导读:本文包含了核机器论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:机器,向量,矩阵,学习方法,函数,道路网,成分。
核机器论文文献综述
王婧[1]（2019）在《基于核机器学习的阿尔兹海默病早期诊断算法研究》一文中研究指出先前的研究表明,在阿尔兹海默病(AD)的计算机辅助诊断中,可用样本量通常较小,特征维度较高,且组内特征和组间特征关系很复杂,而传统的机器学习方法不能很好地解决这些问题,从而导致判断失误,准确率不高。针对这些问题,本文重点研究了如何将核方法与传统机器学习相结合,来达到一个较好的特征选择效果及较高的分类准确率。第一,提出了基于KPCA-FDA和KSVM的AD早期诊断算法。将核方法与主成分分析(PCA)、Fisher判别分析(FDA)和支持向量机(SVM)相结合,来提高AD的分类性能。首先,将原始特征子集放到核主成分分析(KPCA)模块中,再将原始数据集投影到较高维度的核空间上,降低主分量系数以增加线性可分离性;然后,将KPCA系数投影到更有效的FDA中,从而选择最优特征子集;最后,利用核支持向量机(KSVM)并结合新的特征子集,对AD、NC和MC叁组数据进行分类,从而达到一个较好的分类效果。采用被试的sMRI数据进行实验,结果表明,该方法在区分AD和NC时表现了良好的分类性能,获得的分类准确性为92.34%,灵敏度为91.71%,特异性为90.04%,AUC为0.9143;在区分MCI和NC时获得的分类准确率为75.49%,灵敏度为80.45%,特异性为70.23%,AUC为0.8036。第二,提出了基于MK-SVM的多模态AD早期诊断算法。将sMRI和PET数据相结合,获取更多的辅助信息,从而提高AD的分类性能。首先,将FDA、核方法和局部保留投影(LPP)算法相结合,生成内核局部Fisher判别分析(KLFDA)算法,对提取的sMRI和PET数据特征进行降维处理;然后,提出了两种基于多核学习(MKL)的多元分类方法,WTA-KSVM和MWV-KSVM对AD、MCI和NC叁组数据进行分类;最后,采用被试的sMRI和PET两种模态数据验证分类算法的性能。结果表明,两种多元分类方法在多模态数据(sMRI+PET)上获得的分类效果,要比在单模态数据(sMRI或PET)上获得的分类效果好。其中,WTA-KSVM方法取得了最好的分类性能,分类准确率为80.41%,灵敏度为81.56%,特异性为80.58%,AUC为0.8175;MWV-KSVM获得的分类准确率为80.07%,灵敏度为81.23%,特异性为80.16%,AUC为0.8114。与其他人的方法相比,本文所提的两种多元分类方法均取得了较好的分类性能。本文在核方法和机器学习的基础上对AD的早期诊断进行了初步的探索和研究,提出了两种基于核机器学习的AD早期诊断算法,为后人的研究提供了一些思路和方向。(本文来源于《曲阜师范大学》期刊2019-06-10）
刘金永[2]（2019）在《基于核机器深度融合的多模态情感识别方法研究》一文中研究指出情感计算的目标是发展具有感知、理解和调节情感能力的人工智能,而其中至关重要的一步就是实现情感状态的识别。通过利用各种传感器捕捉到的数据来构建能够感知并理解人类情感状态的识别模型,可以营造更和谐的人机交互环境。生理信号体现了人类神经系统的自发运动,具有难以伪装的特点,相比表情、声音等外部特征具有更好的客观性。因此,利用生理信号数据来构建情感识别模型受到了研究者的广泛关注。然而,基于单模态生理信号构建情感识别模型往往存在以下缺陷:(1)生理信号受个体差异性影响显着,进而导致模型性能不够稳定;(2)生理信号数据在采集过程中易受噪声污染,进而影响单模态生理信号情感识别模型的可靠性;(3)人类情感异常复杂,依靠单模态生理数据往往无法有效的对复杂情感状态进行建模。