Support Vector Machines. Part 1: A theoretical overview;Support vector machines teil 1: Ein theoretischer überblick

ZFV - Zeitschrift fur Geodasie, Geoinformation und Landmanagement

Volumn 135, Issue 3, 2010, Pages 179-189

  Heinert, Michael ^a  

^a TECHNICAL UNIVERSITY OF BRAUNSCHWEIG   (Germany)

Author keywords

[No Author keywords available]

Indexed keywords

EID: 77953634284     PISSN: 16188950     EISSN: None     Source Type: Journal    
DOI: None     Document Type: Article

References (39)

1. Akyilmaz, O. und Kutterer, H.: Prediction of Earth rotation parameters by fuzzy inference systems. J. Geodesy, 78 (1-2), S. 82-93, 2004. (Pubitemid 39306228)
2. Bothe, H.-H.: Fuzzy Logic - Einführung in Theorie und Anwendung. 2. erw. Aufl., Springer-Verlag, Berlin, Heidelberg, New York, London, Paris, Tokyo, Hong Kong, Barcelona, Budapest, 1995.
3. Bothe, H.-H.: Neuro-Fuzzy-Methoden - Einführung in Theorie und Anwendung. Springer-Verlag, Berlin, Heidelberg, New York, Barcelona, Budapest Hong Kong, London, Mailand, Paris, Santa Clara, Singapur, Tokyo, 1998.
4. Burges, C. H. C.: A Tutorial on Support Vector Machines for Pattern Recognition. In: Data Mining and Knowledge Discovery, vol. 2, S. 121-167, Kluwer Academic Publishers, 1998.
5. Chang, Ch.-Ch. und Lin, Ch.-J.: LIBSVM: a library for support vector machines, 2001. Software, URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm.
6. Domschke, W und Drexl, A.: Einführung in Operations Research. 5. überarb. u. erw. Aufl., Springer Berlin/Heidelberg, 2002.
7. Elisseeff, A. und Paugam-Moisy, H.: Size of multilayer networks for exact learning: analytic approach. NeuroCOLT Techn. Rep. Series, NC-TR-97-1002, 1997.
8. Grundmann, W.: Operations Research Formeln und Methoden. Teubner, Stuttgart, Leipzig, Wiesbaden, 2002.
9. nd ed., Prentice Hall, Upper Saddle River NJ, 1999.
10. nd ed., Prentice Hall, Upper Saddle River NJ, 2009.
11. Heine, K.: Beschreibung von Deformationsprozessen durch Volterraund Fuzzy-Modelle sowie Neuronale Netze. Diss., DGK Reihe C, 516, München, 1999.
12. Heine, K.: Fuzzy Technology and ANN for Analysis of Deformation Processes. In: Reiterer, A. und Egly, U. (Hrsg.): Application of Artificial Intelligence in Engineering Geodesy (AIEG 2008), S. 9-25, Wien, 2008.
13. Heinert, M. und Niemeier, W.: From fully automated observations to a neural network model inference: The Bridge "Fallersleben Gate" in Brunswick, Germany, 1999-2006. J. Appl. Geodesy, 1, S. 71-80, 2007.
14. Heinert, M.: Systemanalyse der seismisch bedingten Kinematik Islands. Diss., Geod. Schriftenr. 22, Techn. Univ. Braunschweig, 2008.
15. Heinert, M.: Artificial neural networks - how to open the black boxes? In: Reiterer, A. und Egly, U. (Hrsg.): Application of Artificial Intelligence in Engineering Geodesy (AIEG 2008), S. 42-62, Wien, 2008.
16. Heinert, M.: Modellierung von gemessenen Zeitreihen für Monitoringaufgaben. In: Foppe, K., Knaak, L. u. Pawel, B. (Hrsg.): Zeitabhängige Messgrößen - Verborgene Schätze in unseren Daten. DVW-Schriftenr., 59, S. 133-154, Augsburg, 2009.
17. Hillier, F. S. und Liebermann, G. J.: Operations Research Einführung. 5. Aufl., unveränd. Nachdr. d. 4. Aufl., Oldenbourg Verlag, München, Wien, 2002.
18. Koiran, P. und Sontag, E. D.: Neural Networks with Quadratic VC-Dimension. Advances in Neural Information Systems, 8:197-203, MIT Press, Cambridge (MA), 1996.
19. nd Berkeley Symp., S. 481-492, Univ. of California Press, Berkeley, 1951.
