2. Common multi-class strategies fo

2. Common multi-class strategies for SVM
SVM, as one of themost effective statistical learning algorithms, uses
structural risk minimization (SRM) criterion rather than empirical risk
minimization (ERM) in other machine learning methods. Because
SVMis advantageous to mitigate such difficulties in hyperspectral classification
as small-size samples, high dimensionality, poor generalization
and uncertainty impacts, it has been employed to hyperspectral
RS image classification in recent years [3,4]. Although it is generally concluded
that SVMperforms better than other conventional classifiers and
it is suitable for high dimensional features (for example, the direct use
of all bands of hyperspectral image), the time consumption and computation
capacity are still challenging; therefore, feature extraction and dimensionality
reduction are still meaningful on many occasions.

ผลลัพธ์ (ไทย) 1:

2. ทั่วไปหลายระดับกลยุทธ์สำหรับ SVMSVM เป็นหนึ่งในอัลกอริทึมมีประสิทธิภาพการเรียนรู้สถิติ themost ใช้เกณฑ์ (SRM) การลดความเสี่ยงโครงสร้างมากกว่าความเสี่ยงเชิงประจักษ์มาตรการ (กีด) ในเครื่องอื่น ๆ วิธีการเรียนรู้ เนื่องจากSVMis ประโยชน์เพื่อบรรเทาปัญหาดังกล่าวในประเภท hyperspectralตัวอย่างขนาดเล็ก มิติสูง ลักษณะทั่วไปไม่ดีและผล กระทบของความไม่แน่นอน ได้รับการว่าจ้างการ hyperspectralการจัดประเภทภาพอาร์เอสในปีที่ [3, 4] แม้ว่าโดยทั่วไปสรุปได้SVMperforms ที่ดีกว่าคำหลักภาษาอื่น ๆ ทั่วไป และเหมาะสำหรับคุณลักษณะขนาดสูง (เช่น การใช้โดยตรงของวงดนตรีทั้งหมดของภาพ hyperspectral), ปริมาณการใช้เวลาและการคำนวณความจุจะยังคงท้าทาย ดังนั้น มีการสกัดและมิติลดลงจะยังคงมีความหมายหลายครั้ง

ผลลัพธ์ (ไทย) 2:

2. กลยุทธ์หลายระดับทั่วไปสำหรับ SVM
SVM เป็นหนึ่งในขั้นตอนวิธีการเรียนรู้ที่มีประสิทธิภาพสถิติ themost ใช้
โครงสร้างการลดความเสี่ยง (SRM) เกณฑ์มากกว่าความเสี่ยงเชิงประจักษ์
ลด (ERM) ในวิธีการเรียนรู้ของเครื่องอื่น ๆ เพราะ
SVMis ได้เปรียบในการบรรเทาความยากลำบากดังกล่าวใน Hyperspectral จำแนก
กลุ่มตัวอย่างขนาดเล็ก, มิติสูงทั่วไปที่ไม่ดี
และผลกระทบความไม่แน่นอนจะได้รับการว่าจ้างให้ Hyperspectral
การจัดหมวดหมู่ภาพอาร์เอสในปีที่ผ่านมา [3,4] แม้ว่ามันจะเป็นข้อสรุปทั่วไป
ที่ SVMperforms ดีกว่าลักษณนามทั่วไปอื่น ๆ และ
มันเหมาะสำหรับคุณสมบัติมิติสูง (เช่นการใช้โดยตรง
ของวงดนตรีทั้งหมดของภาพ Hyperspectral), การใช้เวลาและการคำนวณ
ความจุยังคงมีความท้าทาย จึงสกัดบาร์และมิติ
การลดลงยังคงมีความหมายในหลายโอกาส