通过整合多种模态生理信号来构建情感识别模型能够获得性能更加优秀的模型,并且在一定程度上对上述问题进行缓解。在多模态融合建模时,输入数据往往具有多源、异构的特性。而现有的多模态融合模型大多对输入数据的数据类型具有严格的假设,使其只能在特定类型的输入数据下构建并且无法拓展,从而丧失在面对不同的多模态融合任务时的可拓展性和灵活性。此外,融合数据之间所具有相关性和多样性使得简单的融合策略在融合过程会忽略不同模态数据之间的复杂关系,进而使模型的性能受到限制。针对多模态融合建模中存在的问题,本文深入分析了生理信号和情感状态之间的关联性,探究了目前常用的多模态融合方法及其存在的优缺点,结合不同层次融合方法的优点,提出了一种基于核机器深度融合的多模态情感识别模型。主要工作和贡献总结如下:1.提出了一种基于核机器深度融合的多模态情感识别模型(Regularized Deep Fusion of Kernel Machine,RDFKM)。面对具有异构、多源特性的多模态数据,RDFKM模型使用核矩阵来构建数据表示,拓展了作为模型输入数据的种类。利用深度网络模型在表示学习方面的优越性能以及共享表示融合方法在融合层次上的灵活性,加强模型面对不同任务时的适应能力。上述特性使得RDFKM模型在提升多模态数据融合性能的同时具备良好的灵活性和扩展能力。2.针对多模态融合模型缺乏对融合数据之间关系的探究从而影响融合性能的问题,RDFKM模型通过对融合层的权重进行迹范数正则化来探究融合表示之间的相关性和多样性,进而控制不同表示在融合层对应的权重之间的相似度,改变不同表示对融合表示的贡献,引导最终融合表示的生成过程。同时,提出了基于交替优化策略的优化方法,将探索融合表示之间关系的过程与模型的优化过程相统一。3.验证了RDFKM模型在多模态情感识别任务上的性能。通过DEAP多模态数据集中的脑电图(EEG)、皮肤电反应(GSR)、肌电图(EMG)、和呼吸模式(RES)数据构造相关实验,实验结果表明,与其他融合层次的典型融合方法相比,该融合模型在被试独立的情感识别任务具有更好的性能指标。使用t-SNE对不同融合模型产生的融合表示进行可视化的结果也证明了最终生成的融合表示具有更高的类可分性,体现出更好的融合性能。而与其他已有的研究成果对比,本文提出的方法也具有性能优势并表现出对不同任务更好适用性。综上所述,本文所提出的RDFKM模型可以深入发掘多模态生理数据间的关系并生成用于情感状态识别的有效融合表示,在面对异构、多源的生理数据时具有良好的灵活性和扩展性,为基于多模态生理数据的情感识别融合建模提供了一种新的思路。(本文来源于《兰州大学》期刊2019-06-01）
李鑫星,董保平,杨铭松,张国祥,张小栓[3]（2019）在《基于SVM核机器学习的叁文鱼新鲜度检测系统》一文中研究指出为了实现对不同冷藏温度下叁文鱼新鲜度的检测与识别,设计了一种用于叁文鱼气味指纹采集与新鲜度辨识的电子鼻系统。电子鼻系统由密闭检测气室、半导体气体传感器阵列、数据采集模块、模式识别模块和显示界面等组成。电子鼻模式识别方法采用核机器学习方法,以支持向量机(SVM)作为学习机。采集0、4、6℃温度下冷藏叁文鱼样本的气味数据,对不同核函数及参数的核机器学习模型进行训练与测试,最终确定了适于此电子鼻系统识别叁文鱼新鲜度的最佳核机器学习模型:核函数选用多项式核函数,核参数q取3,γ取15,c取0。此模型对不同温度冷藏叁文鱼样本的冷藏时间具有一定的辨识能力,对于测试集,0℃允许偏差1 d预测正确率为92. 86%,4℃无偏差预测正确率为88. 89%、允许偏差1 d预测正确率100%,6℃无偏差预测正确率为75. 00%、允许偏差1 d预测正确率100%。将辨识结果与主成分分析结果(PCA)进行对比,此模型具有明显的优势。(本文来源于《农业机械学报》期刊2019年05期）
