支持向量機理論及工程應(yīng)用實例

第1章 統(tǒng)計學習理論基礎(chǔ)
1.1 機器學習
1.1.1 基于數(shù)據(jù)的機器學習問題模型
1.1.2 經(jīng)驗風險最小化
1.2 統(tǒng)計學習理論的產(chǎn)生
1.3 學習過程的一致性條件
1.4 VC維理論
1.5 推廣性的界
1.6 結(jié)構(gòu)風險最小化
1.6.1 結(jié)構(gòu)風險最小化的含義
1.6.2 SRM原則的實現(xiàn)
第2章 支持向量機基礎(chǔ)
2.1 SVM的基本思想
2.1.1 最段分類面
2.1.2 廣義的最段分類面
2.2 核函數(shù)
2.3 支持向量機的經(jīng)典算法剖析
2.3.1 算法概述
2.3.2 SMO算法
2.3.3 C-SVM算法及其變形算法
2.3.4 U－SVM算法
2.4 XMO算法的自適應(yīng)學習改進方法
2.4.1 SMO算法與二次規(guī)劃
2.4.2 自適應(yīng)學習方法
2.4.3 實驗結(jié)果
2.5 LibSVM軟件
2.5.1 LibSVM軟件簡介
2.5.2 LibSVM軟件的使用方法
第3章 支持身量機的分類、回歸問題及應(yīng)用
3.1 分類問題的提出及SVM分類原理
3.1.1 分類問題的提出及SVM分類原理
3.1.2 線性分類
3.1.3 非線性分類
3.2 多類分類問題
3.2.1 多類分類原理
3.2.2 經(jīng)典多類分類算法簡介
3.3 SVM回歸原理
3.3.1 SVM回歸問題的描述
3.3.2 線性支持向量機回歸
3.3.3 非線性支持向量機回歸
3.4 基于關(guān)聯(lián)規(guī)則的SVM在線分類方法
3.4.1 基本思路
3.4.2 混合氣體分布模式中心集的生成
3.4.3 分布模式SVM的在線學習
3.5 壓力傳感器支持向量機的校正方法
3.5.1 支持身量機與壓力傳感器的特性校正原理
3.5.2 實驗及分析
3.6 支持向量機回歸用于分類
3.6.1 思路及推導(dǎo)證明
3.6.2 應(yīng)用實例
3.7 基于支持向量機的設(shè)備備件供應(yīng)研究
3.7.1 設(shè)備備件供應(yīng)保障概述
3.7.2 基于LS-SVM的設(shè)備備件多元類
3.7.3 基于SVM的設(shè)備備件需求預(yù)測
第4章 應(yīng)用背景及混合氣體紅外光譜分析基礎(chǔ)
4.1 研究背景與意義
4.2 氣測錄井中混合氣體分析的發(fā)、現(xiàn)狀及存在的問題
4.2.1 氣相色譜分析
4.2.2 紅外光譜分析
4.3 支持向量機與紅外光譜分析結(jié)合
4.3.1 問題的提出
4.3.2 研究方法
4.3.3 技術(shù)路線
4.4 紅外光譜分析理論基礎(chǔ)
4.4.1 Lambert-Beer吸收定律
4.4.2 紅外光譜理論
4.4.3 傅立葉變換紅外光譜儀
4.5 紅外光譜數(shù)據(jù)的描述及分析方法
4.5.1 紅外光譜數(shù)據(jù)的描述
4.5.2 紅外光譜分析方法
4.6 紅外光譜分析
4.6.1 紅外光譜的定性分析
4.6.2 紅外光譜的定量分析
第5章 基于SVM和紅外光譜的含烴類混合氣體分析方法
第6章 含烴類混合氣體分析方法的實際應(yīng)用研究
第7章 層次式SVM子集含烴類混合氣體光譜分析框架研究
第8章 石油天然氣紅外光譜分析系統(tǒng)的集成應(yīng)用
參考文獻