Fault Diagnosis and Optimized Operation and Maintenance of Drop-out Fuses in Alpine Regions Using MKL-SVM and GRU
0
Citation
36
Reference
10
Related Paper
A method which we call support vector machine with graded resolution (SVM-GR) is proposed in this paper. During the training of the SVM-GR, we first form data granules to train the SVM-GR and remove those data granules that are not support vectors. We then use the remaining training samples to train the SVM-GR. Compared with the traditional SVM, our SVM-GR algorithm requires fewer training samples and support vectors, hence the computational time and memory requirements for the SVM-GR are much smaller than those of a conventional SVM that use the entire dataset. Experiments on benchmark data sets show that the generalization performance of the SVM-GR is comparable to the traditional SVM.
Ranking SVM
Benchmark (surveying)
Sequential minimal optimization
Cite
Citations (30)
건축공사가 대형화됨에 따라 대규모 지하공간을 구축하기 위한 흙막이 공사의 중요성도 점차 커지고 있다. 따라서 적정한 흙막이공법의 선정은 건축공사의 원활한 수행을 위해서 매우 중요한 요소 중의 하나라 할 수 있다. 그러나 흙막이공법의 설계와 시공이 분리되어 있는 우리나라의 경우에는 많은 설계변경이 발생하고 있고, 이러한 설계변경은 건설사업의 성패를 좌우하는 공사비와 공기 측면에서 지대한 영향을 줄 수 있다. 본 연구에서는 이러한 흙막이공법에 대한 의사결정 단계에서 활용할 수 있는 Support Vector Machine(SVM)을 활용한 흙막이공법 선정모델을 구축하여 제안하였다. SVM은 기본적으로 이원분류를 위한 분류기이기 때문에 이원분류기를 조합한 형태의 다원분류기로 확장하여 모델을 구축하였다. 구축한 SVM 모델을 실제사례에 적용한 결과 비교적 정확한 결과를 도출하는 것으로 나타났으며, 따라서 본 연구에서 제시한 SVM 흙막이공법 선정모델은 흙막이공법 선정의 의사결정과정에 유용하게 활용될 수 있을 것으로 사료된다. 【There is a greater importance for underground work designed and built in the urban areas when it comes to considering the cost-effectiveness and the period of construction commensurate with an increasing trend of skyscrapers. At this stage of underground work, it's extremely necessary to choose a proper earth retaining method. Therefore, the study has suggested the rational retaining wall method by developing the support vector machine(SVM) model as a tool to choose a proper retaining wall method applied at the stage of selecting the earth retaining method. In order to develop the SVM model, the binary SVM classifier is expanded into a multi-class classifier. and to present the feasibility of our SVM model, we considered 129 projects. Applying the 'SVM Model' developed in the study to the designing and developing stages of the earth retaining work will contribute to the successful outcomes by decreasing any changes of design from implementing the earth retaining.】
Ranking SVM
Cite
Citations (0)
Ranking SVM
Relevance vector machine
Sequential minimal optimization
Cite
Citations (31)
Researching smooth support vector machine (SVM) for regression is an active field in data mining. Recently, Lee et al. proposed the smooth SVM for insensitive regression, where smoothing functions play a vital role in smooth SVMs. This paper presents a comparative study on three smooth SVMs: smooth SVM, polynomial smooth SVM and smooth support vector regression. It also discusses promising directions of support vector regression for future work
Smoothing
Relevance vector machine
Cite
Citations (2)
⎯Support vector machines (SVM) was originally designed for binary classification. SVM has been recently applied to solve multi-class problems. And there lies the unsolving research issues on developing 2-class SVM into multi-class SVM. In this paper, five common multi-class SVMs have been reviewed and a new multi-class SVM has been proposed along with the comparison between the performance of one-against-half method and the other five multi-class SVMs. The experiments proved oneagainst-half method to be a qualified multi-class SVM. Keyword⎯One-against-half method, Support vector machines, Multi-classification. ∗ Corresponding author’s e-mail: s929603@mail.yzu.edu.tw International Journal of Operations Research 1813-713X Copyright © 2009 ORSTW
Multiclass classification
Ranking SVM
Binary classification
Cite
Citations (2)
금융기관에서 부도예측모형으로 가장 많이 활용하고 있는 분석기법으로는 통계적 기법인 로지스틱 희귀분석과 인공지능기법인 인공신경망을 들 수 있다. 특히 인공신경망은 단기 예측력에서 로지스틱 희귀분석보다 우수한 성과를 나타내는 것으로 알려져 있다. 그러나 이러한 우수한 예측력에도 불구하고 인공신정망은 학습과정에서의 과대적합 현상으로 인한 안정성 문제와 도출된 결과에 대한 해석이 근본적으로 불가능하다는 점이 한계로 지적되어 왔다. 본 연구에서는 최근 인공신경망이 가지고 있는 과대적합 운제를 해결하는 동시에 높은 예측력과 우수한 설명력을 제공하는 것으로 알려진 Support Vector Machine (SVM)을 기업부도예축모형에 적용하고자 한다. SVM은 데이터를 고차원 공간으로 투자시켜 분리경계자 매우 복잡한 문제를 선형판별함수의 사용이 가능한 단순한 운재로 변환시키는 기법으로 다양한 분야의 분류문제에 적용되고 있다. 본 연구에서는 기앙부도예측 모형으로서 SVM의 적합성을 판단하기 위하여 예측력이 우수하다고 알려진 인공신경망 (다층퍼셉트론)과의 비교분석을 수행하고자 한다. 본 연구의 결과 SVM은 향후 기업부도예측에 있어 인공신경망을 대체할 수 있는 유용한 기법임을 확인할 수 있었다.
