Wyniki wyszukiwania - Biblioteka Nauki

Nowa wersja platformy, zawierająca wyłącznie zasoby pełnotekstowe, jest już dostępna.
Przejdź na https://bibliotekanauki.pl

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: relevance vector machine

Sortuj według:

Ogranicz wyniki do:

Accelerating the relevance vector machine via data partitioning

100%

Ben-Shimon D. , Shmilovici A.

Foundations of Computing and Decision Sciences

2006

tom Vol. 31, No. 1

27-41

The Relevance Vector Machine (RVM) is a method for training sparse generalized linear models, and its accuracy is comparably to other machine learning techniques. For a dataset of size N the runtime complexity of the RVM is O(NJ) and its space complexity is O(N2) which makes it too expensive for moderately sized problems. We suggest three different algorithms which reduce the runtime complexity to O(N") via partitioning the dataset into small chunks of size P. A heuristic is presented for selecting the chunk size. Extensive experiments with benchmark datasets indicate that the partition algorithms can significantly reduce the complexity of the RVM while retaining the attractive attributes of the original solution.

Particle swarm optimization-based Fast Relevance Victor Machine for forecasting dissolved gases content in Power transformer oil

75%

Liang Y. , Li K. , Zhao B. , Zhao J. , Niu L.

2013

tom R. 89, nr 1b

290--293

Forecasting of dissolved gases concentration in power transformer is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. A forecasting model based on Particle Swarm Optimization –Fast Relevance Vector Machine (PSO-FRVM) is proposed in this paper. PSO is utilized to optimize the free parameter of the Gaussian kernel function to improve the forecasting performance. The Matlab program testify the correctness and validity of the model.

W artykule przedstawiono metodę prognozowania rozpływu gazów w transformatorze elektrycznym, opartą na zbudowanym modelu. W tworzeniu modelu wykorzystano Optymalizację Stadną Cząsteczek z maszyną opartą na wektorach istotnych (ang. PSO-FRVM). Metoda PSO wykorzystana została do optymalizacji doboru parametru wolnego w funkcji jądra Gaussa dla polepszenia jakości prognozowania. Weryfikację przeprowadzono w programie Matlak.