注冊(cè) | 登錄讀書好，好讀書，讀好書！

當(dāng)前位置：首頁出版圖書科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)網(wǎng)絡(luò)與數(shù)據(jù)通信網(wǎng)絡(luò)服務(wù)支持向量機(jī)魯棒性模型與算法研究

支持向量機(jī)魯棒性模型與算法研究

定　價(jià)：￥42.00

作　者：	王快妮
出版社：	北京郵電大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787563557660	出版時(shí)間：	2019-08-01	包裝：
開本：	16開	頁數(shù)：	109	字?jǐn)?shù)：

內(nèi)容簡介

　　支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論，以結(jié)構(gòu)風(fēng)險(xiǎn)小化為原則的一種針對(duì)小樣本情況的新型機(jī)器學(xué)習(xí)方法，具有結(jié)構(gòu)簡單、全局優(yōu)解和泛化能力強(qiáng)等優(yōu)點(diǎn)。支持向量機(jī)目前已成為機(jī)器學(xué)習(xí)領(lǐng)域解決分類問題和回歸問題的有效工具。然而，在現(xiàn)實(shí)問題中，由于受到各種因素的影響，樣本數(shù)據(jù)通常含有噪聲和異常值，這些數(shù)據(jù)使支持向量機(jī)的學(xué)習(xí)能力受到影響，表現(xiàn)在對(duì)異常值較敏感、魯棒性較差等。《支持向量機(jī)魯棒性模型與算法研究》擬從損失函數(shù)的角度出發(fā)，應(yīng)用優(yōu)化理論與方法，研究具有魯棒性的支持向量機(jī)改進(jìn)模型與求解算法，使其能更有效地解決實(shí)際問題。

作者簡介

　　王快妮，女，1982年12月出生，博士，西安石油大學(xué)理學(xué)院講師（2015年7月至今），東南大學(xué)數(shù)學(xué)博士后流動(dòng)站在站博士后（2018年7月至今）。2015年6月在中國農(nóng)業(yè)大學(xué)獲得運(yùn)籌與管理專業(yè)博士學(xué)位，主要從事機(jī)器學(xué)習(xí)及優(yōu)化理論方面的研究。在《Knowledge-Based Systems》《Neural Processing Letters）《Applied Sot Computing》等國內(nèi)外學(xué)術(shù)期刊上發(fā)表論文20余篇，其中以作者發(fā)表SCI、EI收象論文9篇。圓前主持一項(xiàng)中國博士后基金項(xiàng)目，主持并完成一項(xiàng)國家自然科學(xué)基金項(xiàng)目。

圖書目錄

第1章緒論
1．1 研究背景與意義
1．2 魯棒支持向量機(jī)國內(nèi)外研究現(xiàn)狀
1．2．1 基于異常值剔除技術(shù)的魯棒SVM
1．2．2 加權(quán)形式或模糊隸屬度的魯棒SVM
1．2．3 基于p-范數(shù)的魯棒SVM
1．2．4 基于損失函數(shù)的魯棒SVM
1．2．5 其他形式的魯棒SVM
1．3 支持向量機(jī)基礎(chǔ)知識(shí)
1．3．1 支持向量機(jī)模型
1．3．2 損失函數(shù)
1．3．3 原始空間支持向量機(jī)
第2章基于非凸廣義線性損失函數(shù)的魯棒支持向量回歸機(jī)及應(yīng)用
2．1 廣義線性損失函數(shù)
2．2 基于非凸廣義線性損失函數(shù)的魯棒支持向量回歸機(jī)
2．2．1 非凸廣義線性損失函數(shù)
2．2．2 魯棒SVR模型
2．2．3 凹凸過程
2．2．4 算法實(shí)現(xiàn)
2．3 數(shù)值實(shí)驗(yàn)
2．3．1 真實(shí)數(shù)據(jù)實(shí)驗(yàn)
2．3．2 金融時(shí)間序列數(shù)據(jù)實(shí)驗(yàn)
2．3．3 排序?qū)W習(xí)數(shù)據(jù)實(shí)驗(yàn)
2．4 本章小結(jié)
第3章基于非凸廣義二次損失函數(shù)的魯棒支持向量回歸機(jī)
3．1 廣義二次損失函數(shù)
3．2 基于非凸廣義二次損失函數(shù)的魯棒支持向量回歸機(jī)
3．2．1 非凸廣義二次損失函數(shù)
3．2．2 DC規(guī)劃及算法實(shí)現(xiàn)
3．3 數(shù)值實(shí)驗(yàn)
3．4 本章小結(jié)
第4章基于非凸二次損失函數(shù)的魯棒最小二乘支持向量回歸機(jī)
4．1 非凸二次損失函數(shù)
4．2 基于非凸二次損失函數(shù)的魯棒最小二乘支持向量回歸機(jī)
4．2．1 RLS．SVR求解及算法實(shí)現(xiàn)
4．2．2 收斂性和復(fù)雜度分析
4．3 數(shù)值實(shí)驗(yàn)
4．3．1 模擬數(shù)據(jù)實(shí)驗(yàn)
4．3．2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)
4．3．3 參數(shù)分析
4．4 本章小結(jié)
第5章基于Laplace損失函數(shù)的魯棒最小二乘支持向量回歸機(jī)
5．1 基于Laplace損失函數(shù)的魯棒最小二乘支持向量回歸機(jī)
5．2 算法實(shí)現(xiàn)
5．3 數(shù)值實(shí)驗(yàn)
5．3．1 模擬數(shù)據(jù)實(shí)驗(yàn)
5．3．2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)
5．4 本章小結(jié)
第6章基于最大相關(guān)熵準(zhǔn)則的魯棒中心支持向量回歸機(jī)
6．1 中心支持向量回歸機(jī)
6．2 最大相關(guān)熵準(zhǔn)則
6．3 基于最大相關(guān)熵準(zhǔn)則的魯棒中心支持向量回歸機(jī)
6．4 數(shù)值實(shí)驗(yàn)
6．4．1 模擬實(shí)驗(yàn)
6．4．2 真實(shí)數(shù)據(jù)實(shí)驗(yàn)
6．5 本章小結(jié)
第7章抗標(biāo)簽噪聲的魯棒最小二乘支持向量回歸機(jī)
7．1 魯棒最小二乘支持向量分類機(jī)
7．1．1 最小二乘支持向量分類機(jī)
7．1．2 Ramp損失函數(shù)
7．1．3 基于Ramp損失函數(shù)的魯棒最小二乘支持向量機(jī)
7．2 數(shù)值實(shí)驗(yàn)
7．3 本章小結(jié)
第8章最小二乘支持向量機(jī)在洪水流量和煤炭發(fā)熱量預(yù)測(cè)的應(yīng)用
8．1 最小二乘支持向量機(jī)在洪水流量預(yù)測(cè)應(yīng)用
8．1．1 滾動(dòng)時(shí)間窗
8．1．2 新疆瑪納斯河流域洪水流量預(yù)測(cè)應(yīng)用
8．2 最小二乘支持向量機(jī)在煤炭發(fā)熱量的預(yù)測(cè)應(yīng)用
8．2．1 模型評(píng)價(jià)指標(biāo)
8．2．2 山西煤炭主產(chǎn)區(qū)煤炭發(fā)熱量預(yù)測(cè)應(yīng)用
8．3 本章小結(jié)
后記
參考文獻(xiàn)