您当前所在位置: 首页 > 首发论文
筛选条件

时间

领域

全部

计算机科学技术(8)

电子、通信与自动控制技术(4)

数学(2) 显示更多>>

机械工程(2) 力学(1) 动力与电气工程(1) 生物学(1) 中医学与中药学(0) 临床医学(0) 交通运输工程(0) 体育科学(0) 信息科学与系统科学(0) 农学(0) 冶金工程技术(0) 化学(0) 化学工程(0) 图书馆、情报与文献学(0) 土木建筑工程(0) 地球科学(0) 基础医学(0) 天文学(0) 安全科学技术(0) 工程与技术科学基础学科(0) 心理学(0) 教育学(0) 材料科学(0) 林学(0) 核科学技术(0) 水产学(0) 水利工程(0) 测绘科学技术(0) 物理学(0) 环境科学技术(0) 畜牧科学、动物医学(0) 矿山工程技术(0) 管理学(0) 纺织科学技术(0) 经济学(0) 能源科学技术(0) 航空航天科学技术(0) 药学(0) 预防医学与卫生学(0) 食品科学技术(0)

学术评议

实时热搜榜

人工智能27283

SiC16970

基因14607

冠心病10182

数值模拟9902

我的筛选 >
2003-2021 全部
为您找到包含“Incremental learning”的内容共19

孔筱筱,汪敏

2010-10-15

为提高支持向量机的泛化能力,提出一种基于增量学习的支持向量机集成方法。该方法利用支持向量集和初始训练样本的等价关系,把支持向量集作为历史训练结果和增量样本一起进行训练,加大了支持向量集的分布,能够提高基支持向量机的分类精度。实验结果显示,该方法可以有效地改善集成效果,具有更好的泛化性能。

中国矿业大学信电学院,中国矿业大学信电学院

#电子、通信与自动控制技术#

0评论(0 分享(0)

Sun Zheng Xing,Peng Bin Bin

In this paper, an SVM-based incremental learning algorithm is presented to solve this problem for

2004-05-17

国家自然科学基金(69903006,60373065

Nanjing University,Nanjing University

#Mechanics#

0评论(0 分享(0)

高小方,刘杰飞

2016-12-01

流形学习是机器学习与数据挖掘领域的一个重要研究方向。其经典算法总是假设高维数据批量存在于单一流形,且不能有效处理增量出现的高维多流形数据。本文针对等维独立多流形提出一种增量学习算法IMM-ISOMAP。该算法首先对新样本计算动态邻域,通过扩展切空间的方法将新样本依次划分到各子流形,实现对新样本的分类并计算最终低维嵌入。实验结果表明,该算法可以有效地应用于人造数据和实际图像数据。

高等学校博士学科点专向科研基金(20131401120004

国家自然科学基金(61303091和61201453

山西省高校科技创新项目(2015108和2015109

山西省自然科学基金(2015021091

山西省基础研究计划项目(2014021022-2

山西大学计算机与信息技术学院,太原 030006,山西大学计算机与信息技术学院,太原 030006

#计算机科学技术#

0评论(0 分享(0)

Ren ChuanXian,Dai DaoQing

, this leads to the incremental learning directly on the scatters impossible, thus it presents new

2009-06-25

国家自然科学基金(NSFC #10771220

教育部博士点基金(SRFDP-20070558043

Sun Yat-Sen (Zhongshan) University,Sun Yat-Sen (Zhongshan) University

#Mathematics#

本文收录在《Incremental Learning of Bidirectional Principal Components for Face Recognition》一文被收录在英文期刊,期刊名称:Pattern Recognition ,2010,43(1):318 ~330

0评论(0 分享(0)

XIAO Jing,LI LiangPing

ant population distribution and combines the continuous population-based incremental learning to

2011-07-18

Specialized Research Fund for the Doctoral Program of Higher Education (No. 20090171120003

School of Computer Science, South China Normal University,Department of Computer Science, Sun Yat-sen University, Guangzhou, 510006

#Computer Science and Technology#

本文收录在专家系统与应用,2011,38(9):11072-11077.

