更全的杂志信息网

基于ESVM的科技政策文本标签分类研究

更新时间:2009-03-28

1 概述

随着科学技术的迅猛发展,科学日益社会化,社会日益科学化,从而使科技政策的研究和制定显得日益重要。科技政策是国家为实现一定历史时期的科技任务而规定的基本行动准则,是确定科技事业发展方向,指导整个科技事业的战略和策略原则。对于科技政策研究人员来说,快速检索到所需和关注的文件是进行政策分析研究的基础。而每个人所关注和研究的方向并不一致,因此在科技数据信息膨胀的情势下,如何从复杂多样的科技政策信息中快速检索用户所关注的信息越来越受到人们的关注。

为了便于主题信息检索与发现,科技政策加入了文本标签功能。科技政策文本标签是对科技政策消息主题观点的标记,本质上是一种文本关键词,可从语义上揭示文本的主要内容[1]。标签功能为信息的主题标注、分类检索等提供了更为便捷的方式,避免了在大量科技政策数据中搜索主题观点的繁琐,成为了内容大爆炸信息时代中的救命稻草。然而,科技政策文本标签极其简短,并且数据分布不平衡的问题给传统的数据挖掘方法带来了新的挑战。

本文以科技政策文本标签为研究对象,改进传统SVM算法,提出了一种科技政策文本标签分类方法。该方法根据科技政策文本标签的特点,在分类特征选取上加入用户基本信息;结合欧式距离公式,对不同分布样本采取不同分类方法,克服SVM算法缺点;引入惩罚因子C加权补偿特征权重,减小数据分布不平衡带来负面影响。

2 相关工作

SVM算法是数据挖掘领域目前比较常用的机器学习方法,一种求全局最优解的算法,在解决非线性、高维数据问题上具有明显优势。但不可避免的是,SVM算法也存在一定的缺点。

SVM二分类的理想状态是:两类样本被最优分类超平面H正确分开,两类的支持向量都无争议地落在H+H-上,那么,对于待分类样本x,只需在H+H-上各取一点(x+x-),分别计算xx+xx-的距离,取距离最近的那个点的类别作为x的类别[2]。但问题是类别代表点的选取是随机的,不能保证每次选取的代表点都能准确的代表该类别。当待分类样本x距离分类超平面H非常近时,可能存在x与随机选取的类别支持向量点之间距离差别不明显的情况,此时,极有可能造成样本类别错分。

针对传统SVM算法在最优分类超平面附近易错分的问题,众多学者展开了研究。翟永杰[3]结合模糊理论,利用模糊隶属度方法修正最优分类超平面;岑涌[4]采用遗传算法进行SVM参数寻优,够造广义的最优分类超平面来获得较好的整体预测性能;李蓉[5]将KNN算法融入SVM算法,提出一种K-SVM的分类方法,结合KNN、SVM两者算法的优点,无需对最优分类超平面进行修改,计算量小、参数少,是一种较稳定的算法。陈丽[6]等指出虽然K-SVM增加了KNN算法的计算量,但确实能够提高最优分类面附近样本点的分类准确率。

但是,根据KNN算法,单纯比较k个邻居中正、负样本数目,仅以绝对数量作为类别判断依据,在不平衡数据下是不成立的。因此,使用K-SVM算法对分布不平衡数据分类,分类精确度反而会下降。

对于训练数据不平衡问题,常用的解决方法有两种:一是,在数据层面上,对训练样本的重构,即采样。可以通过添加少数或去除多数样本来完成[7-8]。但这两种方法都有缺点,前者可能加入一些冗余,而后者可能去除一些对分类有用的信息。所以,在算法层面上,对算法进行改进[9-10]。通常可以加入一些成发机制或利用集成学习来对数据的非平衡做些补偿,这种方法不会破坏现有的数据组成。

(4) 采用交叉验证选择最优参数;

3 语料预处理

科技政策语料数据存在信息冗余和格式不规范等问题,在文本标签类型分类之前,需要对数据集进行预处理,过滤无关数据,转换数据格式。语料预处理过程共分为三个步骤:删除无关数据信息,文本分词和去除停用词。

删除无关数据信息包括:删除不包含文本标签的科技政策语料;删除重复文本标签的科技政策语料;转换数据时间格式,删除时间错误的文本标签语料。

对数据集完成基本无关信息删除后,提取数据中的标签文本,使用中科院分词工具ICTCLAS完成文本标签的分词及词性标注。新版本的ICTCLAS中除了中文分词、词性标注、命名实体识别等基本功能外,还增加了科技政策分词及新词添加功能,是目前较为完善的分词工具。

