May, 2023

支持向量机引导的再生核粒子方法用于基于图像的微结构建模

PDF
TL;DR该研究提出了一种基于支持向量机（SVM）分类的方法，以自动化复合材料数字表示构建中的离散化和近似过程，该方法还使用 IM-RKPM 算法进行适当的近似处理，并通过对聚合物 - 陶瓷复合材料微观结构建模进行验证。
micro-ct imagessupport vector machineim-rkpmdigital representationspolymer-ceramic composite
发现论文，激发创造
  • 基于神经网络的再生核逼近增强方法用于脆性断裂建模

    本文提出了一种改进的神经网络增强再生核粒子法（NN-RKPM）来建模脆性断裂，实现了离散化无关的计算方法，并通过一系列数值算例展示了其有效性。

    Jul, 2023

  • 通过支持测量机学习分布

    本文提出了一种基于核的判别式学习框架，使用概率分布作为训练数据，通过将概率分布表示为再生核希尔伯特空间中的平均嵌入，可以应用许多标准的基于核的学习技术，构造了一种支持测量机，提出了一种灵活的支持向量机，实验结果表明所提出的框架有效。

    Feb, 2012

  • 具有低秩不定核的概率分类器

    研究提出了在低秩不定核情况下达到线性时间和内存复杂度的 Indefinite Kernel Fisher Discriminant (iKFD) 和 Probabilistic Classification Vector Machine (PCVM)，并且利用 Nystr"om 近似提出了一个几乎自由参数的方法来识别地标。在各个领域的几个更大的相似度数据的评估表明，该方法提供了类似的泛化能力，同时对于大规模数据来说易于参数化和快速。

    Apr, 2016

  • 插值和 SVM 之间的新等效性：核和结构化特征

    该论文介绍了一种新的和灵活的分析框架，可用于证明任意再生核希尔伯特空间中的支持向量机，并且在独立亚高斯特征和一般有界正交系统家族（例如傅里叶特征）中的特征两个方面都表现出支持向量增殖现象，这些实验未能覆盖。

    May, 2023

  • 可扩展高斯过程的产品核插值

    本文提出了一种基于矩阵向量乘法和乘积核结构的新技术，可以在高维空间中实现快速的 Kernel 学习，并实现了令人瞩目的多任务 GPs 性能。

    Feb, 2018

  • 变分相关向量机

    本文介绍了 Relevance Vector Machine，它是一种概率模型，其功能形式相当于 Support Vector Machine，提供完整的预测分布，并且需要更少的核函数。我们展示了如何通过变分推理在完全贝叶斯范式内构建和解决 RVM，并给出超参数的后验分布。我们用人工合成和实际例子证明了变分 RVM 的实用性和性能。

    Jan, 2013

  • 利用经典和量子核支持向量机预测开孔层合板失效

    通过使用支持向量机和量子核函数，我们通过训练替代模型学习了开孔复合材料板在平面载荷下的极限破坏边界，并展示了分类的准确性超过 90％的结果。

    May, 2024

  • 利用量子核支持向量机进行多光谱卫星图像中的云检测

    本文介绍了一种使用量子核心的支持向量机算法，旨在用于卫星数据分析，并以云检测为例，对 Landsat-8 多光谱数据集进行了实验，表明该算法可以成功分类卫星图像并达到与传统支持向量机相同的准确性。

    Jul, 2023

  • 带有不定核的支持向量机分类

    本文提出了一种利用不确定核的支持向量机分类方法，该算法可以同时计算支持向量和代理核矩阵，保持问题凸性并可以使用梯度投影或解析中心切割平面方法有效地求解较大的问题，在经典数据集上与其他方法的性能比较表明本技术的性能优于其他方法。

    Apr, 2008

  • 数据分类的一种 SVM 方法替代方案

    支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。

    Aug, 2023