计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2011年
10期
256-258
,共3页
支持向量机%反馈%记忆性标注%累积样本
支持嚮量機%反饋%記憶性標註%纍積樣本
지지향량궤%반궤%기억성표주%루적양본
支持向量机(SVM)方法并不假设样本的分布条件,它基于结构风险最小化原则,对小样本情况下的学习问题给出最优解,并且在样本趋于无穷时能保持良好的一致收敛性.在SVM的基础上提出的MSVM方法,通过记忆功能,用历次反馈的累积样本代替一次反馈样本,从而增加了学习样本数量,减小了查准率的振荡,提高了检索精度；同时为了减轻用户负担,提出了记忆性标注.实验证明,MSVM方法可以避免因训练样本集过小而出现的局部最小化的问题,能较为准确地分类图像库中的图像,同时有效地减轻了用户的负担.
支持嚮量機(SVM)方法併不假設樣本的分佈條件,它基于結構風險最小化原則,對小樣本情況下的學習問題給齣最優解,併且在樣本趨于無窮時能保持良好的一緻收斂性.在SVM的基礎上提齣的MSVM方法,通過記憶功能,用歷次反饋的纍積樣本代替一次反饋樣本,從而增加瞭學習樣本數量,減小瞭查準率的振盪,提高瞭檢索精度；同時為瞭減輕用戶負擔,提齣瞭記憶性標註.實驗證明,MSVM方法可以避免因訓練樣本集過小而齣現的跼部最小化的問題,能較為準確地分類圖像庫中的圖像,同時有效地減輕瞭用戶的負擔.
지지향량궤(SVM)방법병불가설양본적분포조건,타기우결구풍험최소화원칙,대소양본정황하적학습문제급출최우해,병차재양본추우무궁시능보지량호적일치수렴성.재SVM적기출상제출적MSVM방법,통과기억공능,용력차반궤적루적양본대체일차반궤양본,종이증가료학습양본수량,감소료사준솔적진탕,제고료검색정도；동시위료감경용호부담,제출료기억성표주.실험증명,MSVM방법가이피면인훈련양본집과소이출현적국부최소화적문제,능교위준학지분류도상고중적도상,동시유효지감경료용호적부담.
