پروژه 24

پروژه 24

دانلود پروژه و حل تمرین و گزارش کارآموزی و تحقیق و مقاله و جزوه و کتاب

نظرسنجی سایت

رشته تحصیلی شما؟

اشتراک در خبرنامه

جهت عضویت در خبرنامه لطفا ایمیل خود را ثبت نمائید

Captcha

آمار بازدید

  • بازدید امروز : 610
  • بازدید دیروز : 778
  • بازدید کل : 2361743

مقاله کمترین مربع های کوانتیزه شده وابسته به ماشین بردار پشتیبان برای داده بزرگ


مقاله کمترین مربع های کوانتیزه شده وابسته به ماشین بردار پشتیبان برای داده بزرگ

عنوان مقاله فارسی: کمترین مربع های کوانتیزه شده وابسته به ماشین بردار پشتیبان برای مجموعه های داده بزرگ

عنوان مقاله لاتین: Density-Dependent Quantized Least Squares Support Vector Machine for Large Data Sets

نویسندگان: Shengyu Nan;Lei Sun;Badong Chen;Zhiping Lin;Kar-Ann Toh

تعداد صفحات: 12

سال انتشار: 2017

زبان: لاتین


Abstract:

Based on the knowledge that input data distribution is important for learning, a data density-dependent quantization scheme (DQS) is proposed for sparse input data representation. The usefulness of the representation scheme is demonstrated by using it as a data preprocessing unit attached to the well-known least squares support vector machine (LS-SVM) for application on big data sets. Essentially, the proposed DQS adopts a single shrinkage threshold to obtain a simple quantization scheme, which adapts its outputs to input data density. With this quantization scheme, a large data set is quantized to a small subset where considerable sample size reduction is generally obtained. In particular, the sample size reduction can save significant computational cost when using the quantized subset for feature approximation via the Nyström method. Based on the quantized subset, the approximated features are incorporated into LS-SVM to develop a data density-dependent quantized LS-SVM (DQLS-SVM), where an analytic solution is obtained in the primal solution space. The developed DQLS-SVM is evaluated on synthetic and benchmark data with particular emphasis on large data sets. Extensive experimental results show that the learning machine incorporating DQS attains not only high computational efficiency but also good generalization performance.


مبلغ قابل پرداخت 15,000 تومان

توجه: پس از خرید فایل، لینک دانلود بصورت خودکار در اختیار شما قرار می گیرد و همچنین لینک دانلود به ایمیل شما ارسال می شود. درصورت وجود مشکل می توانید از بخش تماس با ما ی همین فروشگاه اطلاع رسانی نمایید.

Captcha
پشتیبانی خرید

برای مشاهده ضمانت خرید روی آن کلیک نمایید

  انتشار : ۸ خرداد ۱۴۰۰               تعداد بازدید : 146

برچسب های مهم

در صورت هرگونه مشکل و مغایرت در دانلود فایل ها به پشتیبانی سایت مراجعه کنید

فید خبر خوان    نقشه سایت    تماس با ما