- 基于自动调优的混合内核 SVM 分类优化框架在智能像素数据集和异质结晶体管中的应用
支持向量机 (SVM) 是一种科学和工程中广泛使用的最先进的分类方法，本文提出了一种基于自动调节优化框架的方法来量化 SVM 中超参数的范围，以确定它们的最佳选择，并将该框架应用于混合核函数的智能像素数据集和混合核异质结晶体管 (MKH) - 支持向量机的类别不平衡学习方法：回顾与实证评估
本论文对于基于支持向量机 (SVM) 及其变种的类不平衡学习方法进行了综述，将 SVM-based 模型按照类不平衡学习进行了层次分类，并比较了各个类别中各种模型的性能，发现融合方法表现最好，但计算负荷较大。对研究空白和未来研究方向进行了讨 - TauAD: 基于条件扩散模型的 PET 成像无需 MRI 的 Tau 异常检测
通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。
- 公平混合效应支持向量机
机器学习中的公平性与聚类数据对公平机器学习预测的影响，以及一种能够同时处理这两个问题的公平混合效应支持向量机算法。
- 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。
- 量子机器学习：量子核方法
通过使用基于量子核方法的量子算法，我们描述了如何识别获得量子优势的条件，以及将量子核作为特征提取层应用于卷积神经网络。
- 利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究
通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。
- 在电子商务平台中使用混合算法寻找虚假评论
我们提出了一种创新的集成方法来进行情感分析以找到伪造评论，它结合了支持向量机、K 最近邻算法和决策树分类器的预测能力，从而在伪造评论预测中实现了卓越的准确性和鲁棒性，突显了集成技术在使用混合算法中开展伪造评论研究方面的潜力。
- NLOS UWB 通道中直接路径组件缺失的检测
本文提出了一种新颖的非直视（NLOS）识别技术，通过支持向量机（SVM）算法基于不同的信号特征进行 NLOS 识别，并介绍了实验结果。
- 通过 INDT-ASD 印度数据库利用机器学习进行早期自闭症检测
通过使用机器学习开发了一种简便、快速和低成本的方法来识别自闭症，其中支持向量机作为最优模型具有更高的准确率、更高的召回率以及相对于随机森林提高了 2.22％至 6.67％的准确率。
- 基于新型损失函数的二分类支持向量机
我们提出了一种基于置信边界的滑动损失函数来构建支持向量机分类器，通过引入近似稳定点的概念和利用利普希茨连续性的性质，我们为滑动支持向量机推导了一阶最优性条件，并定义了滑动支持向量和滑动工作集。为了高效处理滑动支持向量机，我们设计了一种带有滑 - 一种基于双层优化的安全筛选规则和 ν 支持向量机
提出了一个安全的筛选规则和双层优化方法用于处理大规模问题，其中使用支持向量机（Support Vector Machine，SVM）的扩展方法 nu-SVM，以及通过高效的双坐标下降优化算法提高计算速度。在人工数据集和基准数据集上的实验结果 - 使用特征融合和并行结构分类器增强文本无关说话人验证系统
提出了结合不同声学特征和支持向量机分类器的方法，以改善噪声环境下说话人验证系统的性能。结果表明，在干净语音或噪声存在的情况下，使用组合特征和组合分类器可以显著提高系统性能。最后，提出了多频带噪声去除技术作为预处理阶段，用以增强在嘈杂环境下的 - 一种带有动态优化和减少直方图的快速图搜索算法用于二元分类问题辨别
本研究通过使用图搜索算法，针对二元分类问题提出了一种优化判别路径的算法。该算法使用深度优先搜索算法寻找自顶向下的判别路径，并应用于支持向量机模型，显著提高了真正例的分类准确性，同时减少了误正例。
- 多成本场景下支持向量机
我们提出了一种新颖的支持向量机模型，通过在问题表达中引入性能约束来考虑误分类成本。具体而言，我们的目标是寻求具有最大间隔的超平面，使得误分类率低于给定的阈值。通过解决一个具有线性约束和整数变量的二次凸问题来获得最大间隔超平面。我们的实验结果 - 基于学习的碰撞场中的有限 Fourier 级数最优运动规划
利用有限傅立叶级数表示连续时间运动，并提出一种调整每个机械手关节运动谐波的新规划方法。通过对动能和潜在能量进行求和计算出机械手运动谐波的哈密顿量。使用支持向量机和高斯核函数学习基于碰撞的哈密顿量，实验证明我们的方法具有高可靠性和效率。
- 最大化最小间隔的多类支持向量机
我们提出了一种新的多类支持向量机方法，通过考虑两两类别损失，并最大化最小的间隔，实现多类别分类。我们的方法在深度学习中类似于 softmax 的概念，可以作为深度学习中网络参数学习的有效增强。实证评估结果表明，我们的方法在现有的多分类方法上 - 在网络欺凌情感分析中的简易数据增强
通过使用支持向量机（SVM）和简单数据增强（EDA）进行情感分析的评论过滤，以解决 Instagram 中青少年印尼人群 50% 遭受的网络欺凌问题，测试结果显示 SVM 与 EDA 相结合可使 k-Fold 交叉验证得分提高 2.52%， - 基于 MPI-CUDA 和 Tensorflow 框架的支持向量机实现
支持向量机算法在训练过程中需要解决复杂的二次规划优化问题，这导致计算成本高。本研究通过在不同的并行架构框架上实现支持向量机算法的比较研究，发现 SVM MPI-CUDA 实现在不同数据集上能够优于 SVM TensorFlow 实现，而且 - 哪种人工智能技术更适合用于需求分类？SVM、LSTM 和 ChatGPT 的实验比较
通过对文本 - davinci-003、gpt-3.5-turbo 和 gpt-4 等 ChatGPT 模型在零样本和少样本设置下进行广泛的实证评估，我们的研究结果表明 ChatGPT 在需求分类方面始终优于 LSTM，而在功能需求（FR）