• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Conference on Image Extraction, Segmentation, and Recognition Oct 22-24, 2001, Wuhan, China >Statistical learning theory and its application to pattern recognition
【24h】

Statistical learning theory and its application to pattern recognition

机译：统计学习理论及其在模式识别中的应用

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The problem of pattern recognition is formulated as a classification in the statistic learning theory. Vapnik constructed a class of learning algorithms called support vector machine (SVM) to solve the problem. The algorithm not only has strong theoretical foundation but also provides a powerful tool for solving real-life problems. But it still has some drawbacks. Two of them are (1) the computational complexity of finding the optimal separating hyperplane is quite high in the linearly separable case, and (2) in the linearly non-separable case, for any given sample set it's hard to choose a proper nonlinear mapping (kernel function) such that the sample set is linearly separable in the new space after the mapping. To overcome these drawbacks, we presented some new approaches. The main idea and some experimental results of the approaches are presented.
机译：模式识别的问题在统计学习理论中被表述为一种分类。 Vapnik构造了一类称为支持向量机（SVM）的学习算法来解决该问题。该算法不仅具有强大的理论基础，而且为解决现实生活中的问题提供了强大的工具。但是它仍然有一些缺点。其中两个是（1）在线性可分离的情况下，找到最佳分离超平面的计算复杂度很高；（2）在线性不可分离的情况下，对于任何给定的样本集，很难选择适当的非线性映射（内核函数），以便在映射后可以在新空间中线性分离样本集。为了克服这些缺点，我们提出了一些新方法。介绍了该方法的主要思想和一些实验结果。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号