第1章 统计学习理论基础 1
1.1机器学习 1
基于数据的机器学习问题模型 2
经验风险最小化 5
1.2统计学习理论的产生 5
1.3学习过程的一致性条件 7
1.4 VC维理论 8
1.5推广性的界 9
1.6结构风险最小化 10
结构风险最小化的含义 10
SRM原则的实现 11
第2章 支持向量机基础 13
2.1 SVM的基本思想 13
最优分类面 14
广义的最优分类面 15
2.2核函数 17
2.3支持向量机的经典算法剖析 20
算法概述 21
SMO算法 23
C-SVM算法及其变形算法 28
v-SVM算法 30
2.4 SMO算法的自适应学习改进方法 32
SMO算法与二次规划 33
自适应学习方法 33
实验结果 34
2.5 LibSVM软件 36
LibSVM软件简介 36
LibSVM软件的使用方法 37
第3章 支持向量机的分类、回归问题及应用 41
3.1分类问题的提出及SVM分类原理 41
线性分类 43
近似线性分类 44
非线性分类 45
3.2多类分类问题 46
多类分类原理 47
经典多类分类算法简介 48
3.3 SVM回归原理 53
SVM回归问题的描述 53
线性支持向量机回归 55
非线性支持向量机回归 56
3.4基于关联规则的SVM在线分类方法 57
基本思路 58
混合气体分布模式中心集的生成 59
分布模式SVM的在线学习 60
3.5压力传感器支持向量机的校正方法 62
支持向量机与压力传感器的特性校正原理 62
实验及分析 64
3.6支持向量机回归用于分类 66
思路及推导证明 66
应用实例 67
3.7基于支持向量机的设备备件供应研究 69
设备备件供应保障概述 69
基于LS-SVM的设备备件多元分类 70
基于SVM的设备备件需求预测 73
第4章 应用背景及混合气体红外光谱分析基础 77
4.1研究背景与意义 77
4.2气测录井中混合气体分析的发展、现状及存在的问题 79
气相色谱分析 79
红外光谱分析 82
4.3支持向量机与红外光谱分析结合 87
问题的提出 87
研究方法 88
技术路线 88
4.4红外光谱分析理论基础 88
Lambert-Beer吸收定律 89
红外光谱理论 90
傅立叶变换红外光谱仪 92
4.5红外光谱数据的描述及分析方法 95
红外光谱数据的描述 95
红外光谱分析方法 96
4.6红外光谱分析 97
红外光谱的定性分析 97
红外光谱的定量分析 100
第5章 基于SVM和红外光谱的含烃类混合气体分析方法 105
5.1分析方法的基本工作模式及处理流程 105
分析思路 106
含烃类混合气体组分浓度的SVM分析原理 107
实验装置 108
处理流程 108
5.2含烃类混合气体的基本工作模式分析 110
混合气体样本的建立 110
光谱数据预处理 112
SVM校正模型的训练与检验 112
SVM校正模型的实现 113
第6章 含烃类混合气体分析方法的实际应用研究 115
6.1含烃类混合气体分析方法的参数选择 115
SVM校正模型参数对分析结果的影响 115
光谱数据预处理——归一扩展法 117
光谱分析波段对结果的影响 119
红外光谱仪扫描间隔对结果的影响 120
参数选择结果 121
6.2二氧化碳气体浓度分析 122
混合气体样本的建立 122
光谱数据预处理 124
SVM校正模型的训练与检验 124
SVM校正模型的实现 124
6.3含烃类混合气体组分浓度分析 125
单组分气体实验 125
两组分气体实验 127
多组分气体实验 128
6.4含烃类混合气体组分种类分析 129
SVM校正模型用于混合气体组分种类识别的原理 129
实际应用 130
第7章 层次式SVM子集含烃类混合气体光谱分析框架研究 131
7.1层次式SVM子集混合气体分析框架 131
基本概念 131
层次式SVM子集原理 132
实验结果 134
7.2层次式SVM子集含烃类混合气体的光谱分析集成框架 135
分析集成框架的结构 135
混合气体分布子模式的建立 136
SVM模型的建立及优化 138
分析结果 140
第8章 石油天然气红外光谱分析系统的集成应用 141
8.1实验系统 141
配气系统 141
红外光谱数据样本制作系统 144
SVM校正模型 148
8.2系统集成框架 148
系统总体框架 149
系统硬件 149
系统软件 150
系统功能 153
8.3现场应用 153
性能指标评估 153
运行状况 155
参考文献 156