基于特權信息的灰色支持向量機

第1章 支持向量機基本原理
1.1 支持向量機的產(chǎn)生與發(fā)展
1.2 支持向量機相關理論
1.2.1 統(tǒng)計學習理論
1.2.2 支持向量機訓練算法
1.2.3 線性支持向量機
1.2.4 具有軟間隔和優(yōu)化的SVC
1.2.5 非線性支持向量機
1.2.6 核函數(shù)
1.3 支持向量機的研究現(xiàn)狀
1.3.1 SVM的理論研究
1.3.2 改進的SVM訓練算法
1.3.3 SVM方法的應用研究
1.3.4 SVM的研究進展
1.3.5 軟件實現(xiàn)
1.3.6 本章小結
第2章 灰色系統(tǒng)基本原理
2.1 灰色系統(tǒng)理論的產(chǎn)生與發(fā)展
2.2 灰色系統(tǒng)簡介
2.2.1 不確定方法
2.2.2 灰色系統(tǒng)的基本概念
2.2.3 灰色系統(tǒng)理論的基本原理
2.2.4 灰數(shù)
2.3 序列算子與灰色序列生成
2.3.1 沖擊擾動系統(tǒng)與序列算子
2.3.2 緩沖算子的定義和性質
2.3.3 緩沖算子構造
2.3.4 均值生成算子
2.3.5 序列的光滑性
2.3.6 級比生成算子
2.3.7 累加生成算子和累減生成算子
2.3.8 灰指數(shù)律
2.4 灰色關聯(lián)分析
2.4.1 灰色關聯(lián)因素和關聯(lián)算子集
2.4.2 灰色關聯(lián)公理與灰色關聯(lián)度
2.4.3 灰色關聯(lián)分析的應用舉例
2.4.4 廣義灰色關聯(lián)度
2.4.5 灰色相對關聯(lián)度
2.4.6 灰色綜合關聯(lián)度
2.5 灰色系統(tǒng)模型
2.5.1 GM（1，1）模型
2.5.2 殘差GM（1，1）模型
2.6 灰色系統(tǒng)預測
2.6.1 灰色預測
2.6.2 數(shù)列預測
2.7 本章小結
第3章 基于特權信息的支持向量機
3.1 基于特權信息的支持向量機一階模型
3.1.1 基于特權信息的支持向量機基本原理
3.1.2 全部訓練樣本存在特權信息的支持向量機基本原理
3.1.3 全部訓練樣本存在特權信息且松弛變量改動的支持向量機基本原理
3.1.4 部分訓練樣本存在特權信息的支持向量機基本原理
3.1.5 特權信息來自多空間的支持向量機基本原理
3.2 基于特權信息的支持向量機二階模型
3.2.1 部分樣本存在特權信息且松弛變量改動的支持向量機基本原理
3.2.2 特權信息來自多空間且松弛變量改動的支持向量機基本原理
3.2.3 部分訓練樣本存在特權信息且特權信息來自多空間的支持向量機基本原理
3.3 基于特權信息的支持向量機三階模型
3.3.1 部分訓練樣本存在特權信息來自多空間的松弛變量改動支持向量模型
3.3.2 部分訓練樣本存在特權信息且特權信息來自多空間的松弛變量改動支持向量模型的對偶問題
3.4 基于特權信息的灰色支持向量機模型
3.4.1 灰色支持向量機
3.4.2 基于特權信息的灰色支持向量機
3.5 本章小結
第4章 仿真實驗
4.1 rSVM+的仿真實驗
4.1.1 數(shù)據(jù)集
4.1.2 實驗設置細節(jié)
4.1.3 仿真測試結果
4.2 pSVM+的仿真實驗
4.2.1 數(shù)據(jù)集
4.2.2 實驗設置細節(jié)
4.2.3 仿真測試結果
4.3 gSVM+的仿真實驗
4.3.1 數(shù)據(jù)集
4.3.2 實驗設置細節(jié)
4.3.3 仿真測試結果
4.4 本章小結
第5章 基于LIBSVM的SVM應用
5.1 LIBSVM的安裝（MATLAB）
5.1.1 LIBSVM安裝步驟
5.1.2 LIBSVM庫文件說明
5.2 LIBSVM的數(shù)據(jù)格式及制作
5.2.1 LIBSVM的數(shù)據(jù)及其格式
5.2.2 LIBSVM數(shù)據(jù)格式制作
5.3 LIBSVM的使用方法
5.3.1 svm-scale的用法
5.3.2 svmtrain的用法
5.3.3 svmpredict的用法
5.4 SVM應用之意大利葡萄酒種類識別
5.4.1 數(shù)據(jù)集
5.4.2 數(shù)據(jù)預處理
5.4.3 訓練與預測
5.4.4 參數(shù)選擇
5.5 本章小結
參考文獻
后記