第1章 支持向量机的分类和回归模型 1
1.1多项式核函数 1
1.2 Mercer核 3
1.3再生核Hilbert空间 7
1.4正定核函数的构造 11
1.5二分类问题的数学提法 13
1.6平分最近点模型 14
1.7最大间隔模型 17
1.8平分最近点模型和最大间隔模型之间的关系 19
1.9回归问题的数学提法 23
1.10硬ε-带超平面 24
1.11基于分类的回归模型 25
参考文献 34
第2章 分解算法 36
2.1无约束问题的提法 36
2.2分解算法的提出 38
2.3选块算法 39
2.4 SVM Light算法 41
2.5 Platt的SMO算法 43
2.6 Keerthi的SMO改进算法 48
2.7改进的SMO算法的收敛性 49
2.8 解回归问题的SMO算法 51
2.9扩展的L agrange支持向量机 56
参考文献 60
第3章 最小二乘支持向量机 62
3.1最小二乘支持向量机 62
3.2最小二乘隐空间支持向量机 65
3.3基于矩阵模式的最小二乘支持向量机 66
3.4最小二乘支持向量机的求解算法 68
3.5最小二乘支持向量机的稀疏化算法 74
参考文献 87
第4章 多分类问题 89
4.1一对多算法 89
4.2一对一算法 91
4.3基于决策树的支持向量机 92
4.4嵌套算法 98
4.5纠错输出编码支持向量机 102
4.6一次求解算法 104
4.7支持向量机分类-回归算法 107
参考文献 109
第5章 模糊支持向量机 112
5.1单边加权模糊支持向量机 112
5.2双边加权模糊支持向量机 116
5.3基于加权间隔的模糊支持向量机 118
5.4模糊支持向量机中的隶属度设置 120
5.5加权稳健支持向量回归方法 123
5.6基于ε-不敏感学习的模糊系统 124
5.7基于模糊if-then规则的ε-间隔非线性分类器 127
5.8基于核模糊c-均值聚类和最远对策略的模糊支持向量机分类器 129
参考文献 134
第6章 支持向量机的在线学习算法 137
6.1基于增量和减量学习的支持向量机算法 137
6.2增量支持向量机分类算法 142
6.3增量支持向量机回归算法 143
6.4核递归最小二乘算法 147
6.5基于结构风险最小化的在线核方法 150
6.6快速的在线核分类器 153
参考文献 157
第7章 大规模分类 158
7.1大规模线性支持向量机算法 158
7.2基于低秩核矩阵表示的支持向量机算法 164
7.3 缩减支持向量机 172
7.4核向量机 173
7.5 多核学习机 178
7.6局部化支持向量机 186
7.7基于带类标聚类特征树和局部学习的支持向量机分类算法 188
参考文献 200
索引 204
《信息与计算科学丛书》已出版书目 205