刘凯[4]（2017）在《核机器学习在地图自动综合中的道路网智能选取研究》一文中研究指出道路网的选取问题一直以来都是地图综合乃至地图学研究的重点和难点之一,地图学者做了大量工作,但至今仍没有得到合理的解决。分析原因,道路网选取是个全面、综合的过程,选取时要考虑的因素非常复杂多样,并且许多因素是不明确的,它们与道路的重要性之间很难用确定的模型来表达。常规的方法已经很难满足道路网选取的需要,许多学者转而寻求智能化的道路网选取方法,从理论上来说,这可能成为解决道路网选取问题的新的突破口。道路网智能选取实质上是用智能化的方法模拟专家的选取过程,这其中建立系统有效的知识系统、设计适用于选取问题的智能化方法及其如何有效地学习是研究的重点。因此本论文研究的主要内容如下:(1)知识系统的建立。知识系统是进行道路取舍的依据,建立合理、全面且有效的选取参数系统是进行道路网选取的基础和首要任务。(2)参数值的自动获取。论文基于一般性道路网数据考虑,不依赖于苛刻的语义信息,根据拓扑结构来构建了一系列拓扑参数参与选取,并研究了参数值的自动获取算法。(3)核机器学习模型的设计与仿真实验。核机器学习模型的设计包括核函数的选择及相关参数的调整和优化,利用设计好的核机器模型,对训练样本进行学习,然后选取验证数据进行仿真实验,不断进行优化调整,直到选取结果满足要求。本文以道路网选取为研究对象,针对一般性道路网基础属性少、语义信息缺乏等特点,根据一般道路网都具有的基础属性和拓扑结构,建立了一套不依赖语义信息的知识系统,并设计了选取参数值自动构建的算法,以此作为选取依据。然后结合机器学习领域的优秀研究成果,利用核机器算法强大的非线性映射能力,通过对样本的学习和训练实现对道路网的自动选取。选择不同结构类型的道路网进行了选取实验,通过实验发现,本文道路网选取方法是可行且有效的,其对于辐射状和格网状道路网具有更好的应用效果。(本文来源于《南京大学》期刊2017-05-01）
赵阳[5]（2016）在《基于核机器学习的人脸识别若干算法研究》一文中研究指出近二十年来,人脸识别技术在实际应用中取得了相当大的进步.由于人脸图像受到姿势、光照和遮挡等因素的影响,其数据往往呈现非线性分布,因而线性方法的性能会受到影响.为此,一些非线性方法被提出用来解决复杂分布的人脸识别问题,其中核方法得到广泛的应用.基于核的人脸识别算法中两个典型的算法是核主成分分析法(KPCA)和核非负矩阵分解法(KNMF).然而传统的KPCA和KNMF算法都是无监督学习方法,即它们没有利用到训练样本中的类别信息,这在分类任务中会降低算法的识别性能.另外,目前基于核机器学习的NMF人脸识别算法中,都没有考虑到核函数中的隐式非线性映射的非负性,因此这些核都是非负不相容的.本学位论文的目的就是要解决以上几个传统方法中存在的不足.本学位论文共分五章,第一章介绍了相关研究工作,第五章是总结与展望.本学位论文的贡献集中在第二章至第四章,主要做了以下叁方面的工作.在论文第二章中,提出了一种有监督的基于核机器学习的主成分分析人脸识别算法.此算法中基于一个给定的带有类别信息的核矩阵,通过特征值分解,在训练样本集上定义一个非线性映射.该非线性映射通过插值技术将其成功定义在整个样本空间中,于是可以获得该非线性映射的具体表达式.本论文还从理论上证明了由此非线性映射的内积产生的核函数是一个Mercer核函数.该有监督的核成功应用于核主成分分析法中,并且在ORL人脸数据库和FERET人脸数据库中进行实验.实验结果表明本论文提出的有监督的核主成分分析法有良好的识别效果.由于在经典的基于核的非负矩阵分解算法中,没有利用到训练样本上的类别信息,将会影响算法的识别能力.因此,本论文第叁章提出了一种带有监督信息的核非负矩阵分解算法.该算法是基于核理论和判别式分析理论,建立一个新的融合判别式分析的非线性非负矩阵分解目标函数.由该目标函数得到一组新的迭代公式,并证明了目标函数在此迭代公式下是非增的.本章提出的有监督的核非负矩阵分解算法成功的应用于人脸识别技术上,并在五个人脸数据库上完成实验.