6
字数 2533字 语种 中文
DOI 10.3969/j.issn.1627-9730.2011.01.016
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (8)
共引文献  (1807)
参考文献  (3)
节点文献
引证文献  (1)
同被引文献  (0)
二级引证文献  (0)
1974(1)
  • 参考文献(1)
  • 二级参考文献(0)
1992(1)
  • 参考文献(0)
  • 二级参考文献(1)
1994(1)
  • 参考文献(0)
  • 二级参考文献(1)
1995(2)
  • 参考文献(1)
  • 二级参考文献(1)
1997(1)
  • 参考文献(0)
  • 二级参考文献(1)
1998(4)
  • 参考文献(0)
  • 二级参考文献(4)
2000(1)
  • 参考文献(1)
  • 二级参考文献(0)
2011(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2014(1)
  • 引证文献(1)
  • 二级引证文献(0)
研究主题发展历程
节点文献
支持向量机
SMO算法
稀疏
支持向量约减
FoBa算法
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
舰船电子工程
月刊
1672-9730
42-1427/U
大16开
湖北省武汉市
1981
chi
出版文献量(篇)
9053
总下载数(次)
18
总被引数(次)
27655
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导