基于再生核的机器学习方法PDF电子书下载

第1章 绪论 1

1.1 研究的背景和意义 1

1.2 核方法的类型概述 5

1.2.1 有监督型核方法 5

1.2.2 无监督型核方法 7

1.3 核方法研究进展 9

1.3.1 支持向量机研究进展 9

1.3.2 核函数构建以及模型选择 12

1.3.3 其他核方法的研究进展 14

1.4 本书的主要研究内容以及组织结构 15

1.4.1 本书的研究内容 15

1.4.2 本书的组织结构 16

第2章 机器学习及再生核方法基本理论 18

2.1 引言 18

2.2 机器学习方法所要解决的问题 18

2.3 度量机器学习方法性能的指标 20

2.4 基于再生核的机器学习方法的基本原理 22

2.5 支持向量机（Support Vector Machines，SVM） 24

2.6 最小最大概率机（Minimax Probability Machine，MPM） 27

2.6.1 用于分类的最小最大概率机 27

2.6.2 用于回归的最小最大概率机 33

2.7 小结 35

第3章 基于类间距离的核参数选择 37

3.1 引言 37

3.2 相关工作 39

3.3 特征空间中的两类间距离（Distance Between Two Classes，DBTC） 42

3.3.1 DBTC的定义 42

3.3.2 基于DBTC的特征空间数据分布 43

3.3.3 DBTC与最大间隔以及其他可分性度量的关系 44

3.3.4 针对高斯核函数的DBTC几何结构分析 47

3.3.5 DBTC的优势 52

3.4 基于DBTC的核参数选择 55

3.5 数值仿真结果 57

3.5.1 仿真条件 57

3.5.2 仿真结果 58

3.6 小结 65

第4章 数据依赖的核函数修改 66

4.1 引言 66

4.2 特征空间的几何结构分析 67

4.2.1 核函数 67

4.2.2 核函数引入的特征空间几何结构 68

4.3 相关工作 69

4.4 核函数的修改 70

4.4.1 算法的提出 70

4.4.2 参数选择 73

4.5 仿真计算 75

4.5.1 核Fisher判别分析 76

4.5.2 仿真结果 76

4.6 小结 87

第5章 基于核方法的时间序列建模与预测 90

5.1 引言 90

5.2 预测问题的提出 91

5.2.1 相空间重构 91

5.2.2 预测模型 92

5.3 基于递归最小二乘支持向量机的时间序列预测 93

5.3.1 递归最小二乘支持向量机预测算法 93

5.3.2 改进的递归最小二乘支持向量机预测算法 96

5.4 基于最小最大概率机的时间序列预测 99

5.4.1 回归模型 99

5.4.2 基于最小最大回归机的预测算法 101

5.4.3 仿真结果 102

5.5 小结 119

第6章 总结与展望 120

6.1 总结 120

6.2 工作展望 121

参考文献 123