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:
领域适应学习是一种新颖的解决先验信息缺少的模式分类问题的有效方法,最大化地缩小领域间样本分布差是领域适应学习成功的关键因素之一,而仅考虑领域间分布均值差最小化,使得在具体领域适应学习问题上存在一定的局限性.对此,在某个再生核Hilbert空间,在充分考虑领域间分布的均值差和散度差最小化的基础上,基于结构风险最小化模型,提出一种领域适应核支持向量学习机(Kernel support vector machine for domain adaptation,DAKSVM)及其最小平方范式,人造和实际数据集实验结果显示,所提方法具有优化或可比较的模式分类性能.
推荐文章
核PCA支持向量机算法研究
核函数
核主元分析
支持向量机
分类
基于分段核函数的支持向量机及其应用
支持向量机
分段核函数
全局核
局部核
复高斯小波核函数的支持向量机研究
复高斯小波核函数
Mercy条件
支持向量机
非线性系统辨识及预测
基于模糊核聚类的多类支持向量机
支持向量机
多类分类
模糊核
二叉树
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 领域适应核支持向量机
来源期刊 自动化学报 学科
关键词 领域适应学习 支持向量机 模式分类 最大均值差 最大散度差
年,卷(期) 2012,(5) 所属期刊栏目 论文与报告
研究方向 页码范围 797-811
页数 15页 分类号
字数 语种 中文
DOI 10.3724/SP.J.1004.2012.00797
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 王士同 528 3424 23.0 37.0
2 陶剑文 11 38 4.0 6.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (11)
共引文献  (13)
参考文献  (10)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1998(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2005(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(2)
  • 参考文献(1)
  • 二级参考文献(1)
2007(3)
  • 参考文献(1)
  • 二级参考文献(2)
2008(2)
  • 参考文献(1)
  • 二级参考文献(1)
2009(2)
  • 参考文献(1)
  • 二级参考文献(1)
2010(5)
  • 参考文献(5)
  • 二级参考文献(0)
2011(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(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)
研究主题发展历程
节点文献
领域适应学习
支持向量机
模式分类
最大均值差
最大散度差
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
自动化学报
月刊
0254-4156
11-2109/TP
大16开
北京市海淀区中关村东路95号(北京2728信箱)
2-180
1963
chi
出版文献量(篇)
4124
总下载数(次)
26
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