滿額折
支持向量機理論及工程應用實例（簡體書）
- ISBN13：9787560620510
- 出版社：西安電子科技大學出版社
- 作者：白鵬
- 裝訂／頁數：平裝／159頁
- 規格：23.5cm*16.8cm (高/寬)
- 版次：一版
- 出版日：2009/01/01
相關商品
商品簡介
目次
商品簡介
本書從機器學習的基本問題開始，循序漸進地介紹了相關的內容，包括線性分類器’核函數特徵空間、推廣性理論和優化理論，從而引出了支持向量機的算法，進而將支持向量機應用到實際的工程實例中。
本書共分為8章，第1章統計學習理論基礎，第2章支持向量機基礎，第3章支持向量機的分類、回歸問題及應用，第4章應用背景及混合氣體紅光譜分析基礎，第5章基於SVM和紅外光譜的含經類混氣體分析方法，第6章含烴類混合氣體分析方法的實際應用研究，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的集成應用。
本書適合高等院校高年級本科生、研究生、教師和相關科研人員及相關領域的工作者使用。本書即可作為研究生教材，也可作為神經網絡、機器學習、數據挖掘等課程的參考教材。
本書共分為8章，第1章統計學習理論基礎，第2章支持向量機基礎，第3章支持向量機的分類、回歸問題及應用，第4章應用背景及混合氣體紅光譜分析基礎，第5章基於SVM和紅外光譜的含經類混氣體分析方法，第6章含烴類混合氣體分析方法的實際應用研究，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的集成應用。
本書適合高等院校高年級本科生、研究生、教師和相關科研人員及相關領域的工作者使用。本書即可作為研究生教材，也可作為神經網絡、機器學習、數據挖掘等課程的參考教材。
目次
第1章 統計學習理論基礎
1.1 機器學習
1.1.1 基於數據的機器學習問題模型
1.1.2 經驗風險最小化
1.2 統計學習理論的產生
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 結構風險最小化
1.6.1 結構風險最小化的含義
1.6.2 SRM原則的實現
第2章 支持向量機基礎
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
2.3 支持向量機的經典算法剖析
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算法的自適應學習改進方法
2.4.1 SMO算法與二次規劃
2.4.2 自適應學習方法
2.4.3 實驗結果
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 基於關聯規則的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 思路及推導證明
3.6.2 應用實例
3.7 基於支持向量機的設備備件供應研究
3.7.1 設備備件供應保障概述
3.7.2 基於LS-SVM的設備備件多元類
3.7.3 基於SVM的設備備件需求預測
第4章 應用背景及混合氣體紅外光譜分析基礎
4.1 研究背景與意義
4.2 氣測錄井中混合氣體分析的發、現狀及存在的問題
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合
4.3.1 問題的提出
4.3.2 研究方法
4.3.3 技術路線
4.4 紅外光譜分析理論基礎
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 紅外光譜數據的描述及分析方法
4.5.1 紅外光譜數據的描述
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 基於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的集成應用
參考文獻
1.1 機器學習
1.1.1 基於數據的機器學習問題模型
1.1.2 經驗風險最小化
1.2 統計學習理論的產生
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 結構風險最小化
1.6.1 結構風險最小化的含義
1.6.2 SRM原則的實現
第2章 支持向量機基礎
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
2.3 支持向量機的經典算法剖析
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算法的自適應學習改進方法
2.4.1 SMO算法與二次規劃
2.4.2 自適應學習方法
2.4.3 實驗結果
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 基於關聯規則的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 思路及推導證明
3.6.2 應用實例
3.7 基於支持向量機的設備備件供應研究
3.7.1 設備備件供應保障概述
3.7.2 基於LS-SVM的設備備件多元類
3.7.3 基於SVM的設備備件需求預測
第4章 應用背景及混合氣體紅外光譜分析基礎
4.1 研究背景與意義
4.2 氣測錄井中混合氣體分析的發、現狀及存在的問題
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合
4.3.1 問題的提出
4.3.2 研究方法
4.3.3 技術路線
4.4 紅外光譜分析理論基礎
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 紅外光譜數據的描述及分析方法
4.5.1 紅外光譜數據的描述
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 基於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的集成應用
參考文獻
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。