The LS-SVM modeling method is found

The LS-SVM modeling method is founded on a
relatively solid statistical learning theory. Generally,
LS-SVM can obtain a good prediction performance with the
introduction of SRM principle, kernel function and
regularization technique. Besides, LS-SVM transforms the
inequality type constraints into equalities, avoiding the
solution of the quadratic programming problem which is very
time consuming [11]. This improvement greatly reduces the
computational load and makes the LS-SVM method have
increasing applications.

ผลลัพธ์ (ไทย) 1:

วิธีสร้างโมเดล LS SVM ได้ก่อตั้งขึ้นในการทฤษฎีการเรียนรู้ทางสถิติค่อนข้างแข็ง ทั่วไปLS SVM สามารถได้รับประสิทธิภาพการคาดเดาที่ดีแนะนำหลักการ SRM ฟังก์ชันเคอร์เนล และregularization เทคนิคการ นอกจาก LS-SVM แปลงอสมการข้อจำกัดชนิดเป็น equalities หลีกเลี่ยงการของปัญหาเขียนโปรแกรมกำลังสองที่มากเวลาใช้งาน [11] ปรับปรุงนี้มากช่วยลดการคำนวณโหลดและวิธีทำให้ LS-SVM มีเพิ่มโปรแกรมประยุกต์

ผลลัพธ์ (ไทย) 2:

วิธีการสร้างแบบจำลอง LS-SVM ตั้งอยู่บนพื้นฐาน
ทฤษฎีการเรียนรู้ทางสถิติที่ค่อนข้างมั่นคง โดยทั่วไป
LS-SVM สามารถได้รับประสิทธิภาพการทำนายที่ดีกับ
การเปิดตัวของหลักการ SRM, ฟังก์ชันเคอร์เนลและ
เทคนิค regularization นอกจากนี้ LS-SVM แปลง
จำกัด ชนิดความไม่เท่าเทียมกันในสมการหลีกเลี่ยงการ
แก้ปัญหาของปัญหาการเขียนโปรแกรมเป็นกำลังสองซึ่งเป็นมาก
นาน [11] เวลา การปรับปรุงนี้ช่วยลด
โหลดการประมวลผลและทำให้วิธี LS-SVM มี
การใช้งานที่เพิ่มขึ้น

ผลลัพธ์ (ไทย) 3:

การเสนอตัวแบบ ls-svm ก่อตั้งขึ้นในทฤษฎีการเรียนรู้เชิงสถิติที่ค่อนข้างแข็ง

โดยทั่วไปแล้ว
ls-svm สามารถได้รับประสิทธิภาพการทำนายที่ดีกับ
แนะนำหลักการและเทคนิคสำหรับฟังก์ชันเคอร์เนล
ผิดกฎหมาย . นอกจากนี้ ls-svm แปลงอสมการข้อจำกัดในประเภท

equalities หลีกเลี่ยงทางออกของปัญหาซึ่งเป็นเรื่อง
โปรแกรมกำลังสองเสียเวลา [ 11 ] การปรับปรุงนี้จะช่วยลดโหลดของคอมพิวเตอร์และทำให้ ls-svm

วิธีได้เพิ่มการใช้งาน