支持向量機(jī)理論及工程應(yīng)用實(shí)例

前言

支持向量機(jī)是在20世紀(jì)90年代由Vapnik等人研究并迅速發(fā)展起來的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。支持向量機(jī)以統(tǒng)計(jì)學(xué)習(xí)理論為理論體系，通過尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化來實(shí)現(xiàn)實(shí)際風(fēng)險(xiǎn)的最小化，追求在有限信息的條件下得到最優(yōu)結(jié)果。以往困擾機(jī)器學(xué)習(xí)方法的很多問題，如模型選擇與學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小問題等，通過支持向量機(jī)可得到一定程度上的解決。隨著支持向量機(jī)理論的不斷發(fā)展和成熟，加之神經(jīng)網(wǎng)絡(luò)等學(xué)習(xí)方法在理論上缺乏實(shí)質(zhì)性進(jìn)展，支持向量機(jī)開始受到越來越廣泛的重視。.本書共分為8章，第1章統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)，第2章支持向量機(jī)基礎(chǔ)，第3章支持向量機(jī)的分類、回歸問題及應(yīng)用，第4章應(yīng)用背景及混合氣體紅外光譜分析基礎(chǔ)，第5章基于sVM和紅外光譜的含烴類混合氣體分析方法，第6章含烴類混合氣體分析方法的實(shí)際應(yīng)用研究，第7章層次式sVM子集含烴類混合氣體光譜分析框架研究，第8章石油天然氣紅外光譜分析系統(tǒng)的集成應(yīng)用。通過本書內(nèi)容的學(xué)習(xí)，讀者可掌握統(tǒng)計(jì)學(xué)習(xí)的基本理論，學(xué)會(huì)用支持向量機(jī)理論處理信息的基本方法，了解支持向量機(jī)理論及應(yīng)用的最新研究與進(jìn)展，為開展科學(xué)研究打好基礎(chǔ)。誠然，sLT理論和sVM方法處在發(fā)展階段，很多方面尚不完善。例如，許多理論目前還只有理論上的意義，尚不能在實(shí)際算法中實(shí)現(xiàn)。有關(guān)SVM算法的某些理論解釋也并非完美。sVM方法中如何根據(jù)具體問題選擇適當(dāng)?shù)膬?nèi)積函數(shù)也沒有理論依據(jù)。因此，在這方面我們可做的事情是很多的。希望本書的出版能促進(jìn)支持向量機(jī)在我國(guó)各個(gè)應(yīng)用領(lǐng)域的普及，以期能給相關(guān)領(lǐng)域的理論研究者和應(yīng)用工作者提供一些思路和幫助?？哲姽こ檀髮W(xué)電路教研室的各位老師對(duì)本書的完成給予了大力支持和幫助，在此表示衷心感謝。本書得以順利出版還要感謝西安電子科技大學(xué)出版社，尤其要感謝云立實(shí)副編審的支持和幫助。由于編著者水平有限，書中不當(dāng)之處在所難免，敬請(qǐng)讀者批評(píng)指正，不吝賜教。

內(nèi)容概要

　　《支持向量機(jī)理論及工程應(yīng)用實(shí)例》從機(jī)器學(xué)習(xí)的基本問題開始，循序漸進(jìn)地介紹了相關(guān)的內(nèi)容，包括線性分類器、核函數(shù)特征空間、推廣性理論和優(yōu)化理論，從而引出了支持向量機(jī)的算法，進(jìn)而將支持向量機(jī)應(yīng)用到實(shí)際的工程實(shí)例中?！　　吨С窒蛄繖C(jī)理論及工程應(yīng)用實(shí)例》共分為8章，第1章統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)，第2章支持向量機(jī)基礎(chǔ)，第3章支持向量機(jī)的分類、回歸問題及應(yīng)用，第4章應(yīng)用背景及混合氣體紅外光譜分析基礎(chǔ)，第5章基于sVM和紅外光譜的含烴類混合氣體分析方法，第6章含烴類混合氣體分析方法的實(shí)際應(yīng)用研究，第7章層次式sVM子集含烴類混合氣體光譜分析框架研究，第8章石油天然氣紅外光譜分析系統(tǒng)的集成應(yīng)用。

