期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息

基于核的机器学习方法及其在多用户检测中的应用 被引量：3

Kernel-based machine learning method and the applications to multi-user detection: a survey
在线阅读 下载PDF
导出
摘要 阐述了核方法的基本原理与研究动机,分析了特征空间的性质,介绍了常见的核方法,给出了构建新核方法的步骤及需要注意的问题,指出了核方法值得关注的研究方向,展示了其在多用户检测中的应用情况,以其对核方法研究领域有较全面的把握。 The major characteristics of the feature space and present alternative methods and corresponding algorithms were analyzed. The steps to construct a novel kernel method and the future research issues were given. Finally the applications to multi-user detection using KM were explored. It is expected to understand KM comprehensively.
作者 周亚同 张太镒 刘海员
机构地区 西安交通大学电子与信息工程学院
出处 《通信学报》 EI CSCD 北大核心 2005年第7期96-108,共13页 Journal on Communications
基金 国家自然科学基金资助项目(40274019)
关键词 核方法 支持向量机 机器学习 再生核希尔伯特空间 多用户检测 kernel method support vector machine machines learning reproducing kernel Hilbert space multi-user detection
分类号 TP18 [自动化与计算机技术—控制理论与控制工程]
  • 相关文献

参考文献98

  • 1焦李成,张莉,周伟达.支撑矢量预选取的中心距离比值法[J].电子学报,2001,29(3):383-386. 被引量：48
  • 2卢增祥,李衍达.交互支持向量机学习算法及其应用[J].清华大学学报（自然科学版）,1999,39(7):93-97. 被引量：42
  • 3CristianiniN Shawe-TaylorJ 李国正译.支持向量机导论[M].北京:电子工业出版社,2004..
  • 4LAWRENCE N D. Gaussian process latent variable models for visualization of high dimensional data[A]. Advances in Neural Information Processing Systems 16 (NIPS 16)[C]. Cambridge, MA:MIT Press, 2004.101-109.
  • 5SMOLA A J. Sparse Kernel Feature Analysis[R]. Technical Report No.99-04, University of Wiseosin Madison, 1999.
  • 6LIN C F, WANG S D. Fuzzy support vector machines[J]. IEEE Transactions on Neural Networks, 2002, 13(2): 464-471.
  • 7YANG M H, AHUJA N. A geometric approach to train support vector machines[A]. Proceedings of IEEE Conference on Computer Vision and Pattern Recognition[C]. 2000. 430-437.
  • 8PLATT J C. Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines[R]. Microsoft Research Technical Report MSR-TR-98-14, Redmond, 1998.
  • 9KEERTHI S S, SHEVADE S K. A fast iterative nearest point algorithm for support vector machine classifier design[J]. IEEE Transactions on Neural Networks, 2000, 11(1): 124-136.
  • 10SEBALD D J, BUCKLEW J A. Support vector machines and the multiple hypothesis test problem[J]. IEEE Transactions on Signal Processing, 2001, 49(11): 2865-2872.

二级参考文献4

共引文献198

同被引文献148

  • 1CORTES C,VAPNIK V.Support vector networks[J].Machine Learning,1995,20(3):273-297.
  • 2MERCER J.Functions of positive and negative type and their correction with the theory of integral equations[J].Philosophical Trans on Royal Society of London,1909,209A:415-446.
  • 3CHERKASSKY V,MULLER F.Learning from data:concepts,theory and methods[M].New York:Wiley,1997.
  • 4GUNN S.Support vector machines for classification and regression[R].Southampton:Image Speech& Intelligent Systems Group,University of Southampton,1998.
  • 5VAPNIK V.An overview of statistical learning theory[J].IEEE Trans on Neural Networks,1999,10(5):988-999.
  • 6SEWELL M.Kernel methods[R].London:Department of Computer Science,University of London,2007.
  • 7SCHOLKOPF B,CRISTIANINI N,SHAWE-TAYLOR J,et al.[EB/OL].(2007-02-01).http://www.kernel-machines.org.
  • 8SHAWE-TAYLOR J,CRISTIANINI N.Support vector machines Support vector machines[EB/OL].(2007).http://www.support-vector.net.
  • 9SHAO Xu-hui.Model selection using statistical learning theory[D].Minnesota:University of Minnesota,l999.
  • 10KASZYCHI J C.An adaptive non-parametric kernel methods for classification[D].Raleigh:North Carolina State University,2000.

引证文献3

二级引证文献19

通信学报
2005年 第7期

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部