您的位置: 专家智库 > >

徐燕子

作品数:9 被引量:6H指数:2
供职机构:广西大学计算机与电子信息学院更多>>
发文基金:广西高校人才小高地建设创新团队资助计划更多>>
相关领域:自动化与计算机技术电子电信更多>>

文献类型

  • 4篇期刊文章
  • 3篇会议论文
  • 2篇学位论文

领域

  • 8篇自动化与计算...
  • 1篇电子电信

主题

  • 6篇支持向量
  • 6篇支持向量机
  • 6篇向量
  • 6篇向量机
  • 5篇聚类
  • 5篇核空间
  • 4篇聚类算法
  • 3篇蚁群
  • 3篇蚁群聚类
  • 3篇蚁群聚类算法
  • 3篇核函数
  • 3篇SVM
  • 1篇训练集
  • 1篇语音
  • 1篇语音通信
  • 1篇阵列
  • 1篇声源
  • 1篇声源定位
  • 1篇时延
  • 1篇时延估计

机构

  • 8篇广西大学
  • 1篇华中科技大学

作者

  • 9篇徐燕子
  • 7篇覃华
  • 3篇张敏

传媒

  • 2篇计算机工程与...
  • 1篇广西科学院学...
  • 1篇微计算机信息

年份

  • 2篇2011
  • 6篇2010
  • 1篇2009
9 条 记 录,以下是 1-9
排序方式:
用改进的Newton-PCG法优化无线传感器网络定位模型
针对传统梯度搜索法优化无线传感器网络半定规划定位模型迭代次数多、求解时间长等问题,本文提出一种改进的牛顿-条件预优共轭梯度法(Newton-Preconditioned Conjugate Gradient method...
WANG Hui王惠OIN Hua覃华XU Yanzi徐燕子
关键词:无线传感器网络
核空间聚类算法及其在大规模支持向量机应用中的研究
支持向量机因其坚实的理论基础与优越的学习性能已被广泛运用于大规模数据的学习中,但支持向量机优越性是建立在小样本的基础之上,在大规模样本的学习问题上它却并未表现出优势。大样本的学习问题已经成为支持向量机应用的瓶颈,因此提出...
徐燕子
关键词:支持向量机
文献传递
用核空间距离聚类约简大规模SVM训练集被引量:1
2010年
针对支持向量机在大规模数据集上训练效率慢问题,本文提出了一种基于核空间距离聚类的支持向量机减样方法;首先引入核空间的距离公式,实现核空间的高维数据聚类,通过聚类约减训练集中大量非支持向量,达到减样目的,减少训练时间。实验结果表明新训练数据集算法具有更快的训练速度以及更高的分类精度。
徐燕子覃华
关键词:聚类支持向量机
面向麦克风阵列应用的声源定位算法研究
随着语音通信技术的发展,对声源定位的实时性和精确性要求越来越高,基于麦克风阵列的语音处理方法已成为研究热点之一。然而,受系统灵活性、应用方便性和算法精确性等方面的影响,目前国内麦克风阵列产品虽有部分应用,但是仍然具有一定...
徐燕子
关键词:麦克风阵列语音通信时延估计
文献传递
基于巢模板的核空间蚁群聚类算法
为了改进蚁群算法因大量引入随机机制所引发的不稳定性,引入巢模板来改进聚类规则,本文提出了一种基于巢模板的核空间蚁群聚类算法,并与原空间上的聚类算法进行比对。该算法用支持向量机的非线性映射函数把数据样本映射到核空间,再用巢...
覃华徐燕子张敏
关键词:蚁群聚类支持向量机核函数
基于巢模板的核空间蚁群聚类算法
2010年
为了改进蚁群算法因大量引入随机机制所引发的不稳定性,引入巢模板来改进聚类规则,提出一种基于巢模板的核空间蚁群聚类算法,并与原空间上的聚类算法进行比对。该算法用支持向量机的非线性映射函数把数据样本映射到核空间,再用巢模板记忆蚁群群体特征。核空间上的巢模板蚁群聚类算法能较好地处理特征复杂、类别多的数据集,其聚类结果比较接近真实情况,并且效果明显优于原空间上的聚类算法。
覃华徐燕子张敏
关键词:蚁群聚类支持向量机核函数
用LDL^T并行分解优化大规模SVM的训练效率被引量:2
2011年
支持向量机在大规模训练集上学习时,存在学习时间长、泛化能力下降的问题。研究使用路径跟踪内点法构建面向大规模训练集的SVM学习算法,找到影响算法学习效率的关键是求解大型线性修正方程,首先使用降维法降低修正方程的维数,再使用矩阵LDLT并行分解高效地求解子修正方程,达到优化大规模SVM学习效率的目的,实验结果说明SVM训练效率提升的同时不影响SVM模型的泛化能力。
覃华徐燕子
基于巢模板的核空间蚁群聚类算法的研究
当数据样本特征复杂、类别多时,一般的蚁群聚类算法效果不好。分析其主要原因后,提出使用支持向量机的非线性映射函数把数据样本映射到核空间上,数据样本的特征在核空间中被重组和凸显,再在核空间上设计蚁群聚类算法,并用巢模板提高算...
覃华徐燕子张敏
关键词:支持向量机核函数蚁群聚类
文献传递
用路径跟踪法和核距离矩阵优化大规模SVM
2011年
支持向量机在大规模训练集上学习时,存在学习时间长、泛化能力下降的问题。路径跟踪算法具有O(n L)的时间复杂度,能够在多项式时间内求解大规模QP问题。分析了影响SVM分类超平面的主要因素,使用路径跟踪内点算法和核距离矩阵快速约简训练集,再用约简后的训练集重新训练SVM。实验结果表明,重新训练后的SVM模型得到了简化,模型的泛化能力也得到提高。
覃华徐燕子
关键词:支持向量机路径跟踪算法泛化能力
共1页<1>
聚类工具0