作者:
基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
模式识别、函数拟合及概率密度估计等都属于基于数据学习的问题,现有方法的重要基础是传统的统计学,前提是有足够多样本,当样本数目有限时难以取得理想的效果.统计学习理论(SLT)是由Vapnik等人提出的一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.SLT为机器学习问题建立了一个较好的理论框架,也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.目前,SLT和SVM已成为国际上机器学习领域新的研究热点.本文是一篇综述,旨在介绍SLT和SVM的基本思想、特点和研究发展现状,以引起国内学者的进一步关注.
推荐文章
支持向量机的理论基础--统计学习理论
支持向量机
统计学习理论
模式识别
统计学习理论及支持向量机概述
统计学习理论
支持向量机
VC雏
结构风险
基于统计学习理论的支持向量机的分类方法
支持向量机
统计学习理论
结构风险最小化
数据分类
小样本机器学习理论:统计学习理论
样本,统计估计,模式识别
统计学习理论,机器学习
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 关于统计学习理论与支持向量机
来源期刊 自动化学报 学科 工学
关键词 统计学习理论 支持向量机 机器学习 模式识别
年,卷(期) 2000,(1) 所属期刊栏目 综述与评论
研究方向 页码范围 32-42
页数 11页 分类号 TP2
字数 7809字 语种 中文
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (8)
节点文献
引证文献  (3745)
同被引文献  (1324)
二级引证文献  (14373)
1992(1)
  • 参考文献(1)
  • 二级参考文献(0)
1994(1)
  • 参考文献(1)
  • 二级参考文献(0)
1995(1)
  • 参考文献(1)
  • 二级参考文献(0)
1997(1)
  • 参考文献(1)
  • 二级参考文献(0)
1998(4)
  • 参考文献(4)
  • 二级参考文献(0)
2000(7)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(7)
  • 二级引证文献(0)
2000(7)
  • 引证文献(7)
  • 二级引证文献(0)
2001(12)
  • 引证文献(10)
  • 二级引证文献(2)
2002(62)
  • 引证文献(44)
  • 二级引证文献(18)
2003(140)
  • 引证文献(79)
  • 二级引证文献(61)
2004(255)
  • 引证文献(116)
  • 二级引证文献(139)
2005(503)
  • 引证文献(190)
  • 二级引证文献(313)
2006(906)
  • 引证文献(296)
  • 二级引证文献(610)
2007(1172)
  • 引证文献(310)
  • 二级引证文献(862)
2008(1460)
  • 引证文献(395)
  • 二级引证文献(1065)
2009(1493)
  • 引证文献(366)
  • 二级引证文献(1127)
2010(1359)
  • 引证文献(277)
  • 二级引证文献(1082)
2011(1288)
  • 引证文献(249)
  • 二级引证文献(1039)
2012(1244)
  • 引证文献(220)
  • 二级引证文献(1024)
2013(1207)
  • 引证文献(240)
  • 二级引证文献(967)
2014(1218)
  • 引证文献(211)
  • 二级引证文献(1007)
2015(1306)
  • 引证文献(194)
  • 二级引证文献(1112)
2016(1128)
  • 引证文献(187)
  • 二级引证文献(941)
2017(1108)
  • 引证文献(140)
  • 二级引证文献(968)
2018(1116)
  • 引证文献(101)
  • 二级引证文献(1015)
2019(914)
  • 引证文献(96)
  • 二级引证文献(818)
2020(216)
  • 引证文献(16)
  • 二级引证文献(200)
研究主题发展历程
节点文献
统计学习理论
支持向量机
机器学习
模式识别
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
自动化学报
月刊
0254-4156
11-2109/TP
大16开
北京市海淀区中关村东路95号(北京2728信箱)
2-180
1963
chi
出版文献量(篇)
4124
总下载数(次)
26
总被引数(次)
120705
论文1v1指导