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:
支持向量机是一类新型机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点。该文首先引入最优超平面的概念,然后对线性SVMs和非线性SVMs进行介绍,给出一些常用的训练算法,并指出SVMs存在的局限和将来可能的研究内容。
推荐文章
支持向量机研究与应用
支持向量机
优化算法
训练
分类
支持向量机及其应用研究
支持向量机
机器学习
核函数
数据分类
基于支持向量机的回归研究
非线性回归
ε-svm
交叉验证
支持向量机及其应用研究
机器学习
统计学习理论
支持向量机
模式识别
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 支持向量机研究
来源期刊 计算机工程与应用 学科 工学
关键词 支持向量机 模式识别 机器学习 统计学习理论
年,卷(期) 2001,(1) 所属期刊栏目 学术探讨
研究方向 页码范围 58-61
页数 4页 分类号 TP3
字数 3691字 语种 中文
DOI 10.3321/j.issn:1002-8331.2001.01.019
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 周志华 92 3105 30.0 55.0
2 李星 清华大学电子工程系 163 2416 25.0 45.0
3 崔伟东 清华大学电子工程系 2 294 2.0 2.0
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  (1)
节点文献
引证文献  (292)
同被引文献  (138)
二级引证文献  (798)
1995(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2002(6)
  • 引证文献(6)
  • 二级引证文献(0)
2003(17)
  • 引证文献(14)
  • 二级引证文献(3)
2004(32)
  • 引证文献(23)
  • 二级引证文献(9)
2005(58)
  • 引证文献(28)
  • 二级引证文献(30)
2006(76)
  • 引证文献(23)
  • 二级引证文献(53)
2007(91)
  • 引证文献(32)
  • 二级引证文献(59)
2008(107)
  • 引证文献(33)
  • 二级引证文献(74)
2009(74)
  • 引证文献(22)
  • 二级引证文献(52)
2010(73)
  • 引证文献(19)
  • 二级引证文献(54)
2011(71)
  • 引证文献(18)
  • 二级引证文献(53)
2012(73)
  • 引证文献(12)
  • 二级引证文献(61)
2013(59)
  • 引证文献(10)
  • 二级引证文献(49)
2014(59)
  • 引证文献(5)
  • 二级引证文献(54)
2015(70)
  • 引证文献(9)
  • 二级引证文献(61)
2016(61)
  • 引证文献(7)
  • 二级引证文献(54)
2017(53)
  • 引证文献(11)
  • 二级引证文献(42)
2018(42)
  • 引证文献(6)
  • 二级引证文献(36)
2019(51)
  • 引证文献(12)
  • 二级引证文献(39)
2020(17)
  • 引证文献(2)
  • 二级引证文献(15)
研究主题发展历程
节点文献
支持向量机
模式识别
机器学习
统计学习理论
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
计算机工程与应用
半月刊
1002-8331
11-2127/TP
大16开
北京619信箱26分箱
82-605
1964
chi
出版文献量(篇)
39068
总下载数(次)
102
总被引数(次)
390217
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导