20. Mercer, J.: Functions of Positive and Negative Type and their Connection with the Theory of Integral Equations. Phil. Trans. R. Soc. Lond. A, 209, S. 415-446, 1909.
21. Miima, J. B.: Artificial Neural Networks and Fuzzy Logic Techniques for the Reconstruction of Structural Deformations. Diss., Geod. Schriftenr., 18, Techn. Univ. Braunschweig, 2002.
22. Minkler, G. und Minkler, J.: Theory and Application of Kalman Filtering. Magellan Book Comp., Palm Bay, U.S.A, 1993.
23. Niemeier, W.: Ausgleichsrechnung - Eine Einführung für Studierende und Praktiker des Vermessungs- und Geoinformationswesens. 2. überarb. u. erw. Ausg., Walter de Gruyter, Berlin, New York, 2008.
24. Platt, J. C.: Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines. Microsoft Research, Technical Report MSR-TR-98-114
25. Piatt, J. C.: Fast Training of Support Vector Machines using Sequential Minimal Optimization. In: Schölkopf, B., Burges, C. J. C. and Smola, A. J. (1999): Advances in kernel methods: support vector learning. MIT Press, Cambridge (MA), S. 185-208.
26. Rardin, R. L. (1998): Optimization in Operation Research. Prentice Hall, Upper Saddle River USA, 1998.
27. Reiterer A.: Ein wissensbasiertes Entscheidungssystem für ein online Videotheodolit-basiertes Messsystem, zfv, 130 (4), S. 218-225, 2005.
28. Reiterer A.: Künstliche Intelligenz in der Ingenieurgeodäsie, zfv, 131 (3), S. 141-147, 2006.
29. Riedel, B. und Heinert, M.: An adapted support vector machine for velocity field interpolation at the Baota landslide. In: Reiterer, A. und Egly, U. (Hrsg.): Application of Artificial Intelligence in Engineering Geodesy (AIEG 2008), S. 101-116, Wien, 2008.
30. Rüping, St.: Zeitreihenanalyse für Warenwirtschaftssysteme unter Berücksichtigung asymmetrischer Kostenfunktionen. URL: http://www.stefan-rueping.de/publications/rueping-99-a.pdf.
31. Rüping, St: mySVM - Manual. URL: http://www-ai.cs.uni-dortmund.de/ SOFTWARE/MYSVM/mysvm-manual.pdf.
32. th European Conference on Computational Learning Theory EuroCOLT 2001, Lecture Notes in Artificial Intelligence, 2111, S. 14-30, Springer-Verlag, Berlin, 2001.
33. Schmitt, M.: On the capabilities of higher-order neurons: A radial basis function approach. Neural Computation, 17 (3), S. 715-729, 2005. (Pubitemid 40251353)
34. Schölkopf, B. und Smola, A. J.: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (Adaptive Computation and Machine Learning). MIT Press, Cambridge (MA), 2001.
35. Schölkopf, B., Cristianini, N., Jordan, M., Shawe-Taylor, J., Smola, A. J., Vapnik, V. N., Wahba, G., Williams, Chr. und Williamson, B.: KernelMachines.Org, 2007. URL: http://www.kernel-machines.org.
36. Smola, A. J. und Schölkopf, B.: A tutorial on support vector regression. Statistics and Computing 14, S. 199-222, 2004.
37. Sontag, E. D.: VC Dimension of Neural Networks. In: Bishop, C. (Ed.): Neural networks and machine learning. S. 69-95, Springer-Verlag, Berlin, 1998.
38. Vapnik, V. N.: Statistical Learning Theory. In: Haykin, S. (Ed.): Adaptive and Learning Systems for Signal Processing, Communications and Control. John Wiley & Sons, New York, Chichester, Weinheim, Brisbane, Singapore, Toronto, 1998.
39. Vapnik, V. N. und Chervonenkis, A. Ya.: Theory of Pattern Recognition. Nauka, Moskau, Deut Übers.: Wapnik, W. N. und Tscherwonenkis, A. Ja.: Theorie der Zeichenerkennung, in deutscher Spr. v. Unger, S. und Fritzsch, K. In: Frühauf, H., Kämmerer, W., Thiele, H. und Völz, H. (Hrsg.): Elektronisches Rechnen und Regeln. Sonder-Bd. 28, Akademie-Verlag, Berlin, 1979.