- 年份
- 2025（42）
- 2024（113）
- 2023（95）
- 2022（114）
- 2021（88）
- 2020（93）
- 2019（76）
- 2018（44）
- 2017（25）
- 2016（23）
- 更多...
- 核心收录
- 中国科技论文与引文数据库(CSTPCD)（639）
- 北京大学中文核心期刊目录(北大核心)（487）
- 中国科学引文数据库(CSCD)（309）
- 中国人文社会科学引文数据库(CHSSCD)（29）
- 中文社会科学引文索引(CSSCI)（11）
- 更多...
- 刊名
- 计算机工程与应用（53）
- 计算机应用研究（43）
- 计算机应用与软件（33）
- 计算机工程（31）
- 计算机技术与发展（27）
- 计算机与数字工程（21）
- 计算机工程与科学（20）
- 计算机科学与探索（15）
- 电力系统自动化（13）
- 现代电子技术（12）
- 更多...
- 作者单位
- 北京交通大学（13）
- 武汉大学（10）
- 南京大学（9）
- 南京邮电大学（9）
- 江南大学（9）
- 重庆邮电大学（9）
- 华东理工大学（8）
- 东南大学（7）
- 北京理工大学（7）
- 华南理工大学（7）
- 更多...
- 语种
- 汉语（851）
- 关键词
- 集成学习（851）
- 机器学习（76）
- 支持向量机（51）
- 深度学习（49）
- 随机森林（38）
- 特征选择（31）
- 数据挖掘（28）
- 分类（26）
- 神经网络（25）
- 不平衡数据（24）
- 更多...
- 作者
- 付忠良（8）
- 余涛（5）
- 游文霞（5）
- 赵向辉（5）
- 金怀平（5）
- 陈兰岚（5）
- 韩萌（5）
- 刘天羽（4）
- 刘洋（4）
- 吴永华（4）
- 更多...
相关度
- 相关度
- 发表时间
每页显示10条
- 每页显示10条
- 每页显示20条
- 每页显示30条
已找到 851 条结果
- 改进词频分类器集成的文本分类算法CSTPCD
- 分类器动态组合及基于分类器组合的集成学习算法北大核心CSCDCSTPCD
- 结合粗糙集与集成学习的中文文本分类方法研究北大核心CSCDCSTPCD摘要：介绍中文文本分类的流程及相关技术.在分析传统的文本特征选择不足的基础上,提出了基于粗糙集与集成学习结合的文本分类方法,通过粗糙集进行文本的特征选择,采用一种集成学习算法AdaBoost.M1来提高弱分类器的分类性能,对中文文本进行分类.实验证明,这种算法分类结果的F1值比C4.5、kNN分类器都高,具有更加优良的分类性能.
- 集成学习SVM在图像检索中的应用北大核心CSCDCSTPCD摘要：提出一种基于SVM和Adaboost集成学习相结合的相关反馈算法.在相关反馈过程中选择最具信息的样本训练支持向量机,可以有效减少相关反馈的次数和所需学习样本的数量,通过两者的互补来有效地提高图像检索的精度.最后提出Adaboost算法对SVM分类器进行加权投票,这样进一步提高了图像检索的性能.实验表明,该方法较好地解决了图像检索中的小样本选择问题,能够显著提高图像检索的效率和性能.
- 基于代表性数据的决策树集成北大核心CSCDCSTPCD
- 基于Map Reduce的Bagging贝叶斯文本分类CSCDCSTPCD摘要：集中式系统框架难以进行海量文本数据分类.为此,提出一种基于Map Reduce的Bagging贝叶斯文本分类算法.介绍朴素贝叶斯文本分类算法,将其与Bagging算法结合,运用Map Reduce并行编程模型,在Hadoop平台上实现算法.实验结果表明,该算法分类准确率较高,运行时间较短,适用于大规模文本数据集的分类学习.
- 基于Bagging的XML文档集成聚类研究北大核心CSCDCSTPCD摘要：将集成学习方法应用到XML文档聚类中来改进传统聚类算法的不足.提出一种标签与路径相结合的XML文档向量模型,基于这个模型,首先对原始文档集进行多次抽样,在新文档集上进行K均值聚类,然后对得到的聚类中心集合进行层次聚类.在人工数据集和真实数据集上的实验表明,该算法在召回率和精确率上优于K均值算法,并且增强了其鲁棒性.
- 基于Boosting的智能车辆多类障碍物识别北大核心CSCDCSTPCD摘要：提出一种基于Boosting集成学习的二叉树支持向量机(BBT-SVM).根据城区交通环境中各类障碍物的出现概率、模式间的类间差异,设计适用于智能车辆障碍物识别的SVM树型结构.对每个节点SVM分类器采用Boosting集成学习方法进行改进,减少差错积累误差,提高分类精度和泛化能力.实验结果表明,该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别.
- 神经网络和集成学习在地质灾害危险度区划中的应用研究北大核心CSCDCSTPCD
- 关于Real AdaBoost算法的分析与改进北大核心CSCDCSTPCD摘要：采用一种新的技术,对Real AdaBoost算法的有效性、误差估计、算法流程和弱分类器训练进行了分析和证明.证明了可用加权组合弱分类器对Real AdaBoost算法进行改进,并得到了近似最佳组合系数;指出Real AdaBoost算法的样本权值调整和弱分类器训练方法的真实目的是确保弱分类器的独立性;基于Bayes统计推断对Real AdaBoost算法进行了多分类推广,得到了算法公式和误差估计,给出了便于使用的弱分类器训练简化方法…查看全部>>