实验结果表明本章提出的有监督的核非负矩阵分解有更好的识别能力.论文第四章主要解决核非负分解方法的核非负相容性问题.由于目前核非负分解方法不能保证核函数中的隐式非线性映射的非负性,因此本论文第4章提出了一种构造非负相容核的方法.基于一个给定的核矩阵,利用对称非负矩阵分解,在训练样本集上定义一个非负非线性映射.再利用非负插值技术将其定义域扩展到整个样本空间上,从而获得该非负非线性映射的显式表达式.可以证明由此非负非线性映射的内积产生的函数是一个非负相容的Mercer核.本章提出的非负相容核成功地应用于核主成分分析法和核非负矩阵分解算法,通过在ORL人脸数据库、疼痛表情人脸数据库和Yale人脸数据库上的实验结果可以看出,本章提出的非负相容核有助于增强算法的识别能力.(本文来源于《深圳大学》期刊2016-06-30）
谭治英[6]（2013）在《核机器学习方法及其在视觉检测中的应用研究》一文中研究指出高精度印刷品生产过程中，易产生墨色堆积、混色、拉道子、甩色、缺印等问题，导致不合格品出现。采用视觉技术检测产品质量，并自动剔除不合格品，是提高生产力的最有效途径之一。在光源、相机等硬件条件确定的前提下，视觉检测技术的性能取决于图像处理能力。基于核机器学习的图像处理方法，集统计学习理论、核方法于一体，是处理非线性数据的有效手段之一。本文在高精度印刷品质量检测智能算法研发课题的支撑下，在深入分析研究核机器学习方法的基础上，结合高精度印刷品视觉检测的应用背景，以提高检测性能为目标，重点对图像处理系统中图像复原算法的改进、训练集的选择、核函数及参数的优化学习进行研究。论文完成的主要内容包括：1)在对核主成分分析深入研究的基础上，针对印刷品质量检测中存在的复原图像模糊问题，提出一种新的基于核主成分分析的图像复原算法。该算法假设同种印刷品的图像样本分布满足局部线性性质，利用图像样本在特征空间中的线性分布特征来计算最近邻居。然后依据最近邻居构成的线性几何结构，把残差最小化作为图像复原的优化目标，并用固定点迭代法对优化问题进行求解。最后给出所采用迭代格式的收敛性分析。通过数值实验，验证了算法的合理性与理论分析的正确性。实验结果显示，该算法的复原误差较现有算法降低了一半，同时解决了复原图像的模糊重影问题。2)为提高图像处理的计算速度，提出了基于图像样本空间分布的选样算法。该选样算法不仅考虑了数据库中样本的分布密度，同时把边界图像样本选入训练集。基于核方法的图像处理系统中，包含N个图像样本的训练集，对训练集特征进行提取的算法时间复杂度是O(N3)，单个样本的检测时间复杂度是O(N2)。实验结果显示，在图像复原信噪比近似相等的前提下，当参与计算的500个样本减少到100个时，训练时间缩短了99.2%，检测时间缩短了96%。3)为提高图像处理的计算精度，提出了基于核对齐的选样算法。基于核对齐选择显着图像样本算法，将图像样本对核矩阵的贡献作为选样标准，把对核矩阵有最大贡献的显着图像样本逐个从大数据集中选择出来，构成训练集。此选样算法便于新图像样本的选择与添加，选样与训练集更新可在线完成。当基于核对齐的选样算法应用于图像处理系统时，采用随机选择的100个样本与利用核对齐选择的100个样本，分别进行训练与图像复原测试，结果显示平均复原误差从1312.7个灰度值降到了462.9个灰度值。4)设计了把标准化内积矩阵作为目标，学习核函数及其参数的算法。此算法可用于多元回归与非监督问题。并利用核对齐能有效度量核函数与目标函数相似度的性质，提出利用核对齐学习核函数的方法。经理论分析与研究发现，包含组合系数与高斯带宽两个变量的核对齐函数至多存在两个驻点，并依此提出计算该驻点的迭代算法。通过两组数值实验，对采用核对齐学习核函数的方法进行了验证，实验结果显示，采用学习的核函数及参数得到的计算结果接近统计最优值。5)在对核机器学习方法中学习向量值核函数、学习半正定矩阵值核函数与多核学习叁个扩展方向深入研究的基础上，提出了学习矩阵值核函数的方法。实验结果显示，学习的向量值函数和多元核函数有效的解决了多类问题、多元数据降噪与多元回归问题。(本文来源于《电子科技大学》期刊2013-03-19）
