搜索资源列表
h
- 基于多类支持向量机的遥感图像分类及其半监督式改进策略-Based on multi-class support vector machines for remote sensing image classification and Semi-supervised Improvement Strategy
semi-surpervised_learing
- 对传统的支持向量机分类器的改进,利用了半监督学习的方法，可以极大的提高分类效率。-The traditional support vector machine classifiers is improved with a semi-supervised learning methods, can greatly improve classification efficiency.
Semi-Supervised_Learning_With_SVMs
- 利用支持向量机进行半监督学习的详细的文档，包括了部分伪代码，具有很大的参考价值-Using support vector machine semi-supervised learning of detailed documentation, including some pseudo-code, has great reference value
meanS3VM
- MissSVM是一揽子解决多实例使用半监督支持向量机的学习问题。MissSVM目的是显示，如果假设IID实例，多实例学习可以作为一个半监督学习的特殊情况来看，可能会合并成半的领域和多实例学习领域监督学习。 因此，未来的多实例学习研究应只承担IID袋，避免IID实例假设。 -MissSVM package solution is to use multi-instance semi-supervised support vector machine learning problems. MissS
Multi-class-SVM-Image-Classification
- 基于神经网络的遥感图像分类取得了较好的效果,但存在固有的过学习、易陷入局部极小等缺点.支持向量机机器学习方法,根据结构风险最小化(SRM)原理,表现出很多优于其他传统方法的性能,本研究的基于多类支持向量机分类器的遥感图像分类取得了达95.4 的分类精度.但由于遥感图像分类类别多,所需训练样本较大,人工选择效率较低,为此提出以人工选择初始聚类质心、C均值模糊聚类算法自动标注训练样本的基于多类支持向量机的半监督式遥感图像分类方法,期望能在获得适用的分类精度的基础上有效提高分类效率-Neural ne
Support-vector-machine-
- 利用谱聚类方法在特 征向量空间中对原始样本数据进行重新表述使得在新表述中同一聚类中的样本能够更好地积聚在一起构建聚类核函数 并进而构造聚类核半监督支持向量机 使样本更好地满足半监督学习必须遵循的聚类假设 -Restated in the new formulation in the same cluster sample be better able to accumulate together to build the clustering of nuclear function and
code_branch_s3vm
- 基于半监督支持向量机算法，能得到全局最优解，很好用。-Run test_two_moons.m to see the solution of the branch-and-bound algorithm on the two moons toy problem
S3svm
- 半监督支持向量机分类器十折源程序，用于半监督学习-Semi-supervised support vector machine classifier ten fold source for semi-supervised learning
bfgs
- 采用Bfgs算法解决光滑的半监督支持向量机，并采用不同的光滑函数进行比较-Using Bfgs algorithm to solve the smooth semi-supervised support vector machines, and using smooth function to compare different
code_branch_s3vm
- 分支定界的半监督支持向量机，将分支定界与半监督SVM完美的结合(semi-supervised support vector machine based on branch and bound)
最优的TSVM.rar
- 用MATLAB实现半监督支持向量机，可用于分类问题中。(Semi supervised support vector machine is realized by MATLAB, which can be used in classification problems.)