非平坦函数概率密度估计OA北大核心CSCDCSTPCD
Probability Density Estimation for Non-flat Functions
针对非平坦函数的概率密度估计问题，通过改进支持向量机（support vector machine，SVM）概率密度估计模型约束条件的形式，并引入多尺度核方法，构建了一种单松弛因子多尺度核支持向量机概率密度估计模型。该模型采用合并的单个松弛因子来控制支持向量机的学习误差，减小了模型的计算复杂度；同时引入了多尺度核方法，使得模型既能适应函数剧烈变化的区域，也能适应平缓变化的区域。基于几种典型非平坦函数进行概率密度估计实验，结果证明，单松弛因子概率密…查看全部>>
Aiming at the probability density estimation problem for non-flat functions, this paper constructs a single slack factor multi-scale kernel support vector machine (SVM) probability density estimation model, by improving the form of constraint condition of the traditional SVM model and introducing the multi-scale kernel method. In the model, a single slack factor instead of two types of slack factors is used to control the learning error of SVM, which reduces…查看全部>>
汪洪桥;蔡艳宁;付光远;王仕成
第二炮兵工程大学 信息工程系，西安 710025第二炮兵工程大学 理学院，西安 710025第二炮兵工程大学 信息工程系，西安 710025第二炮兵工程大学 控制工程系，西安 710025
计算机与自动化
概率密度估计支持向量机(SVM)多核学习非平坦函数
probability density estimationsupport vector machine (SVM)multiple kernel learningnon-flat function
《计算机科学与探索》 2016 (4)
589-599,11
The National Natural Science Foundation for Young Scientists of China under Grant Nos.61202332,61403397(国家自然科学青年基金)the Postdoctoral Science Foundation of China under Grant No.2012M521905(中国博士后科学基金)the Natural Science Foundation of Shaanxi Province under Grant No.2015JM6313(陕西省自然科学基础研究计划项目)
评论