Vapnik（瓦普尼克）于20世紀末提出的支持向量機結(jié)構(gòu)，通過將樣本從低微空間向高維空間的映射來實現(xiàn)樣本的線性劃分，從而可獲得預(yù)測的通用規(guī)則。該理論的通用性、魯棒性、計算高效性使機器學習理論研究取得飛速的發(fā)展。然而，實際工程的原始數(shù)據(jù)中可能隱含著一些非常規(guī)的信息，本書稱為特權(quán)信息。這些具有某種特殊意義的特權(quán)信息有的僅存在部分數(shù)據(jù)中，并且這些特權(quán)信息的收集往往十分困難。然而，醫(yī)學、生物、電子、信息等領(lǐng)域的工程數(shù)據(jù)中的某些特權(quán)信息卻具有十分重要的作用。本書提出基于特權(quán)信息的灰色支持向量機理論，在對原始數(shù)據(jù)不做任何修改的情況下，能夠很好地構(gòu)造預(yù)測規(guī)則并能夠很好地解決含有特權(quán)信息的工程實際問題，是對標準支持向量機的拓展與補充。
更多科學出版社服務(wù)，請掃碼獲取。
目錄
第1章支持向量機基本原理1
1.1支持向量機的產(chǎn)生與發(fā)展2
1.2支持向量機相關(guān)理論3
1.2.1統(tǒng)計學習理論3
1.2.2支持向量機訓練算法3
1.2.3線性支持向量機5
1.2.4具有軟間隔和優(yōu)化的SVC7
1.2.5非線性支持向量機9
1.2.6核函數(shù)10
1.3支持向量機的研究現(xiàn)狀10
1.3.1SVM的理論研究11
1.3.2改進的SVM訓練算法11
1.3.3SVM方法的應(yīng)用研究13
1.3.4SVM的研究進展15
1.3.5軟件實現(xiàn)17
1.3.6本章小結(jié)17
第2章灰色系統(tǒng)基本原理19
2.1灰色系統(tǒng)理論的產(chǎn)生與發(fā)展20
2.2灰色系統(tǒng)簡介20
2.2.1不確定方法20
2.2.2灰色系統(tǒng)的基本概念21
2.2.3灰色系統(tǒng)理論的基本原理21
2.2.4灰數(shù)21
2.3序列算子與灰色序列生成22
2.3.1沖擊擾動系統(tǒng)與序列算子23
2.3.2緩沖算子的定義和性質(zhì)24
2.3.3緩沖算子構(gòu)造25
2.3.4均值生成算子27
2.3.5序列的光滑性28
2.3.6級比生成算子28
2.3.7累加生成算子和累減生成算子29
2.3.8灰指數(shù)律29
2.4灰色關(guān)聯(lián)分析30
2.4.1灰色關(guān)聯(lián)因素和關(guān)聯(lián)算子集31
2.4.2灰色關(guān)聯(lián)公理與灰色關(guān)聯(lián)度32
2.4.3灰色關(guān)聯(lián)分析的應(yīng)用舉例34
2.4.4廣義灰色關(guān)聯(lián)度36
2.4.5灰色相對關(guān)聯(lián)度37
2.4.6灰色綜合關(guān)聯(lián)度38
2.5灰色系統(tǒng)模型40
2.5.1GM(1,1)模型40
2.5.2殘差GM(1,1)模型42
2.6灰色系統(tǒng)預(yù)測46
2.6.1灰色預(yù)測46
2.6.2數(shù)列預(yù)測47
2.7本章小結(jié)50
第3章基于特權(quán)信息的支持向量機53
3.1基于特權(quán)信息的支持向量機一階模型54
3.1.1基于特權(quán)信息的支持向量機基本原理54
3.1.2全部訓練樣本存在特權(quán)信息的支持向量機基本原理56
3.1.3全部訓練樣本存在特權(quán)信息且松弛變量改動的支持向量機基本原理58
3.1.4部分訓練樣本存在特權(quán)信息的支持向量機基本原理59
3.1.5特權(quán)信息來自多空間的支持向量機基本原理60
3.2基于特權(quán)信息的支持向量機二階模型61
3.2.1部分樣本存在特權(quán)信息且松弛變量改動的支持向量機基本原理61
3.2.2特權(quán)信息來自多空間且松弛變量改動的支持向量機基本原理62
3.2.3部分訓練樣本存在特權(quán)信息且特權(quán)信息來自多空間的支持向量機基本原理64
3.3基于特權(quán)信息的支持向量機三階模型65
3.3.1部分訓練樣本存在特權(quán)信息來自多空間的松弛變量改動支持向量模型65
3.3.2部分訓練樣本存在特權(quán)信息且特權(quán)信息來自多空間的松弛變量改動支持向量模型的對偶問題66
3.4基于特權(quán)信息的灰色支持向量機模型67
3.4.1灰色支持向量機67
3.4.2基于特權(quán)信息的灰色支持向量機68
3.5本章小結(jié)70
第4章仿真實驗71
4.1rSVM+的仿真實驗72
4.1.1數(shù)據(jù)集72
4.1.2實驗設(shè)置細節(jié)73
4.1.3仿真測試結(jié)果74
4.2pSVM+的仿真實驗75
4.2.1數(shù)據(jù)集75
4.2.2實驗設(shè)置細節(jié)76
4.2.3仿真測試結(jié)果77
4.3gSVM+的仿真實驗79
4.3.1數(shù)據(jù)集79
4.3.2實驗設(shè)置細節(jié)80
4.3.3仿真測試結(jié)果81
4.4本章小結(jié)83
第5章基于LIBSVM的SVM應(yīng)用85
5.1LIBSVM的安裝（MATLAB）86
5.1.1LIBSVM安裝步驟86
5.1.2LIBSVM庫文件說明88
5.2LIBSVM的數(shù)據(jù)格式及制作89
5.2.1LIBSVM的數(shù)據(jù)及其格式89
5.2.2LIBSVM數(shù)據(jù)格式制作90
5.3LIBSVM的使用方法90
5.3.1svm-scale的用法90
5.3.2svmtrain的用法91
5.3.3svmpredict的用法93
5.4SVM應(yīng)用之意大利葡萄酒種類識別93
5.4.1數(shù)據(jù)集93
5.4.2數(shù)據(jù)預(yù)處理96
5.4.3訓練與預(yù)測97
5.4.4參數(shù)選擇98
5.5本章小結(jié)101
參考文獻103
后記111
書單推薦
