搜索资源列表
ZhangXuegong
- 对支持向量机和统计学习理论作了较系统的综述-on support vector machines and statistical learning theory made more systematic overview
基于支持向量机的手写数字识别（小论文+matlab编程及结果）
- 支持向量机的研究现已成为机器学习领域中的研究热点，其理论基础是Vapnik[3]等提出的统计学习理论。统计学习理论采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，即最小化模型的结构风险，从而提高了模型的泛化能力，这一优点在小样本学习中更为突出。SVM理论正是在这一基础上发展而来的，经过十几年的研究和发展，已开始逐步应用于一些领域。在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，已经在模式识别、函数逼近和概率密度估计等方面取得了良好的效果。
The_leraning_problem_and_Regularization
- 统计学习理论及应用课堂讲稿-来自麻省理工学院得好资料~-Statistical learning theory and application of classroom lectures- good information from the Massachusetts Institute of Technology ~
data
- SVM是支持向量机的缩写，是属于统计学习理论的一种人工智能算法。 osu svm是一个工具箱-SVM is a support vector machine stands are a statistical learning theory artificial intelligence algorithms. osu svm is a toolbox
SVMCode
- SVM是一种基于统计学习理论的机器学习方法，它是由Boser,Guyon, Vapnik在COLT-92上首次提出-SVM is based on statistical learning theory, machine learning methods, it is by Boser, Guyon, Vapnik in COLT-92 was first proposed on
SVM_GUI_3.1[mcode]{by-faruto}
- 支持向量机SVM(Support Vector Machine）作为一种可训练的机器学习方法，依靠小样本学习后的模型参数进行导航星提取，可以得到分布均匀且恒星数量大为减少的导航星表。 基本情况 Vapnik等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机（Support Vector Machine，简称SVM）。支持向量机的提出有很深的理论背景。 支持向量机
svm
- 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，很不错的程序-Support vector machine (SVM) method is based on statistical learning theory of VC dimension theory and structure risk minimum principle, on the basis of good programs
PS0-SVR
- 支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往 很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论 和方法,建立支持向量机的预测模型,并利用winSVM 和MATLAB 软件进行了实例预测,与二次回归 预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。-Support vector regression data
通信原理实验_Matlab仿真基础
- 为了更好地设计通信系统，我们需要对无线环境下收端信号的统计特性进行研究。考虑以下场景：环境中有很多障碍物，发射端至接收端没有视距可达路径。 假设收发端距离很远（500m以上），障碍物数量很大（N>50），并在空间中随机分布。同时假设各路反射信号到达接收端的强度相同（能量E=1），信号载波频率为1GHz，请进行仿真，探索以下问题： （1）接收到的正弦波的相位服从什么分布？ （2）计算接收信号的幅度的均值和方差，并绘制其概率密度函数图。 （3）学习“Rayleigh分布