書籍目錄

第1章 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)1.1 機(jī)器學(xué)習(xí)1.1.1 基于數(shù)據(jù)的機(jī)器學(xué)習(xí)問題模型1.1.2 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化1.2 統(tǒng)計(jì)學(xué)習(xí)理論的產(chǎn)生1.3 學(xué)習(xí)過程的一致性條件1.4 VC維理論1.5 推廣性的界1.6 結(jié)構(gòu)風(fēng)險(xiǎn)最小化1.6.1 結(jié)構(gòu)風(fēng)險(xiǎn)最小化的含義1.6.2 SRM原則的實(shí)現(xiàn)第2章 支持向量機(jī)基礎(chǔ)2.1 SVM的基本思想2.1.1 最段分類面2.1.2 廣義的最段分類面2.2 核函數(shù)2.3 支持向量機(jī)的經(jīng)典算法剖析2.3.1 算法概述2.3.2 SMO算法2.3.3 C-SVM算法及其變形算法2.3.4 U－SVM算法2.4 XMO算法的自適應(yīng)學(xué)習(xí)改進(jìn)方法2.4.1 SMO算法與二次規(guī)劃2.4.2 自適應(yīng)學(xué)習(xí)方法2.4.3 實(shí)驗(yàn)結(jié)果2.5 LibSVM軟件2.5.1 LibSVM軟件簡(jiǎn)介2.5.2 LibSVM軟件的使用方法第3章 支持身量機(jī)的分類、回歸問題及應(yīng)用3.1 分類問題的提出及SVM分類原理3.1.1 分類問題的提出及SVM分類原理3.1.2 線性分類3.1.3 非線性分類3.2 多類分類問題3.2.1 多類分類原理3.2.2 經(jīng)典多類分類算法簡(jiǎn)介3.3 SVM回歸原理3.3.1 SVM回歸問題的描述3.3.2 線性支持向量機(jī)回歸3.3.3 非線性支持向量機(jī)回歸3.4 基于關(guān)聯(lián)規(guī)則的SVM在線分類方法3.4.1 基本思路3.4.2 混合氣體分布模式中心集的生成3.4.3 分布模式SVM的在線學(xué)習(xí)3.5 壓力傳感器支持向量機(jī)的校正方法3.5.1 支持身量機(jī)與壓力傳感器的特性校正原理3.5.2 實(shí)驗(yàn)及分析3.6 支持向量機(jī)回歸用于分類3.6.1 思路及推導(dǎo)證明3.6.2 應(yīng)用實(shí)例3.7 基于支持向量機(jī)的設(shè)備備件供應(yīng)研究3.7.1 設(shè)備備件供應(yīng)保障概述3.7.2 基于LS-SVM的設(shè)備備件多元類3.7.3 基于SVM的設(shè)備備件需求預(yù)測(cè)第4章 應(yīng)用背景及混合氣體紅外光譜分析基礎(chǔ)4.1 研究背景與意義4.2 氣測(cè)錄井中混合氣體分析的發(fā)、現(xiàn)狀及存在的問題4.2.1 氣相色譜分析4.2.2 紅外光譜分析4.3 支持向量機(jī)與紅外光譜分析結(jié)合4.3.1 問題的提出4.3.2 研究方法4.3.3 技術(shù)路線4.4 紅外光譜分析理論基礎(chǔ)4.4.1 Lambert-Beer吸收定律4.4.2 紅外光譜理論4.4.3 傅立葉變換紅外光譜儀4.5 紅外光譜數(shù)據(jù)的描述及分析方法4.5.1 紅外光譜數(shù)據(jù)的描述4.5.2 紅外光譜分析方法4.6 紅外光譜分析4.6.1 紅外光譜的定性分析4.6.2 紅外光譜的定量分析第5章 基于SVM和紅外光譜的含烴類混合氣體分析方法第6章 含烴類混合氣體分析方法的實(shí)際應(yīng)用研究第7章 層次式SVM子集含烴類混合氣體光譜分析框架研究第8章 石油天然氣紅外光譜分析系統(tǒng)的集成應(yīng)用參考文獻(xiàn)

章節(jié)摘錄

第1章 統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)機(jī)器學(xué)習(xí)（Machine Learning,ML）是人工智能（Artificial Intelligence,AI）最具智能特征、最前沿的研究領(lǐng)域之一?；跀?shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)問題是現(xiàn)代智能計(jì)算技術(shù)的一個(gè)重要分支?；跀?shù)據(jù)的統(tǒng)計(jì)學(xué)習(xí)不同于傳統(tǒng)的以漸進(jìn)理論為基礎(chǔ)的統(tǒng)計(jì)學(xué)，它模擬人類從實(shí)例中學(xué)習(xí)歸納的能力，主要研究如何從一些觀測(cè)數(shù)據(jù)中挖掘出目前尚不能通過原理分析得到的規(guī)律，并利用這些規(guī)律去分析客觀對(duì)象，對(duì)未知數(shù)據(jù)或無法觀測(cè)的新數(shù)據(jù)進(jìn)行預(yù)測(cè)和判斷。本章對(duì)機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)習(xí)理論的生、學(xué)習(xí)過程的一致性條件、VC維理論、推廣性的界、結(jié)構(gòu)風(fēng)險(xiǎn)最小化等統(tǒng)計(jì)學(xué)習(xí)理論的基本內(nèi)容進(jìn)行了概述，為后續(xù)章節(jié)的學(xué)習(xí)提供理論基礎(chǔ)。1.1 機(jī)器學(xué)習(xí)學(xué)習(xí)能力是學(xué)習(xí)行為的一個(gè)非常重要的特征，但至今人類對(duì)學(xué)習(xí)的機(jī)理尚不清楚。研究人員曾對(duì)學(xué)習(xí)給出過各種定義。H.A.Simon認(rèn)為，學(xué)習(xí)是系統(tǒng)所作的適應(yīng)性變化，以使得系統(tǒng)在下一次完成同樣或類似的任務(wù)時(shí)更為有效。R.S.Michalski認(rèn)為，學(xué)0 習(xí)是構(gòu)造或修改對(duì)于所經(jīng)歷事物的表示。從事具體智能系統(tǒng)研制的學(xué)者則認(rèn)為學(xué)習(xí)是知識(shí)的獲取。上述觀點(diǎn)各有側(cè)重，第一種觀點(diǎn)強(qiáng)調(diào)學(xué)習(xí)的外部行為效果，第二種則強(qiáng)調(diào)學(xué)習(xí)的內(nèi)部過程。機(jī)器學(xué)習(xí)主要研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)，使之不斷改善自身的性能。

編輯推薦

《支持向量機(jī)理論及工程應(yīng)用實(shí)例》適合高等院校高年級(jí)本科生、研究生、教師和相關(guān)科研人員及相關(guān)領(lǐng)域的工作者使用。《支持向量機(jī)理論及工程應(yīng)用實(shí)例》既可作為研究生教材，也可作為神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等課程的參考教材。

圖書封面

圖書標(biāo)簽Tags

無

評(píng)論、評(píng)分、閱讀與下載

---

    支持向量機(jī)理論及工程應(yīng)用實(shí)例 PDF格式下載

---