监督学习造句

造句与例句手机版

聚类分析是一种非监督学习技术。
反演启发函数的监督学习算法
同步发电机监督学习神经网络励磁控制器
它们分属于有监督学习与无监督学习。
摘要根据自适应谐振理论提出了半监督学习自适应谐振理论系统。
提出了一种通过监督学习来训练判别函数的方法，并给出了相应的实现算法。
集成学习利用多个个体学习器来解决同一个问题，以往研究表明，集成学习技术能够显著提高监督学习器的泛化能力。
这个一般性的法则揭示了多示例学习与监督学习之间的联系，为多示例学习算法的设计提供了一种通用的途径。
董玉林，庞丽萍，夏重航，监督学习问题中的最优性条件与数值试验,高等学校计算数学学报. 27 ( 2005 ) , 362 - 367
聚类具有无监督学习能力,被广泛应用于多个领域中,如模式识别、数据分析、图像处理以及市场调研等。
用监督学习造句挺难的，這是一个万能造句的方法
本文分析了若干具有代表性的多示例学习算法，揭示出监督学习方法可以转化为多示例学习方法，只需将学习方法的注意焦点从对示例的区分转变到对包的区分。
综合运用aine无监督学习模型、 airs有监督学习模型和文中给出的阴性选择算法改进模型，提出了基于免疫计算的机构轨迹综合方法。
由于本文已经揭示出多示例学习与监督学习之间具有密切联系，因此本文提出通过建立多示例集成来求解多示例学习问题。
实验结果表明半监督学习自适应谐振理论系统的性能优于判别式cem算法，特别是在含有噪音和新模式数据情况下，其优势更为明显。
最后，大多数监督学习神经网络是通过最小化训练集的均方差来训练网络，而野值的存在导致这种训练的神经网络模型在预测时会产生极大的不精确性。
其次,针对基于像素的舌颜色分类系统的需要,本文提出了一种“二次fcm算法” ,采用半监督学习的方式,较为自动化地解决了舌色苔色分布模型的建立问题。
本文对模拟故障诊断的有监督学习和无监督学习方法分别进行了研究，通过对实现过程的分析，对经典的学习算法进行深入研究，并提出若干改进。
由于多示例学习具有独特的性质，被认为是一种与监督学习非监督学习强化学习并列的一种新的学习框架。
主要做的工作包括几种识别方法的研究与评述；三种数学形态学算法的实现以及各自的优劣比较；利用无监督学习进行聚类以及matlab在图像处理中的嵌入；动态图像的差分分析等。
在该系统中取消了一般半监督学习算法中假定已知数据概率分布的条件限制，利用自适应谐振理论的稳定性和可塑性，使其具有非常强的学习新模式和纠正错误能力。