利索-全球专利检索

  1. 登录
  2. 注册

搜索结果

2 条记录 (耗时 0.023 秒)

    Kernels and kernel methods for spectral data
    1.
    发明申请
    Kernels and kernel methods for spectral data 有权
    光谱数据的内核和核心方法

    公开(公告)号：US20050228591A1

    公开(公告)日：2005-10-13

    申请号：US10267977

    申请日：2002-10-09

    申请人： Asa Hur ,  Andre Ellisseeff ,  Olivier Chapelle ,  Jason Weston

    发明人： Asa Hur ,  Andre Ellisseeff ,  Olivier Chapelle ,  Jason Weston

    IPC分类号： G01N33/48 ,  G01N33/50 ,  G06F19/00 ,  G06K9/62

    CPC分类号： G06K9/6269 ,  G06K9/6215 ,  G06K9/6248

    摘要： Support vector machines are used to classify data contained within a structured dataset such as a plurality of signals generated by a spectral analyzer. The signals are preprocessed to ensure alignment of peaks across the spectra. Similarity measures are constructed to provide a basis for comparison of pairs of samples of the signal. A support vector machine is trained to discriminate between different classes of the samples. to identify the most predictive features within the spectra. In a preferred embodiment feature selection is performed to reduce the number of features that must be considered.

    摘要翻译： 支持向量机用于对包含在结构化数据集中的数据进行分类，例如由频谱分析仪产生的多个信号。 信号被预处理以确保谱峰的峰对准。 构建相似性度量以提供用于比较信号样本对的基础。 训练支持向量机以区分不同类别的样本。 以识别光谱中最具预测性的特征。 在优选实施例中，执行特征选择以减少必须考虑的特征的数量。

    METHOD FOR FEATURE SELECTION IN A SUPPORT VECTOR MACHINE USING FEATURE RANKING
    2.
    发明申请
    METHOD FOR FEATURE SELECTION IN A SUPPORT VECTOR MACHINE USING FEATURE RANKING 失效
    使用特征排序在支持向量机中选择特征的方法

    公开(公告)号：US20080233576A1

    公开(公告)日：2008-09-25

    申请号：US11928784

    申请日：2007-10-30

    申请人： Jason Weston ,  Andre Ellisseeff ,  Bernhard Scholkopf ,  Fernando Perez-Cruz ,  Isabelle Guyon

    发明人： Jason Weston ,  Andre Ellisseeff ,  Bernhard Scholkopf ,  Fernando Perez-Cruz ,  Isabelle Guyon

    IPC分类号： C12Q1/68 ,  G06F17/30 ,  G06F7/06 ,  G06F15/18

    CPC分类号： C12Q1/6883 ,  C12Q2600/112 ,  C12Q2600/158 ,  G06F19/20 ,  G06F19/24 ,  G06K9/6231 ,  G06K9/6269

    摘要： In a pre-processing step prior to training a learning machine, pre-processing includes reducing the quantity of features to be processed using feature selection methods selected from the group consisting of recursive feature elimination (RFE), minimizing the number of non-zero parameters of the system (l0-norm minimization), evaluation of cost function to identify a subset of features that are compatible with constraints imposed by the learning set, unbalanced correlation score, transductive feature selection and single feature using margin-based ranking. The features remaining after feature selection are then used to train a learning machine for purposes of pattern classification, regression, clustering and/or novelty detection.

    摘要翻译： 在训练学习机之前的预处理步骤中，预处理包括使用从递归特征消除（RFE）中选出的特征选择方法来减少要处理的特征量的数量，使非零参数的数量最小化 （1 0 0 - 最小化），评估成本函数以识别与由学习集施加的约束兼容的特征的子集，不平衡相关得分，转换特征选择和单个特征使用 基于边际的排名。 然后，特征选择之后剩余的特征用于训练学习机，用于模式分类，回归，聚类和/或新颖性检测。