Ranking SVM
Relevance vector machine
Margin classifier
Cite
Citations (0)
최근 기계학습 분야에서 커널머신을 이용한 대표적 학습기로 Support Vector Machines(SVM)이 주목 받고 있다. SVM은 통계적 학습이론에 기반하여 뛰어난 일반화 성능을 보여주며, 다양한 패턴인식 문제에 적용되고 있다. 그러나, SVM은 이진 분류기이므로 일반적인 다중 클래스 문제에 곧바로 적용할 수 없다. SVM을 다중 클래스 문제의 하나인 얼굴인식에 도입하기 위한 방법으로는, One-Per-Class와 All-Pairs가 대표적이다. 상기 두 방법은 다중 클래스 문제를 여러 개의 이진 클래스 문제로 분할하고, 이들을 다시 종합하여 최종 결정을 내리는 출력코딩이라는 일반적인 방법에 속한다. 본 논문에서는 이진 분류기인 SVM의 다중 클래스 분류기 확장 방안으로 출력코딩 방법론을 설명한다. 또한 출력코딩 방법론의 대표적인 이론적 기반인 ECOC(Error-Correcting Output Codes)를 근간으로 하는 새로운 출력코딩 방법들을 제안하고, 얼굴인식 실험을 통해 SVM을 기반 분류기로 사용할 경우의, 출력코딩 방법의 특성을 비교ㆍ분석한다.
Ranking SVM
Cite
Citations (0)
Hypersurface
Training set
Ranking SVM
Cite
Citations (83)
Support vector machines(SVM)은 비교적 최근에 등장한 데이터마이닝 기법이지만, 재무, CRM 등의 경영학 분야에서 많이 연구되고 있다. SVM은 인공신경망과 필적할 만큼의 예측 정확도를 보이는 사례가 많았지만, 암상자로 불리는 인공신경망 모형에 비해 구축된 예측모형의 구조를 이해하기 쉽고, 인공신경망에 비해 과도적합의 가능성이 적어서 적은 수의 데이터에서도 적용 가능하다는 장점을 가지고 있다. 하지만, 일반적인 SVM을 이용하려면, 인공신경망과 마찬가지로 여러 가지 설계요소들을 설계자가 선택하여야 하기 때문에 임의성이 높고, 국부 최적해에 수렴할 가능성도 크다. 또한, 많은 수의 데이터가 존재하는 경우에는 데이터를 분석하고 이용하는데 시간이 소요되고, 종종 잡음이 심한 데이터가 포함된 경우에는 기대하는 수준의 예측성과를 얻지 못할 가능성이 있다. 본 연구에서는 일반적인 SVM의 장점을 그대로 유지하면서, 전술한 두 가지 단점을 보완한 새로운 SVM 모형을 제안한다. 본 연구에서 제안하는 모형은 사례선택기법을 일반적인 SVM에 융합한 것으로 대용량의 데이터에서 예측에 불필요한 데이터를 선별적으로 제거하여 예측의 정확도와 속도를 제고할 수 있는 방법이다. 본 연구에서는 잡음이 많고 예측이 어려운 것으로 알려진 재무 데이터를 활용하여 제안 모형의 유용성을 확인하였다.
Ranking SVM
Cite
Citations (0)
Least-squares function approximation
SIGNAL (programming language)
Ranking SVM
Cite
Citations (6)