支持向量机建模及其智能优化PDF电子书下载

第1章 绪论 1

1.1 引言 1

1.2 模型预测方法 2

1.3 统计学习理论基础 3

1.3.1 VC维 3

1.3.2 经验风险最小化原则 3

1.3.3 结构风险最小化原则 4

1.4 支持向量机的提出 7

1.5 支持向量机理论 8

1.5.1 分类支持向量机 8

1.5.2 回归支持向量机 12

1.6 支持向量机算法研究 16

1.6.1 块算法 16

1.6.2 分解算法 17

1.6.3 并行学习算法 17

1.6.4 原始空间中的学习算法 18

1.6.5 集成学习算法 18

1.6.6 复杂条件下的学习算法 18

1.7 支持向量机的参数优化 19

1.7.1 参数对支持向量机的影响 19

1.7.2 遗传算法优化支持向量机 20

1.7.3 蚁群算法优化支持向量机 21

1.7.4 粒子群算法优化支持向量机 22

参考文献 22

第2章 连续过松弛和严格凸二次规划的支持向量机 28

2.1 支持向量机的大规模训练样本方法 28

2.1.1 块算法 29

2.1.2 固定工作样本集法 29

2.1.3 增量学习算法 30

2.1.4 最小二乘算法 32

2.1.5 连续过松弛算法 33

2.2 连续过松弛和严格凸二次规划的支持向量机建模方法 34

2.2.1 严格的凸二次规划 34

2.2.2 快速支持向量机算法FSVM 35

2.2.3 仿真实验及结果 37

2.2.4 小结 43

2.3 基于FSVM方法在带钢连续热镀锌质量建模中的应用 43

2.3.1 带钢连续热镀锌生产概述 43

2.3.2 冷轧热镀锌带钢的产品质量及其影响因素 43

2.3.3 模型参数的确定和样本的收集 45

2.3.4 数据预处理 46

2.3.5 预测模型的评判和参数选择 46

2.3.6 建立锌层重量预测模型 47

2.3.7 小结 49

参考文献 49

第3章 基于模糊C均值和SNN相似度的粒度支持向量机 52

3.1 粒度计算 52

3.1.1 词计算模型 53

3.1.2 粗糙集模型 54

3.1.3 商空间模型 55

3.2 粒度支持向量机 56

3.2.1 粒度支持向量机的研究现状 56

3.2.2 粒度支持向量机理论 57

3.3 核模糊C均值聚类 59

3.3.1 K均值聚类 59

3.3.2 模糊C均值聚类 60

3.3.3 核模糊C均值聚类 62

3.4 基于核模糊C均值聚类的粒度支持向量机 63

3.4.1 算法原理及流程 63

3.4.2 仿真实验 64

3.4.3 小结 67

3.5 基于SNN相似度的粒度支持向量机 68

3.5.1 共享最近邻相似度 68

3.5.2 k最近邻连通度 69

3.5.3 GSVM-SNN算法步骤 71

3.5.4 仿真实验 72

3.5.5 小结 76

3.6 粒度支持向量回归机在甲醇合成中应用 77

3.6.1 粒度支持向量回归机 77

3.6.2 甲醇合成过程 78

3.6.3 影响甲醇合成的关键参数 80

3.6.4 甲醇合成建模 82

参考文献 84

第4章 基于凸壳和KKT条件的增量支持向量机 87

4.1 支持向量机增量学习 87

4.2 主动学习 91

4.3 凸壳理论 92

4.4 基于KKT条件约束的增量支持向量机 95

4.4.1 算法原理 95

4.4.2 算法步骤 97

4.4.3 实验分析 97

4.5 基于凸壳和KKT条件约束的增量支持向量机建模方法 102

4.5.1 主动学习算法性能 103

4.5.2 基于主动学习的支持向量机增量学习算法性能 104

4.6 小结 108

参考文献 109

第5章 误差校正的混合核函数在线支持向量机 112

5.1 在线支持向量机 112

5.2 精确在线支持向量回归机算法原理 114

5.3 核函数分析 119

5.3.1 单一核函数 119

5.3.2 混合核函数 120

5.4 混合核函数的精确在线支持向量机 121

5.4.1 数据预处理 121

5.4.2 算法步骤 122

5.4.3 仿真实验 123

5.4.4 小结 124

5.5 基于误差校正的混合核函数精确在线支持向量机 125

5.5.1 误差校正 125

5.5.2 仿真实验 126

5.5.3 小结 128

5.6 在线支持向量机在甲醇合成中的应用 128

5.6.1 模型的参数选择 128

5.6.2 甲醇合成在线支持向量机建模 129

参考文献 132

第6章 基于邻域自适应选取和双种群的粒子群优化支持向量机 133

6.1 粒子群优化方法 133

6.1.1 粒子群优化算法概述 133

6.1.2 标准粒子群算法 134

6.1.3 基本流程 135

6.2 非线性惯性权重和邻域自适应选取的粒子群优化支持向量机 136

6.2.1 对粒子速度与位置更新策略的改进 136

6.2.2 对惯性权重搜索方法的改进 137

6.2.3 IPSO优化SVM 137

6.2.4 实验分析 139

6.3 双种群的粒子群优化支持向量机 143

6.3.1 基于双种群的粒子群优化算法 143

6.3.2 双种群粒子群优化算法寻优过程模拟 145

6.3.3 基于DP-PSO优化SVM的步骤及流程 150

6.3.4 预测模型的评价指标 151

6.3.5 实验分析 152

6.3.6 小结 154

参考文献 155

第7章 权重分配的分段蚁群算法优化支持向量机 157

7.1 蚁群算法 157

7.1.1 蚁群算法的原理 157

7.1.2 蚁群算法的数学模型 158

7.1.3 蚁群算法的特点 160

7.1.4 蚁群算法的若干改进 161

7.2 分段蚁群算法优化SVM 163

7.3 权重分配蚁群算法优化SVM 165

7.4 基于权重分配的分段蚁群优化SVM的甲醇合成转化率预测 170

7.5 小结 173

参考文献 173