虽然弥漫的雾气有助于体现画面的纵深感,但同时也影响了画面的细节体现,所以我还是希望解决这个问题。对于这种局部性问题,渐变滤镜和适当的画笔补充能起到很理想的效果。

科技政策文本标签分类问题是根据标签类型的不同对科技政策中的文本标签的分类。本文将文本标签类型分为科技投入、知识产权、农村科技、税收四大类,因此,本文中的文本标签分类实质上是个多分类问题。

4 科技政策文本标签分类方法ESVM

4.1 特征选取

分类模型的分类准确性关键在于分类特征的选取。传统文本分类的特征主要基于统计学与概率论,选取出现频繁,高概率的词语作为特征项。科技政策文本标签本质上就是文本关键短语,内容简短精炼。因此,传统的文本特征项选择方法不适合科技政策文本标签分类研究。

针对不平衡数据问题,Libsvm中采用惩罚系数C的加权设置来解决,其中权重wi的计算决定补偿性能的好坏,本文采用公式(2)计算wi

(1) 主题词:文本的主题词是文本主旨的体现,主题词的话题类别也就是文本的话题类别。而科技政策文本标签一般在14个字以内的短文本,大概在3到4个词以内,本身就是一个或多个主题词的整合。因此,不必对标签文本进行主题词的筛选,将去除停用词之后的分词结果,全部作为主题词特征项。

(2) 词性:词语的歧义性造成了文本标签语义不明的特性,导致标签类别错分,影响分类器性能。在这些多义词中,一些词语,意义不同,词性也不同。将词性作为分类特征项,能够在一定程度上减小词语歧义性带来的误差。

(3) 地理位置:地理位置是标签发布用户的所在地。不同地理位置,社会氛围、风俗习惯不同。因此,受当地主流文化价值的影响 ,不同所在地的用户其关注的科技政策主题倾向也会存在差异。

(4) 认证:科技政策中包括普通用户和认证用户两种。认证是科技政策赋予的一种身份肯定,往往在一定领域有一定权威的人士或机构才能通过认证申请。认证用户具有较强的领域性,并且拥有比普通用户更高的信任度。本文选取类型特征比较明显的个人认证、官方认证和自媒体认证作为认证特征项。认证用户分类表如表1所示。

 

表1 科技政策认证类别分类表

  

认证类别认证描述认证范围个人认证科技政策用户个人身份确认行业名人,权威人士政府官方认证政府机构等社会组织官方认证企业官方认证公司账号、分支机构账号等媒体官方认证报纸、杂志、电视等公共媒体自媒体认证帮助优质作者变现,提升影响力影响力达到媒体效果人士

科技政策文本标签特征项分类表如表2所示。

 

表2 特征项分类表

  

特征类别特征项内容主题词特征项文本标签预处理后词语词性特征项主题词词性地理位置特征项文本标签发布用户地理位置性别特征项文本标签发布用户性别认证特征项用户是否为认证用户,认证用户类别

4.2 权重计算

特征数字化是采用特征权重计算方法将标签分类特征项数字化,最终将标签表示成数字向量形式。TF-IDF算法计算简单,运行速度快,是常用的权重计算方法之一。

根据TF-IDF核心思想可知,若包含某一特征项的数据数量越少,则逆向文件频率值越大,说明该特征项具有很好的区分能力。反之,则说明该特征项区分能力较弱。与事实矛盾的是,若某一特征项高频率出现于某类数据中时,说明该特征项能够很好地表示该类,应赋予其高权重。文献[11]对传统TF-IDF方法进行了改进,使用特征项在某一类别中词条个数占总类别中包含该特征项词条数的比值代替某一类别中词条频率,改进后公式如下:

 

(1)

其中,ni表示训练集该类别中包含特征项ti词条数,k表示其它类别中包含特征项ti的词条数,N表示训练集中总词条数。

改进后的TF-IDF算法能够很好克服原有算法的缺点,提高分类准确度。本文采用改进后TF-IDF公式计算科技政策文本标签特征项的权重。

4.3 基于ESVM的科技政策文本标签分类方法

最后,过滤分词之后数据中的停用词。考虑到科技政策文本标签的特性,仅过滤文本中频繁出现但无实际意义的介词、感叹词和连词。

ESVM(Euclidean-SVM)分类算法,其基本思想为:采用“一对一”方法构造多分类器,即在任意两类样本之间设计一个SVM二分类器,k个类别的样本就需要设计k(k-1)/2个SVM二分类器。根据“一对一”思想,训练六个SVM分类器模型,保存其最优分类超平面H和所有支持向量;设置分类阈值ε,计算待分类样本点x到分类超平面H的距离,若大于阈值ε,直接使用SVM方法分类;否则,使用欧式距离方法分类。