王维,李涛,韩俊刚[7]（2013）在《一种多线程轻核机器中进程管理的硬件实现》一文中研究指出提出了一种多线程轻核处理器的进程管理器硬件设计。为了得到更好的效果,该进程管理器拥有一个内建的事件管理器来监测等待进程的触发条件,进程的调度也采用硬件实现。所设计的并行轻核处理器的任务管理器由ALU、存储系统和内置路由器构成,用来处理进程。(本文来源于《电子技术应用》期刊2013年03期）
王蕊,牟少敏,曹学成,苏平[8]（2012）在《核机器学习方法及其在生物信息学中的应用》一文中研究指出核机器学习方法是一种基于统计学习理论和核函数的机器学习方法。本文阐述了核机器学习方法的基本原理,介绍了目前常用的几种核机器学习方法,给出了构造新的核函数的原则,总结了结构数据核函数的研究现状。在此基础上,以生物信息学为背景,着重指出了当前序列数据的核函数在生物信息学中的应用进展。(本文来源于《山东农业大学学报(自然科学版)》期刊2012年03期）
张寺宁[9]（2012）在《基于组合核机器学习的混沌时间序列预测算法研究》一文中研究指出随着混沌理论和混沌应用技术的不断发展,混沌时间序列的分析与预测已经成为混沌信号研究领域的热点。混沌应用技术的发展涉及诸多领域,包括：声学、光学、化学、水文学、地震混沌特性、天气预报的“蝴蝶效应”、以及股票市场的混沌特性等。目前,混沌时间序列预测的方法主要有：全域法、局域法、基于最大Lyapunov指数法、非线性自适应滤波法和基于核机器学习方法等。在基于核机器学习算法中,支持向量机(Support Vector Machine, SVM)和相关向量机(Relevance Vector Machine, RVM)由于鲁棒性好,泛化性能强,收敛速度快,预测精度高,受到了国内外学者广泛关注。在SVM和RVM中,单核函数由于自身存在的一些性质,导致其不可能同时具有良好的泛化能力和学习能力,从而影响预测精度。本文利用全局核函数和局部核函数线性组合的方法构造组合核函数,使其结合二者的优点,同时获得较好的泛化能力和学习能力。将该组合核函数运用于SVM和RVM对典型混沌时间序列的预测算法中。通过仿真证明,组合核函数的预测性能优于单核函数。将该组合核函数运用于对实际的混沌序列预测中。实现了太阳黑子序列预测和电力负荷预测的有效预测。通过仿真得出：该组合核函数能够准确预测实际工程中的混沌序列,更好的服务于工程实践。(本文来源于《西南交通大学》期刊2012-04-01）
饶峰[10]（2010）在《核机器集成学习算法的误差分析》一文中研究指出针对偏置b的一般情况,估计核机器集成学习算法的排一误差和推广误差的界.结果表明,集成学习算法理论上可以提高核机器的稳定性.(本文来源于《重庆文理学院学报(自然科学版)》期刊2010年04期）
核机器论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
情感计算的目标是发展具有感知、理解和调节情感能力的人工智能,而其中至关重要的一步就是实现情感状态的识别。通过利用各种传感器捕捉到的数据来构建能够感知并理解人类情感状态的识别模型,可以营造更和谐的人机交互环境。生理信号体现了人类神经系统的自发运动,具有难以伪装的特点,相比表情、声音等外部特征具有更好的客观性。因此,利用生理信号数据来构建情感识别模型受到了研究者的广泛关注。然而,基于单模态生理信号构建情感识别模型往往存在以下缺陷:(1)生理信号受个体差异性影响显着,进而导致模型性能不够稳定;(2)生理信号数据在采集过程中易受噪声污染,进而影响单模态生理信号情感识别模型的可靠性;(3)人类情感异常复杂,依靠单模态生理数据往往无法有效的对复杂情感状态进行建模。