دانلود رایگان مقاله انگلیسی ماشین های بردار پشتیبانی دوگانه غیرمنتظره تصادفی برای مشکلات بزرگ مقیاس - الزویر 2018

قیمت خرید این محصول

رایگان

دانلود مقاله انگلیسی سفارش ترجمه این مقاله

عنوان فارسی

ماشین های بردار پشتیبانی دوگانه غیرمنتظره تصادفی برای مشکلات بزرگ مقیاس

عنوان انگلیسی

Insensitive stochastic gradient twin support vector machines for large scale problems

صفحات مقاله فارسی

0

صفحات مقاله انگلیسی

34

سال انتشار

2018

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

نوع مقاله

ISI

نوع نگارش

مقالات پژوهشی (تحقیقاتی)

رفرنس

دارد

پایگاه

اسکوپوس

کد محصول

E10197

رشته های مرتبط با این مقاله

مهندسی کامپیوتر

گرایش های مرتبط با این مقاله

هوش مصنوعی

مجله

علوم اطلاعاتی - Information Sciences

دانشگاه

School of Mathematical Sciences - Inner Mongolia University - P.R.China

کلمات کلیدی

طبقه بندی، ماشین بردار پشتیبانی، ماشین بردار حامی دوتایی، کاهش شیب تصادفی، مشکل مقیاس بزرگ

doi یا شناسه دیجیتال

https://doi.org/10.1016/j.ins.2018.06.007

برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.

چکیده

Abstract

Within the large scale classification problem, the stochastic gradient descent method called PEGASOS has been successfully applied to support vector machines (SVMs). In this paper, we propose a stochastic gradient twin support vector machine (SGTSVM) based on the twin support vector machine (TWSVM). Compared to PEGASOS, our method is insensitive to stochastic sampling. Furthermore, we prove the convergence of SGTSVM and the approximation between TWSVM and SGTSVM under uniform sampling, whereas PEGASOS is almost surely convergent and only has an opportunity to obtain an approximation to SVM. In addition, we extend SGTSVM to nonlinear classification problems via a kernel trick. Experiments on artificial and publicly available datasets show that our method has stable performance and can handle large scale problems easily.

نتیجه گیری

Conclusion

An insensitive stochastic gradient twin support vector machine (SGTSVM) has been proposed. This method is less sensitive to sampling than PEGA SOS while having better convergence and approximation. The experimental results have shown that our method has a better performance and a higher training speed than PEGASOS and LIBLINEAR. For practical convenience, the corresponding SGTSVM source code (including programs in Matlab and the C language) have been uploaded to http://www.optimal-group.org/ Resources/Code/SGTSVM.html. The possibilities for future research include designing a special sampling for SGTSVM to obtain a better performance and applying SGTSVM to big data problems.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات isi