跳到主要内容
检索

# 支持向量机

3 篇关联报道

订阅更新
  1. bioRxiv

    舌部运动网络不再用固定靶点:个体化AI神经调控把目标状态占比从82%提到97%

    个体化AI驱动的fMRI神经调控平台iNM不再对所有人使用同一套固定脑区靶点,而是从每位参与者自身的解剖与功能数据中构建“神经功能孪生”,在2秒时间分辨率下闭环强化舌部运动感觉网络。在健康参与者中,无监督隐马尔可夫模型显示目标状态占比由对照的82%升至97%,吞咽相关干扰状态由18%降至3%,运动、感觉与注意网络间连接增强53%至74%,且效应延续到停止调控后的时段。

  2. arXiv

    基于Mordukhovich上导数的非单调牛顿法:HAN线搜索与自适应正则化在Lasso、SVM和Logistic Lasso上取得更少迭代与更低CPU时间

    该工作提出非单调上导数牛顿法(NCN),用梯度映射的Mordukhovich上导数构造广义Hessian,并引入混合自适应非单调(HAN)线搜索与两种自适应正则化策略;在标准假设下证明了精确与不精确二阶信息下的全局收敛及局部超线性收敛,并在Lasso、SVM与Logistic Lasso实验中取得有竞争力的迭代数与CPU时间。

  3. 随机森林与SVM-RBF在埃及Wadi Umm Eish El-Zarqa用EnMAP高光谱数据圈定金矿靶区,RF精度完美且高置信靶区多出37%

    该研究在埃及Wadi Umm Eish El-Zarqa地区首次将机器学习与EnMAP高光谱数据结合,用三个已知金矿点的像元光谱训练随机森林(RF)与径向基支持向量机(SVM-RBF)模型,并以0.05光谱概率容差扩充训练集,同时用ALOS-PALSAR DEM提取水系连接上游基岩源与下游砂矿;地面验证显示SVM-RBF总体精度略高(91.8%对89.9%),RF在识别矿化靶区上达到完美精度,且圈定的高置信(概率>80%)潜在矿化靶区比SVM-RBF多37%,水系分析指出3至5级河流为砂矿沉积最佳区带,野外确认存在手工开采且河流沉积物据报每车(约85吨)产金25-30克。

已读完全部报道