通过整合多种模态生理信号来构建情感识别模型能够获得性能更加优秀的模型,并且在一定程度上对上述问题进行缓解。在多模态融合建模时,输入数据往往具有多源、异构的特性。而现有的多模态融合模型大多对输入数据的数据类型具有严格的假设,使其只能在特定类型的输入数据下构建并且无法拓展,从而丧失在面对不同的多模态融合任务时的可拓展性和灵活性。此外,融合数据之间所具有相关性和多样性使得简单的融合策略在融合过程会忽略不同模态数据之间的复杂关系,进而使模型的性能受到限制。针对多模态融合建模中存在的问题,本文深入分析了生理信号和情感状态之间的关联性,探究了目前常用的多模态融合方法及其存在的优缺点,结合不同层次融合方法的优点,提出了一种基于核机器深度融合的多模态情感识别模型。主要工作和贡献总结如下:1.提出了一种基于核机器深度融合的多模态情感识别模型(Regularized Deep Fusion of Kernel Machine,RDFKM)。面对具有异构、多源特性的多模态数据,RDFKM模型使用核矩阵来构建数据表示,拓展了作为模型输入数据的种类。利用深度网络模型在表示学习方面的优越性能以及共享表示融合方法在融合层次上的灵活性,加强模型面对不同任务时的适应能力。上述特性使得RDFKM模型在提升多模态数据融合性能的同时具备良好的灵活性和扩展能力。2.针对多模态融合模型缺乏对融合数据之间关系的探究从而影响融合性能的问题,RDFKM模型通过对融合层的权重进行迹范数正则化来探究融合表示之间的相关性和多样性,进而控制不同表示在融合层对应的权重之间的相似度,改变不同表示对融合表示的贡献,引导最终融合表示的生成过程。同时,提出了基于交替优化策略的优化方法,将探索融合表示之间关系的过程与模型的优化过程相统一。3.验证了RDFKM模型在多模态情感识别任务上的性能。通过DEAP多模态数据集中的脑电图(EEG)、皮肤电反应(GSR)、肌电图(EMG)、和呼吸模式(RES)数据构造相关实验,实验结果表明,与其他融合层次的典型融合方法相比,该融合模型在被试独立的情感识别任务具有更好的性能指标。使用t-SNE对不同融合模型产生的融合表示进行可视化的结果也证明了最终生成的融合表示具有更高的类可分性,体现出更好的融合性能。而与其他已有的研究成果对比,本文提出的方法也具有性能优势并表现出对不同任务更好适用性。综上所述,本文所提出的RDFKM模型可以深入发掘多模态生理数据间的关系并生成用于情感状态识别的有效融合表示,在面对异构、多源的生理数据时具有良好的灵活性和扩展性,为基于多模态生理数据的情感识别融合建模提供了一种新的思路。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
核机器论文参考文献
[1].王婧.基于核机器学习的阿尔兹海默病早期诊断算法研究[D].曲阜师范大学.2019
[2].刘金永.基于核机器深度融合的多模态情感识别方法研究[D].兰州大学.2019
[3].李鑫星,董保平,杨铭松,张国祥,张小栓.基于SVM核机器学习的叁文鱼新鲜度检测系统[J].农业机械学报.2019
[4].刘凯.核机器学习在地图自动综合中的道路网智能选取研究[D].南京大学.2017
[5].赵阳.基于核机器学习的人脸识别若干算法研究[D].深圳大学.2016
[6].谭治英.核机器学习方法及其在视觉检测中的应用研究[D].电子科技大学.2013
[7].王维,李涛,韩俊刚.一种多线程轻核机器中进程管理的硬件实现[J].电子技术应用.2013
[8].王蕊,牟少敏,曹学成,苏平.核机器学习方法及其在生物信息学中的应用[J].山东农业大学学报(自然科学版).2012
[9].张寺宁.基于组合核机器学习的混沌时间序列预测算法研究[D].西南交通大学.2012
[10].饶峰.核机器集成学习算法的误差分析[J].重庆文理学院学报(自然科学版).2010
论文知识图