脉状-网脉状构造:早期岩石发生破碎,热液沿裂隙贯入,含金黄铁矿和石英组成石英黄铁矿细脉充填在网脉状裂隙中,构成细脉状-网脉状构造。

4.3.1 SVM模型训练

SVM算法实现工具包有很多种,包括Mysvm,SvmLight,Libsvm等。其中,台湾大学林智仁教授等开发设计的Libsvm[12]是一款采用 one-versus-one(一对一)方法解决多分类问题的开源软件包。该软件使用简单易学,提供了多个默认参数,并提供交互检验(Cross Validation)功能进行最优参数选择。此外,Libsvm具有修正不平衡样本的功能,提供样本惩罚系数C加权设置。本文采用JAVA版本开源工具包Libsvm进行SVM建模。

科技政策文本标签SVM分类器训练过程包括以下几个步骤:

(1) 采用FormatDataLibsvm.xls,将分类好的训练数据转换成libsvm所用的数据格式;

(2) 调用函数svm_scale.java对数据进行归一化;

(3) 设置参数s(svm类型),t(核函数类型),c(损失函数),g(核函数γ值),wi(惩罚系数C权重),v(交叉验证);

因此,本文进行算法层面的研究,提出了带有惩罚系数的ESVM分类方法,对分类超平附件样本点采取计算平均欧式距离值的方法,对剩余样本点采取带有惩罚系数的SVM算法,并通过仿真实验进行验证。

最终,本实验参数设置距离分类超平面分类阈值ε=0.6,C=5000,采用本文提出的ESVM方法完成科技政策文本标签四分类任务,分类结果如表3所示。

根据科技政策标签文本简短的特点,综合考虑主题关键词和用户基本信息,选取以下几个属性为分类特征项:

以“2.3.2”项下拟合模型为目标函数,使用Matlab 2014b软件的GADS工具箱,采用遗传算法求解指标成分的最优提取工艺条件。遗传算法工具GUI参数设置见表5;随机搜索10次,结果见表6。由表6可知,10次随机搜索结果的变异范围较小,对目标函数最佳值的逼近程度较好。因此,取10次随机搜索的平均水平即60.872 000%乙醇提取3.105 564 h、液料比15.719 832∶1(mL/g),预测综合评分为2.895 433。

其中,

(2)

其中,N 表示训练集中总样本数,ni表示训练集第i个类别中样本数,n表示训练集样本类别数。某一类别样本数ni越小,Ci就越大,反之亦然。上述公式可以很好的展示训练集中数据类别的稀疏分布,对少数类数据权重进行补偿,优化模型训练。

4.3.2 ESVM算法

ESVM算法基本步骤描述如下:

(1)使用已标注好的训练数据集DS1训练SVM二分类器Classfieri,得到每个分类器最优决策函数表示分类器编号;

(2)将测试数据集DS2中待分类样本点x带入决策函数f(x)i中,计算样本点到每个分类超平面距离di,即分类距离di=f(x);

(3)比较分类距离di与分类阈值ε的大小,若︱d︱>ε,执行步骤(4),否则执行步骤(5);

(4)采用训练好的SVM分类器Classfieri,根据其判别函数g(x)=sgn(f(x))结果作为样本x的类别ai

(5)计算样本点x到Classfieri中两个类别SVs间的平均欧式距离其中,l表示支持向量的个数,n表示数据维度,x表示待分类样本点,y表示支持向量,比较两个类别D的大小,选择较小值的类别为x类别ai

发射台的发射天线基本都在60米以上,在当地也算是最高的建筑了,天线即作为发射体,也是最好的引雷体,因此遭受雷击的几率比较高,特别是雷电高发区,经常遇到雷电损坏匹配网络和发射机部件的事故,因此,在天馈线匹配网络中一定要增加避雷装置,确保发射系统的安全。图4是三种防雷网络原理图。

