第1章 绪论 1
1.1 计算机应用的历史回顾 1
1.2 计算机学习的基本问题 2
1.3 SVM方法的基本思想 6
1.4 SVM方法的特点和应用展望 8
1.5 SVM方法的参数优化 10
1.6 本章小结 10
第2章 线性支持向量机模式识别 11
2.1 模式识别问题的表述 11
2.2 最优划分超平面与支持向量的概念 13
2.3 最优划分超平面的求解 15
2.4 线性不可分问题的求解 20
2.5 线性多类分类问题的求解 22
2.6 本章小结 26
第3章 非线性支持向量机模式识别 27
3.1 数学预备知识 28
3.2 非线性映射与特征空间 32
3.3 特征空间中的线性学习机 34
3.4 Mercer核和内积 35
3.5 基于核方法的非线性SVM 38
3.6 SVM方法的特点 39
3.7 本章小结 41
第4章 支持向量机回归分析 42
4.1 回归分析的问题表述 42
4.2 ε-不敏感函数 43
4.3 最优回归超平面与SVM线性回归 44
4.4 非线性SVM回归 48
4.5 SVM回归方法的特点 50
4.6 本章小结 54
第5章 关于支持向量机方法的进一步思考 55
5.1 从样本到样本的推理 55
5.2 SVM方法的非线性本质 56
5.3 关于核方法 57
5.4 学习机性能的评价 60
5.5 标准SVM及其变种 62
5.6 SVM方法的弱点和“开问题” 63
5.7 本章小结 63
第6章 统计学习理论 65
6.1 ERM归纳原则 65
6.2 统计学习的基本定理 67
6.3 函数集的VC维 70
6.4 VC维与生长函数的关系 76
6.5 关于学习机推广能力的界 77
6.6 SRM归纳原则 81
6.7 本章小结 83
第7章 CMSVM 2.0软件平台及其使用方法 84
7.1 CMSVM软件平台的设计思路 84
7.2 CMSVM 2.0软件平台概述 87
7.3 CMSVM 2.0的安装及系统目录结构 88
7.4 数据文件格式要求 89
7.5 CMSVM 2.0使用说明 92
7.6 运行生成文件和对应查询 109
7.7 关于CMSVM系统中的核函数 118
7.8 关于CMSVM系统中的其他参数 122
7.9 关于CMSVM系统中的参数寻优 124
7.10 本章小结 128
第8章 支持向量机方法在天气预报中的应用 129
8.1 SVM方法用于降水预报和温度预报的建模实例 130
8.2 SVM方法用于预报因子筛选的实例 135
8.3 SVM方法用于短期气候预测 146
8.4 SVM与ANN方法预报效果的比较 148
8.5 本章小结 151
参考文献 152
附录 支持向量机方法在天气预报中应用论文索引 154