支持向量機算法及在大規(guī)模樣本集的應用

定　價：￥28.00

作　者：	梁錦錦著
出版社：	中國石化出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787511445056	出版時間：	2017-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	127	字數(shù)：

內(nèi)容簡介

　　《本書是關于支持向量機理論及算法的專著。全書共分八章：第一章介紹了數(shù)據(jù)挖掘算法的發(fā)展歷程、支持向量機的研究現(xiàn)狀；第二章介紹了統(tǒng)計學習理論和*優(yōu)化理論中的重要概念和定理；第三章在*優(yōu)分類超平面基礎之上，詳細闡述了三類情形下的支持向量機模型；第四章至第六章依次介紹了*小二乘支持向量機、支持向量域描述、光滑支持向量機；第七章將支持向量機與其他算法集成，展示了在大規(guī)模樣本集上的分類性能；第八章展望支持向量機未來的發(fā)展趨勢?！肥顷P于支持向量機理論及算法的專著。全書共分八章：第一章介紹了數(shù)據(jù)挖掘算法的發(fā)展歷程、支持向量機的研究現(xiàn)狀；第二章介紹了統(tǒng)計學習理論和*優(yōu)化理論中的重要概念和定理；第三章在*優(yōu)分類超平面基礎之上，詳細闡述了三類情形下的支持向量機模型；第四章至第六章依次介紹了*小二乘支持向量機、支持向量域描述、光滑支持向量機；第七章將支持向量機與其他算法集成，展示了在大規(guī)模樣本集上的分類性能；第八章展望支持向量機未來的發(fā)展趨勢。

作者簡介

　　梁錦錦，博士，西安石油大學副教授，研究方向為最優(yōu)化理論、支持向量機，主持縱向項目2項，大學生創(chuàng)新項目1項。以*一作者發(fā)表了論文二十余篇，其中被SCI、EI檢索9篇，核心收錄8篇，主編《積分變換與場論》教材1部，撰寫13萬字。

圖書目錄

目錄
1緒論（1）
1.1機器學習理論（1）
1.1.1學習問題的一般模型（2）
1.1.2經(jīng)驗風險最小化原則（3）
1.1.3模型復雜度和推廣能力（3）
1.1.4結構風險最小化原則（4）
1.2支持向量機算法及研究現(xiàn)狀（4）
1.2.1理論研究（5）
1.2.2訓練算法（7）
1.2.3應用研究（8）
2統(tǒng)計學習理論和最優(yōu)化理論（10）
2.1統(tǒng)計學習理論基礎（10）
2.1.1學習問題的數(shù)學表達（10）
2.1.2經(jīng)驗風險最小化原則（11）
2.1.3學習過程的一致性條件（11）
2.1.4學習過程收斂速率的漸進性理論（13）
2.1.5推廣能力的泛化誤差界（14）
2.1.6結構風險最小化原則（14）
2.2最優(yōu)化理論（15）
2.2.1基本概念（16）
2.2.2凸集理論基礎（17）
2.2.3拉格朗日乘子理論（18）
2.3本章小結（21）
3標準支持向量機算法（22）
3.1最優(yōu)分類超平面（22）
3.2核函數(shù)理論（23）
3.3支持向量機算法（25）
3.3.1線性支持向量機（25）
3.3.2近似線性可分支持向量機（26）
3.3.3非線性支持向量機（28）
3.3.4支持向量特性（29）
3.4數(shù)值試驗（30）
3.4.1數(shù)據(jù)預處理（30）
3.4.2實驗結果（31）
3.5本章小結（33）
4最小二乘支持向量機算法（34）
4.1最小二乘支持向量機（34）
4.1.1線性最小二乘支持向量機（34）
4.1.2非線性最小二乘支持向量機（35）
4.2原空間最小二乘支持向量機（36）
4.2.1線性原空間最小二乘支持向量機（36）
4.2.2非線性原空間最小二乘支持向量機（37）
4.2.3標準形式（38）
4.2.4仿真實驗（39）
4.2.5小結（41）
4.3稀疏最小二乘支持向量機（42）
4.3.1線性稀疏最小二乘支持向量機（42）
4.3.2非線性稀疏最小二乘支持向量機（42）
4.3.3稀疏模型L1SLSSVM（43）
4.3.4仿真實驗（43）
4.3.5小結（46）
4.4本章小結（46）
5支持向量域描述算法（47）
5.1研究現(xiàn)狀（47）
5.2工作機理（48）
5.2.1線性空間SVDD（48）
5.2.2特征空間SVDD（49）
5.2.3支持向量特性及分布（51）
5.3約簡支持向量域描述RSVDD（51）
5.3.1中心距離比值SVM（52）
5.3.2約簡支持向量域描述（53）
5.3.3約簡集規(guī)模（54）
5.3.4數(shù)值實驗（55）
5.3.5結論（57）
5.4信賴支持向量域描述（57）
5.4.1信賴支持向量域描述（57）
5.4.2抽樣集規(guī)模（58）
5.4.3抽樣集分布（58）
5.4.4參數(shù)設置和復雜度（60）
5.4.5數(shù)值實驗（61）
5.4.6結論（63）
5.6本章小結（64）
6光滑支持向量機算法（65）
6.1引言（65）
6.2Mangasasian的光滑SSVM（66）
6.2.1標準SVM（66）
6.2.2光滑支持向量機（67）
6.2.3多項式光滑模型（67）
6.3光滑對角加權支持向量機（69）
6.3.1二次損失函數(shù)SVM（69）
6.3.2線性光滑對角加權支持向量機（70）
6.3.3非線性光滑對角加權支持向量機（72）
6.3.4算法實現(xiàn)（76）
6.3.5數(shù)值實驗（77）
6.4隱空間光滑支持向量機（80）
6.4.1隱空間簡介（81）
6.4.2隱空間支持向量機（81）
6.4.3隱空間光滑支持向量機HS3VM （83）
6.4.4PSO參數(shù)尋優(yōu)（83）
6.4.5數(shù)值試驗（85）
6.4.6結束語（87）
6.5本章小結（87）
7大規(guī)模樣本集下的支持向量機算法（88）
7.1同心超球面支持向量機HSVM（88）
7.1.1理論基礎（88）
7.1.2同心超球面組的構造（90）
7.1.3算法實現(xiàn)（92）
7.1.4數(shù)值實驗（93）
7.1.5小結（95）
7.2支持向量機的集成算法（95）
7.2.1集成學習算法概述（95）
7.2.2空間支持向量域分類器SSVDC（96）
7.2.3算法實現(xiàn)（100）
7.2.4數(shù)值實驗（101）
7.2.5結論（105）
7.3聚類分片雙支持向量域分類器（106）
7.3.1聚類分片（106）
7.3.2雙支持向量域分類器（108）
7.3.3鏈接規(guī)則（110）
7.3.4復雜度分析（111）
7.3.5數(shù)值試驗（111）
7.4本章小結（114）
8總結與展望（116）
8.1總結（116）
8.2展望（117）
參考文獻（119）