(6)统计6次分类结果ai,采取投票形式,选取得票数最高的类别作为样本点最终类别。

结果判定投票机制:假设共有A,B,C,D四个类别,a1表示(A,B)-classifier分类结果,a2表示(A,C)-classifier分类结果,…,a6表示(A,C)-classifier分类结果。当(A,B)二分类是,若Awin,则ai=A,A=A+1;否则,ai=B,B=B+1,以此类推,最终投结果为:Max(A,B,C,D)。

(1)年龄≥18岁,<70岁;(2)符合中华人民共和国《痔临床诊治指南》内痔诊断标准者;(3)符合2006版《肛瘘临床诊治指南》中低位单纯性肛瘘的诊断标准者;(4)无遗传性、传统性疾病者;(5)良好的依从性,签定知情同意书。

由此可见,隐喻翻译主要是依靠经验和思维进行对等认知映射,但同时又有许多制约条件。在进行隐喻翻译的过程中,译者身兼两种文化的连接桥梁,既要考虑到源语作者的体验和思维,还要考虑译语读者的思维和体验,译者对隐喻的成功翻译就是让源语作者和译语读者的认知相协调,找到一个平衡点。这时,源语作者与译语读者之间是否有相同经历体验和思维认知模式就成为十分关键的因素。下面从两个方面来论述。

算法流程如图1所示。

在完成煤壁填充后4种小颗粒之间形成黏结键,便可以形成一个由众多小单元组成的煤壁物理模型。当黏结的颗粒群受到外部作用力时,依据离散单元法,根据牛顿第二定律在单位时间步长内对颗粒的位移与转角进行更新,此时黏结键上会受到力与力矩的作用,当达到设定的黏结键最大法向应力σmax和切向应力τmax时,黏结键断裂,以此来模拟煤壁的截割过程。颗粒黏结参数设置如下:法向刚度系数4×107 N/m;切向刚度系数4×106 N/m;最大正应力2.1×106 Pa;最大剪应力2.1×106 Pa。

  

图1 ESVM科技政策文本标签分类方法流程图

5 实验

5.1 评价指标

分类评价指标是用于评价分类器性能好坏的指标。常用的分类器性能评价指标主要包括精确度(Precision),召回率(Recall)和F值(F-measure)三个。

2.3师资力量雄厚。为做好巡讲课件,内容及方式的准备工作,依托区医院雄厚的师资力量,就面对农村群众讲什么,怎么讲以及课件制作、内容选择、表达方式作了讨论示范,要求宣讲员务必用老百姓听得懂的知识和喜欢的语言、故事普及合理膳食知识。通过言传身教、以身示范,培训了雄厚的师资队伍。

精确度是指某一类别中分类器正确分类的数据数占分类器判定属于该类别数的比例,用于衡量类别的查准率,其公式如3所示。

召回率是指某一类别中分类器正确分类的数据数占真正属于该类别的数据数的比例,用于衡量类别的查全率,其公式如4所示。

 

(3)

 

(4)

上述公式中,A表示该类样本中分类器正确分类数,B表示分类器错分为该类的数据样本数,C表示分类器将该类数据错分为它类样本数。

精准度和召回率从两个不同角度衡量了分类器的分类质量,不能综合评估分类器性能好坏。F值是指精确度和召回率的调和平均数,综合考虑了分类器的查准率、查准率及其偏向程度。F值计算公式(5)所示。

 

(5)

5.2 实验结果与分析

5.2.1 实验数据准备

本实验数据共分为科技投入类,知识产权类,农村科技类,税收等四类。其中,科技投入类主要包括财政科技拨款、科技基金、科技信贷等类型;知识产权类主要包括专利权、商标权、著作权等类型;农村科技类主要包括先进的育种技术、先进灌溉技术、先进的农业机械技术等类型;税收类主要包括增值税、消费税、营业税等类型。

网络爬取数据集中的科技政策语料,经过数据预处理后,共16823个科技政策文本标签。人工对科技政策文本标签进行类别标注,分别使用1,2,3,4代表科技投入、知识产权、农村科技和税收四个类别。其中,科技投入类标签5638个,知识产权类标签6745个,农村科技类标签3583个,税收类标签857个。采取70%的语料作为训练数据,30%作为测试数据。

5.2.3 ESVM和SVM对比实验

本实验的硬件实验环境为Windows 7操作系统,Intel Xeon E5-2609 V2处理器,主频2.5GHz,内存8GB,采用Eclipse kepler为编程开发环境。

