SVM分類算法及其在管道泄漏檢測中的應(yīng)用

目錄
1概述（1）
1.1數(shù)據(jù)挖掘技術(shù)的產(chǎn)生、發(fā)展及應(yīng)用（2）
1.2數(shù)據(jù)挖掘技術(shù)簡述（5）
1.2.1數(shù)據(jù)挖掘的任務(wù)和步驟（5）
1.2.2數(shù)據(jù)挖掘系統(tǒng)總體結(jié)構(gòu)（6）
1.3數(shù)據(jù)分類技術(shù)簡述（6）
1.3.1分類問題概述（6）
1.3.2經(jīng)典的分類算法概述（7）
1.3.3常見的數(shù)據(jù)分類問題概述（18）
1.3.4數(shù)據(jù)預(yù)處理（20）
1.3.5分類算法性能評(píng)價(jià)（22）
1.4管道泄漏檢測技術(shù)（28）
1.4.1管道泄漏檢測技術(shù)概述（28）
1.4.2SVM分類技術(shù)在管道泄漏檢測中的應(yīng)用（31）
參考文獻(xiàn)（34）
2支持向量分類機(jī)及其理論基礎(chǔ)（38）
2.1最優(yōu)化理論（38）
2.2統(tǒng)計(jì)學(xué)習(xí)理論的基本思想（42）
2.3支持向量分類機(jī)（45）
2.4核函數(shù)（52）
2.5SVM參數(shù)選擇（58）
2.6本章小結(jié)（58）
參考文獻(xiàn)（59）
3基于樣本選擇策略的SMOTE-SVM算法對(duì)于非均衡數(shù)據(jù)的分類
研究（60）
3.1非均衡數(shù)據(jù)分類概述（61）
3.1.1算法層面上的研究（61）
3.1.2數(shù)據(jù)層面上的研究（62）
3.2現(xiàn)有算法描述（63）
3.2.1SMOTE算法（63）
3.2.2Random-SMOTE算法（65）
3.2.3基于樣本分類貢獻(xiàn)的AKN樣本選擇策略（65）
3.2.4K-means算法（67）
3.3改進(jìn)的SMOTE-SVM算法(AKN-Random-SMOTE-SVM)設(shè)計(jì)（67）
3.3.1基于中心距離比值的異類K近鄰個(gè)數(shù)提取算法設(shè)計(jì)（68）
3.3.2改進(jìn)的異類K近鄰支持向量加速算法設(shè)計(jì)（69）
3.3.3刪除重疊樣本點(diǎn)算法設(shè)計(jì)（69）
3.3.4AKN-Random-SMOTE-SVM算法流程（70）
3.4數(shù)值實(shí)驗(yàn)及結(jié)果（71）
3.4.1實(shí)驗(yàn)設(shè)置（71）
3.4.2實(shí)驗(yàn)結(jié)果與分析（72）
3.5本章小結(jié)（79）
參考文獻(xiàn)（80）
4基于SVDD的FSVM算法對(duì)于高噪聲數(shù)據(jù)的分類研究（83）
4.1模糊支持向量分類機(jī)概述（84）
4.2基于平均密度的去噪算法描述（86）
4.3SVDD算法描述（87）
4.4基于SVDD的FSVM改進(jìn)算法(IFSVM)設(shè)計(jì)（89）
4.4.1隸屬度函數(shù)描述（89）
4.4.2隸屬度函數(shù)優(yōu)化與改進(jìn)（91）
4.4.3IFSVM算法步驟（97）
4.5數(shù)值實(shí)驗(yàn)及結(jié)果（98）
4.6本章小結(jié)（104）
參考文獻(xiàn)（104）
5基于平衡二叉決策樹的SVM多分類算法研究（106）
5.1SVM多分類算法概述（107）
5.2基于類間分離性測度的決策樹多分類算法概述（112）
5.2.1類間分離性測度（113）
5.2.2現(xiàn)有算法描述（114）
5.3基于平衡二叉決策樹改進(jìn)多分類算法(IBDT-SVM算法)設(shè)計(jì)（114）
5.3.1改進(jìn)的類間分離性測度（115）
5.3.2基于Class-grouping-by-majority原則的類劃分算法（116）
5.3.3IBDT-SVM算法步驟（119）
5.4數(shù)值實(shí)驗(yàn)及結(jié)果（120）
5.5本章小結(jié)（124）
參考文獻(xiàn)（125）
6基于廣義KKT條件的ISVM算法對(duì)于動(dòng)態(tài)數(shù)據(jù)的分類研究（127）
6.1ISVM算法概述（128）
6.2KKT條件與樣本分布（130）
6.2.1KKT條件與樣本分布的關(guān)系（130）
6.2.2GKKT條件與樣本分布的關(guān)系（132）
6.3ISVM經(jīng)典算法簡介（133）
6.3.1Simple-ISVM算法描述（133）
6.3.2PISVM算法描述（133）
6.3.3S-ISVM算法描述（134）
6.4基于GKKT條件的改進(jìn)ISVM算法(GGKKT-ISVM算法)設(shè)計(jì)（135）
6.4.1GKKT擴(kuò)展因子設(shè)置（135）
6.4.2分類器的二次修正（136）
6.4.3GGKKT-ISVM算法步驟（137）
6.5數(shù)值實(shí)驗(yàn)及結(jié)果（138）
6.6本章小結(jié)（142）
參考文獻(xiàn)（143）
7基于聚類中心直徑的ISVM算法對(duì)于動(dòng)態(tài)數(shù)據(jù)的分類研究（145）
7.1基于聚類中心直徑的SVM增量學(xué)習(xí)算法(CD-ISVM算法)（146）
7.1.1CD-ISVM算法簡述（146）
7.1.2邊界向量選取（147）
7.1.3訓(xùn)練集的確定（148）
7.1.4CD-ISVM算法步驟（149）
7.2數(shù)值實(shí)驗(yàn)與結(jié)果（150）
7.2.1實(shí)驗(yàn)數(shù)據(jù)集（150）
7.2.2實(shí)驗(yàn)結(jié)果及分析（151）
7.3本章小結(jié)（156）
參考文獻(xiàn)（157）
8基于SVM的數(shù)據(jù)分類算法在天然氣管道泄漏檢測中的應(yīng)用（158）
8.1相關(guān)理論（159）
8.1.1泄漏檢測方法（159）
8.1.2次聲波檢測法原理（161）
8.1.3基于小波包分解的能量特征提取方法（163）
8.2實(shí)驗(yàn)數(shù)據(jù)獲取及診斷方法（166）
8.3各改進(jìn)算法對(duì)于次聲波數(shù)據(jù)的泄漏檢測實(shí)驗(yàn)（169）
8.4本章小結(jié)（176）
參考文獻(xiàn)（176）