一种新型的选址问题

某一公司想在某一城市投资一个超市,无论这一城市是否已有一些超市,作为一种商业行为,该公司总是要使得自己的收益在某些条件的限制下达到最大,当限制条件为距离时,我们把这一问题抽象为具有距离限制的最大loading选址问题(MLPWDR).本文给出了该类问题的一个最优算法及其复杂性分析.     

模糊邻域风险最小化算法

1引言 由Vapnik等[1]提出的支持向量机(SupportVector Machines,简记为SVM)是一种基于统计学习和结构风险最小化原理的新型学习机器.SVM作为一种新型神经网络,将待解决的问题转化为一个二次规划问题,从而克服了传统神经网络的隐层节点选择难和可能陷入的局部极小化问题.目前,SVM已被广泛地应用于模式识别[2]、回归估计[3]和各类金融时间序列预测问题[4]中.     

模糊K近邻分类器在邻域风险最小化算法中的应用

在邻域风险最小化原则(VRM)中运用模糊K近邻分类器,来提出一种新的定义邻域半径的方法,从而得出一种新的VRM算法.实例证明这一新算法对解决稀疏小样本的分类和回归有着较好的应用.