镇长出来打圆场。行了行了,孙村长不要发火。牛爹,你是个通情达理的人。你看啊,化工厂为了报答乡邻,要帮我们建一个农科基地。说不定将来你也会得好处。何必设障碍呢。

SVM核函数采用RBF,类型为c-svm,采取10折交叉验证,进行参数寻优。调用svm_train进行交叉验证时,返回值是交叉检验下的平均分类准确度,根据交叉效率值和平均准确率找到最优核参数。

交叉验证结果如图2所示。

从表3可以看出,在环境温度基本相同的条件下,随着环境相对湿度的不同,不同的烟草在制品经过风送设备时含水率的变化相差较大。混合丝由于试验时环境相对湿度为56.8%,风送前含水率接近其在此相对湿度下的平衡含水率,因此经过烟丝风送后含水率变化不大,仅下降0.05个百分点。叶丝和梗丝由于环境相对湿度较低,分别为34.8%和33.6%,因此经过风送后含水率下降较大,其中叶丝下降0.18个百分点,梗丝下降0.41个百分点,但梗丝下降幅度大于叶丝,说明梗丝的保湿性能小于叶丝,在环境温湿度变化时其含水率容易发生变化。

  

图2 交叉验证结果图

图2所示的值为交叉验证返回的交叉效率值和平均准确率。

选取最优分类阈值ε,不同ε值下,算法分类精确度如图3所示。

  

图3 不同分类阈值下分类准确度

(5) 调用svm_train函数训练数据,共生成6个二分类模型,分别是科技-知识分类器S-T,科技-农村分类器S-C,科技-税收分类器S-T,知识-农村分类器T-C,知识-税收分类器T-T。

 

表3 ESVM方法的分类结果(%)

  

PrecisionRecallF科技投入89.2680.0283.62知识产权95.2889.3391.21农村科技83.5179.2481.26税收80.3572.1676.01

从分类结果上可以看出,本文提出方法对知识产权类标签数据最为敏感,分类效果最好。农村科技类和税收类稍差,虽然进行了参数补偿,但是样本缺失带来的影响还是存在,分类精确度还是不能达到多数类的效果。

5.2.2 ESVM分类实验

在相同数据集,相同实验参数下,分别使用本文提出ESVM分类方法和SVM分类方法进行分类实验,对比实验结果的Precision ,Recall和F值三个评价指标。

 

表4 不同惩罚系数下两种方法Precision值对比 (%)

  

c类别C=1SVMESVMC=10SVMESVMC=100SVMESVMC=500SVMESVMC=5000SVMESVM科技投入84.2187.3484.5387.8184.9888.2985.4388.7985.7589.26知识产权88.8793.2789.0193.4389.3094.0189.6294.6691.0395.28农村科技78.0481.9278.2682.0478.8882.8279.1383.0479.2583.51税收72.1878.2173.4678.9673.8279.2174.5679.9774.9880.35

为解决非平衡数据问题,Libsvm采取惩罚系数C加权对分布不均匀的数据进行修正。由表4可以看出,随着惩罚系数C的增大,整体上两类算法的分类Presicion值在不断提高。其中,税收类别分类Presicion上升幅度较大。惩罚系数C的加入,确实弥补了数据分布不均的缺点,尤其对少数类别补偿明显,提高了分类器性能。比较两类算法的四个类别分类精确度,ESVM的分类Precision要高于SVM。可见,ESVM算法有效提高了分类器分类精度,减小类别特征不明显的样本(ε<0.6)错分率。

  

图4 两种分类方法Recall对比

  

图5 两种分类方法F值对比

图4、图5中显示,本文提出的ESVM的查全率及综合分类效果均要高于传统SVM方法,可以得出ESVM方法针对不同分类决策距离的样本采取不同分类方法的策略能够很好的克服传统SVM分类缺点。

6 结束语

针对科技政策文本标签信息简短特点,提取关键词和用户信息作为分类特征。结合欧式距离思想,提出一种ESVM方法,对科技政策文本标签进行分类。ESVM方法对于距离分类超平面近的样本点,通过计算平均距离的方法,消除了多数类在数据样本在数量上的优势;对于距离分类超平面远的样本点,采取带有惩罚系数的SVM算法,减小了数据不平衡带来的负面影响。该算法在解决数据分布不平的问题之外,对分类距离不同的样本采取不同分类方法,也弥补了传统SVM分了超平面附近样本易错分的缺点。

