针对此缺点，提出一种改进的KCCA方法：首先用几何特征选择方法选择一个训练样本子集并将其映射到再生核希尔伯特空间（RKHS），然后设计了一种提升特征提取效率的算法，该算法按照对特征分类贡献的大小巧妙地选取样本的特征值，进而求出其相应的特征向量，...
基于188个网页-相关网页
通过非线性映射到可再 生核希尔伯特空间（reproducing kernelHilbert space，RKHS），把原始数据投影到高维特征空间 中，使其线性分类更加容易。
基于4个网页-相关网页
...文 2 2.3 核函数的性质 42-46 2.3.1 Mercer 定理 42 2.3.2 再生希尔伯特核空间（Reproducing Kernel Hilbert Space，RKHS） 42-44 2.3.3 表示理论（Representer Theorem） 44-45 2..
基于2个网页-相关网页
...文 2 2.3 核函数的性质 42-46 2.3.1 Mercer 定理 42 2.3.2 再生希尔伯特核空间（Reproducing Kernel Hilbert Space，RKHS） 42-44 2.3.3 表示理论（Representer Theorem） 44-45 2..
基于2个网页-相关网页
RKHS will be an essential tool for establishing a connection between Regularization Theory and Statistical Learning Theory.
RKHS是结合正规化理论和统计学理论的必要工具。
We discuss at length the properties of a very important class of kernels which lead to the key notion of Reproducing kernel Hilbert Space (RKHS).
我们将详细的讨论核心课程中十分重要的特质，其引导出再生核希尔伯特空间理论(RKHS)中一个非常关键的概念。
We first provide the background to the concept of Hilbert space, introduce RKHS, and then clarify the relation between smoothness and apriori knowledge on the solution in RKHS.
因此我们首先需了解希伯特空间背景的基本观念，接着针对RKHS的解释说明平滑算法和先验算法之间的关系。
应用推荐