支持向量机建模及应用PDF电子书下载

第1章 支持向量机方法 1

1.1统计学习理论 1

1.1.1经验风险极小化原理 3

1.1.2结构风险极小化原理 4

1.2支持向量机学习方法 6

1.2.1基本形式 6

1.2.2基本性质 8

1.2.3其他形式 10

1.3支持向量机的发展现状 13

1.3.1误差界估计及模型选择 14

1.3.2算法加速 18

1.3.3与其他方法的融合 20

参考文献 21

第2章 支持向量机的模型选择 26

2.1模型选择问题 26

2.2基于尺度空间理论的核选择方法 28

2.3基于回归的核选择方法 41

2.4基于数据分布的模型选择方法 60

2.5基于凸包估计的核选择方法 67

参考文献 74

第3章 基于领域知识的支持向量机建模 76

3.1领域知识与支持向量机的融合 76

3.1.1经验知识 76

3.1.2不变性常识与SVM的融合技术 76

3.2基于最佳逼近点的不变性常识支持向量机模型 81

3.2.1基于最佳逼近点的不变性常识与支持向量机的融合方法 81

3.2.2数值实验 83

3.3基于时间相关性核的支持向量机模型 87

3.3.1时序核函数构造 87

3.3.2环境时序预测建模方法 88

3.3.3数值实验 89

参考文献 92

第4章 基于粒度计算的支持向量机建模 94

4.1粒度计算概述 94

4.1.1粒度计算的基本概念 94

4.1.2粒度计算的基本模型及现状 94

4.2粒度支持向量机概述 96

4.2.1粒度支持向量机基本思想 96

4.2.2几种典型的粒度支持向量机学习模型 98

4.3基于核方法的粒度支持向量机模型 99

4.3.1基于粒度核的粒度支持向量机模型 99

4.3.2基于核空间的GSVM模型 103

4.4基于多维关联规则的粒度支持向量机模型 111

4.4.1基于关联规则的粒度支持向量机学习模型 111

4.4.2基于多维关联规则的粒划分 113

4.4.3基于多维关联规则挖掘的GSVM学习方法 114

4.4.4实验结果与分析 116

参考文献 119

第5章 基于半监督学习的支持向量机建模 121

5.1半监督学习方法 121

5.2直推支持向量机学习模型 123

5.2.1直推支持向量机 123

5.2.2 LS-TSVM 124

5.3协同支持向量机学习模型 128

5.3.1经典的半监督协同训练方法 128

5.3.2基于差异性度量的支持向量回归机协同学习方法 129

参考文献 147

第6章 基于集成学习的支持向量机建模 151

6.1集成学习方法 151

6.1.1集成学习方法简介 151

6.1.2经典的集成学习方法 153

6.2集成学习建模 157

6.2.1基于Bagging算法的回归支持向量机集成建模 157

6.2.2基于特征选择的支持向量机Bagging模型 160

6.2.3选择性支持向量机集成模型 167

6.2.4面向大数据的集成支持向量机模型 174

6.2.5基于集成支持向量机的核参数选择 177

参考文献 182

第7章 大规模数据的支持向量机建模 185

7.1基于相似度度量的支持向量机建模 185

7.1.1支持向量机的训练算法 185

7.1.2基于相似度度量的快速支持向量回归方法 187

7.1.3数值实验 189

7.1.4算法在压缩训练集方面的有效性验证 189

7.1.5不同规模训练集上的实验分析 193

7.1.6相似度阈值在算法中的作用 195

7.1.7算法对大规模训练集的有效性验证 198

7.2基于神经网络的支持向量机建模 200

7.2.1神经网络简介 200

7.2.2基于ART神经网络的支持向量机 200

7.2.3基于SOM神经网络的支持向量机 201

7.2.4实验结果及相关分析 202

7.3基于增量学习的支持向量机模型 207

7.3.1面向分类的支持向量机增量学习模型 207

7.3.2面向回归的支持向量机增量学习模型 211

参考文献 220

第8章 支持向量机的应用 223

8.1支持向量机在空气质量预测中的应用 223

8.1.1基于神经网络的预测模型 223

8.1.2实验结果 224

8.2支持向量机在中文垃圾邮件过滤中的应用 228

8.2.1垃圾邮件过滤模型设计 229

8.2.2中文电子邮件的特征表示 231

8.2.3实验数据及评价指标 234

8.2.4数据实验及分析 235

8.3支持向量机在中文句法分析中的应用 241

8.3.1结构化支持向量机学习方法 242

8.3.2句法分析 243

8.3.3基于SVM-struct的中文句法分析方法 244

8.3.4实验结果与分析 246

8.4支持向量机在图像分类中的应用 252

8.4.1图像的特征提取与表示 252

8.4.2基于SVM的图像分类方法 254

8.5支持向量机在非平衡分类问题中的应用 259

8.5.1非平衡数据处理方法 259

8.5.2非平衡数据分类器性能评价标准 260

8.5.3基于多维关联规则挖掘的GSVM的非平衡数据学习方法 261

8.5.4基于聚类的GSVM的非平衡数据学习方法 267

参考文献 273