绪论篇 3
第1章 绪论 3
1.1概述 3
1.2线性可分问题的SVM方法 6
1.3线性不可分问题的SVM方法 8
1.4核函数 12
1.5支持向量及非支持向量和超平面的关系 13
1.6 SVM的模型选择问题 17
1.7 SVM与解非线性方程组 17
1.8决策函数、Fisher判别和Rayleigh商 18
1.9 Libsvm仿真平台 21
算法篇 25
第2章 典型的支持向量分类机和回归机 25
2.1 C-SVC（b＝0） 25
2.2 υ-SVC 25
2.3 ε-SVR 27
2.4 υ-ε-SVR 29
2.5 LS-SVM 31
2.6二次ε-SVR 32
2.7包含点集的最小超球体 34
第3章 支持向量机的结构修剪算法 36
3.1概述 36
3.2支持向量机的结构修剪算法 36
3.3 Lagrangian函数和对偶理论 48
3.4等价点和广义Lagrangian函数 50
3.5本质支持向量的不定性 58
3.6支持向量机的在线学习算法 60
第4章 粗略删除支持向量的方法 62
4.1概述 62
4.2正交投影 64
4.3纵向传播 64
4.4删除步骤 71
4.5角度和截距变化 72
4.6一类支持向量机删除算法 74
4.7批粗略删除方法 75
4.8实验讨论 75
4.9结语 82
第5章 特征空间椭圆模式挖掘 83
5.1概述 83
5.2基于椭圆分布的SVM模型 84
5.3实验研究 90
5.4特征空间椭圆模式的分解算法 96
5.5结语 98
第6章 特征空间和经验图 100
6.1引言 100
6.2特征空间和经验图的一些关系 100
6.3调整分隔超平面 103
第7章用SVM解奇偶校验问题和大系统分解算法 105
7.1概述 105
7.2实验和讨论 105
7.3基于SMO算法的奇偶校验问题进一步实验 110
7.4基于梯度下降法的奇偶校验问题实验研究 115
7.5使用分解算法训练SVM 118
7.6使用大系统分解协调算法训练SVM 119
第8章 支持向量机超曲面 123
8.1分隔超平面和分隔超曲面 123
8.2实验 126
应用篇 131
第9章 基于支持向量机和随机过程的金融市场波动研究 131
9.1随机过程基础 131
9.2几个重要的随机过程 143
9.3随机占优和下方风险 152
9.4互联网金融信息时间序列的Markov性的实验研究 155
9.5基于支持向量机的多阶时间延迟的股价预测模型 165
第10章 基于支持向量机的互联网金融市场波动预测 170
10.1概述 170
10.2基于支持向量机的股市交易量预测 171
10.3金融舆情分析系统 174
参考文献 185