0评论(0 分享(0)

邬正伟

2008-10-10

现今电子邮件已成为信息交互的重要工具,可惜垃圾邮件(spam)的泛滥,造成大量的网络资源浪费,反动邮件甚至严重破坏了社会稳定,所以反垃圾邮件技术研究已经成为当今热点。针对邮件内容的垃圾邮件过滤技术有黑白名单、关键词、hash、规则和概率统计过滤。其中关键词过滤是垃圾邮件过滤常用的方法,它简单易行,可惜过滤效果欠佳,误判率和漏判率都比较高。作者考虑到向量空间模型广泛运用于信息检索和信息过滤领域,提出了一个基于向量空间模型的垃圾邮件关键词过滤方法,并且可以根据用户反馈进行增量式学习,形成垃圾邮件过滤的自适应系统。经过试验验证,该方法具有良好的过滤性能和增量学习能力。

北京邮电大学信息与通信系

#计算机科学技术#

0评论(0 分享(0)

王博,孙玉坤,嵇小辅,黄永红,黄丽

2011-01-26

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法。它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型。以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,较普通的模糊支持向量机建模方法具有较高的预测精度和自适应性。

国家(2007AA04Z179

江苏大学电气信息工程学院,南京工程学院,南京 211167,江苏大学电气信息工程学院,镇江 212013,江苏大学电气信息工程学院,镇江 212013,江苏大学电气信息工程学院,镇江 212013

#生物学#

0评论(0 分享(0)

刘本永

2013-01-14

分类器设计可归结为函数逼近问题。先前,我们在再生核Hilbert空间中,利用斜投影将某模式类别从其它类别中鉴别开来,建立了斜投影核鉴别器设计理论,并给出了对应的增量学习算法,以解决分类器在线训练问题和参数稀疏化问题。在这里,我们给出这些理论和算法的有关定理的详细证明,并以基于双通道采样的信号动态恢复为例,说明如何应用理论和算法解决相关工程问题。

教育部博士点基金(20095201110002

科技部国际科技合作项目(2009DFR10530

国家自然科学基金(60862003

贵州大学智能信息处理研究所,贵阳 550025

#电子、通信与自动控制技术#

0评论(0 分享(0)

于嵩浩,许浩,陈斌

2020-01-23

针对增量支持向量数据描述方法存在计算复杂度高的问题,提出一种基于样本疏密度约简的增量学习方法。首先,从增量样本集中筛选出违反KKT条件的样本子集,并评价其整体聚集程度;然后,依据信息熵计算样本的疏密度值,结合比例控制因子再次筛选剩余样本集;最后,以约简的增量样本子集、初始模型的支持向量及边界附近样本作为数据集,增量学习得到新的识别模型。基于实测的风电机组叶片数据集,实验验证了方法的有效性。

Automation School, Beijing University of Posts and Telecommunications,Beijing 100876,Automation School, Beijing University of Posts and Telecommunications,Beijing 100876,Automation School, Beijing University of Posts and Telecommunications,Beijing 100876

#计算机科学技术#

0评论(0 分享(0)

刘本永

2012-10-29

分类器设计在模式识别中具有重要的地位,可以归结为函数逼近问题。先前我们在定义于模式特征空间上的再生核希尔伯特空间中,应用正投影准则研究了用于模式特征表示和鉴别的核非线性分类器设计问题。进一步,我们在此利用斜投影将某模式类别从其它类别中鉴别开来,得到斜投影核鉴别器,并设计对应的增量学习算法,以解决分类器在线训练问题和参数稀疏化问题。

国家自然科学基金(60862003

科技部国际科技合作项目(2009DFR10530

教育部博士点基金(20095201110002

贵州大学智能信息处理研究所,贵阳 550025

#电子、通信与自动控制技术#

0评论(0 分享(0)