12月18日至19日,浙江省自然资源厅党组书记、厅长黄志平一行先后到绍兴、宁波、台州、温州等地调研。绍兴市、宁波市、台州市、温州市政府分管领导分别陪同调研。

经济法是国家出台调整经济关系的相关法律法规。经济法可以保证社会经济活动按照相关的法律依据进行,经济法在我国经济发展中发挥着重要的作用,可以促进整个社会经济的公平公正,保障社会整体的经济利益,对社会内部的资源进行配置,促进整个经济社会的发展。

本文首先分析了目前本体以及信息检索的研究现状,阐述了对科技政策领域的研究意义。将本体技术引入信息检索,并实现个性化检索服务,实现一个基于本体的语义个性化检索模型。具体分析各模块实现的关键技术与优化方法,最后利用实验验证本文方法的有效性。

参考文献

[1] Tsur O,Rappoport A.What's in a hashtag?:content based prediction of the spread of ideas in microblogging communities[C]//Proceedings of the fifth ACM international conference on Web search and data mining.ACM,2012:643-652.

[2] Zanchettin C,Bezerra B L D,Azevedo W W.A KNN-SVM hybrid model for cursive handwriting recognition[C]//Neural Networks (IJCNN),The 2012 International Joint Conference on.IEEE,2012:1-8.

[3] 翟永杰,韩璞,王东风,等.基于损失函数的 SVM 算法及其在轻微故障诊断中的应用[J].中国电机工程学报,2003,23(9):198-203.

[4] 岑涌,钟萍,罗林开.基于 GA-SVM 的企业财务困境预测[J].2008.

[5] 李蓉,叶世伟,史忠植.SVM-KNN 分类器——一种提高 SVM 分类精度的新方法[J].电子学报,2002,30(5):745-748.

麦小秋没有想到汪小波的歌唱得那样好。走进“川上川”,先是麦小秋握住了话筒,汪小波听着,在每首歌之后为她鼓掌,后来她把话筒递给了汪小波。汪小波简直就是受过训练的男中音,他唱了光头李进的《你在他乡还好吗》,杨坤的《无所谓》。推向高潮的是闫维文唱火的那首《母亲》,“你上学的小书包有人给你拿,你遮雨的花折伞有人为你打,你爱吃的三鲜馅有人为你包,你委屈的泪花儿有人给你擦。啊,这个人就是娘啊,这个人就是妈!这个人给了我生命,给我一个家……”歌声使麦小秋有了泪花,看见了村西的沧河,看见了母亲。她慢慢靠近了汪小波,而且伸开双臂,顿住脚,几乎是喃喃地,说:“能抱抱吗?”

[6] 陈丽,陈静.基于支持向量机和 k-近邻分类器的多特征融合方法[J].计算机应用,2009,29(3):833-835.

[7] Dawson J C,Endelman J B,Heslot N,et al.The use of unbalanced historical data for genomic selection in an international wheat breeding program[J].Field Crops Research,2013,154:12-22.

[8] Zhang Y,Fu P,Liu W,et al.Imbalanced data classification based on scaling kernel-based support vector machine[J].Neural Computing and Applications,2014,25(3-4):927-935.

[9] Saad R,Halgamuge S K,Li J.Polynomial kernel adaptation and extensions to the SVM classifier learning[J].Neural Computing and Applications,2008,17(1):19-25.

[10] Liu J.RESEARCH ON CLASSIFYING UNBALANCED DATA BASED ON PENALTY-BASED SVM AND ENSEMBLE LEARNING[J].Computer Applications & Software,2014.

[11] 孔振.基于VSM的文本分类系统的设计和实现[D].哈尔滨工业大学,2014.

[12] 林智仁.Libsvm[J].(2009-04-01)[2009-06-03].http://www.csie.ntu.edu.tw/-cjlin/libsvm.

 
吴峰,李银生,聂永川,范通让,赵文彬,张博
《河北省科学院学报》2018年第01期文献

服务严谨可靠 7×14小时在线支持 支持宝特邀商家 不满意退款

本站非杂志社官网,上千家国家级期刊、省级期刊、北大核心、南大核心、专业的职称论文发表网站。
职称论文发表、杂志论文发表、期刊征稿、期刊投稿,论文发表指导正规机构。是您首选最可靠,最快速的期刊论文发表网站。
免责声明:本网站部分资源、信息来源于网络,完全免费共享,仅供学习和研究使用,版权和著作权归原作者所有
如有不愿意被转载的情况,请通知我们删除已转载的信息