支持向量机理论及工程应用实例 pdf下载

　　《支持向量机理论及工程应用实例》适合高等院校高年级本科生、研究生、教师和相关科研人员及相关领域的工作者使用。《支持向量机理论及工程应用实例》既可作为研究生教材，也可作为神经网络、机器学习、数据挖掘等课程的参考教材。

　　《支持向量机理论及工程应用实例》从机器学习的基本问题开始，循序渐进地介绍了相关的内容，包括线性分类器、核函数特征空间、推广性理论和优化理论，从而引出了支持向量机的算法，进而将支持向量机应用到实际的工程实例中。
　　《支持向量机理论及工程应用实例》共分为8章，第1章统计学习理论基础，第2章支持向量机基础，第3章支持向量机的分类、回归问题及应用，第4章应用背景及混合气体红外光谱分析基础，第5章基于sVM和红外光谱的含烃类混合气体分析方法，第6章含烃类混合气体分析方法的实际应用研究，第7章层次式sVM子集含烃类混合气体光谱分析框架研究，第8章石油天然气红外光谱分析系统的集成应用。

第1章 统计学习理论基础
1.1 机器学习
1.1.1 基于数据的机器学习问题模型
1.1.2 经验风险最小化

1.2 统计学习理论的产生
1.3 学习过程的一致性条件
1.4 VC维理论
1.5 推广性的界
1.6 结构风险最小化
1.6.1 结构风险最小化的含义
1.6.2 SRM原则的实现

第2章 支持向量机基础
2.1 SVM的基本思想
2.1.1 最段分类面
2.1.2 广义的最段分类面

2.2 核函数
2.3 支持向量机的经典算法剖析
2.3.1 算法概述
2.3.2 SMO算法
2.3.3 C-SVM算法及其变形算法
2.3.4 U－SVM算法

2.4 XMO算法的自适应学习改进方法
2.4.1 SMO算法与二次规划
2.4.2 自适应学习方法
2.4.3 实验结果

2.5 LibSVM软件
2.5.1 LibSVM软件简介
2.5.2 LibSVM软件的使用方法

第3章 支持身量机的分类、回归问题及应用
3.1 分类问题的提出及SVM分类原理
3.1.1 分类问题的提出及SVM分类原理
3.1.2 线性分类
3.1.3 非线性分类

3.2 多类分类问题
3.2.1 多类分类原理
3.2.2 经典多类分类算法简介

3.3 SVM回归原理
3.3.1 SVM回归问题的描述
3.3.2 线性支持向量机回归
3.3.3 非线性支持向量机回归

3.4 基于关联规则的SVM在线分类方法
3.4.1 基本思路
3.4.2 混合气体分布模式中心集的生成
3.4.3 分布模式SVM的在线学习

3.5 压力传感器支持向量机的校正方法
3.5.1 支持身量机与压力传感器的特性校正原理
3.5.2 实验及分析

3.6 支持向量机回归用于分类
3.6.1 思路及推导证明
3.6.2 应用实例

3.7 基于支持向量机的设备备件供应研究
3.7.1 设备备件供应保障概述
3.7.2 基于LS-SVM的设备备件多元类
3.7.3 基于SVM的设备备件需求预测

第4章 应用背景及混合气体红外光谱分析基础
4.1 研究背景与意义
4.2 气测录井中混合气体分析的发、现状及存在的问题
4.2.1 气相色谱分析
4.2.2 红外光谱分析

4.3 支持向量机与红外光谱分析结合
4.3.1 问题的提出
4.3.2 研究方法
4.3.3 技术路线

4.4 红外光谱分析理论基础
4.4.1 Lambert-Beer吸收定律
4.4.2 红外光谱理论
4.4.3 傅立叶变换红外光谱仪

4.5 红外光谱数据的描述及分析方法
4.5.1 红外光谱数据的描述
4.5.2 红外光谱分析方法

4.6 红外光谱分析
4.6.1 红外光谱的定性分析
4.6.2 红外光谱的定量分析
第5章 基于SVM和红外光谱的含烃类混合气体分析方法
第6章 含烃类混合气体分析方法的实际应用研究
第7章 层次式SVM子集含烃类混合气体光谱分析框架研究
第8章 石油天然气红外光谱分析系统的集成应用
参考文献

　　第1章 统计学习理论基础
　　机器学习（Machine Learning,ML）是人工智能（Artificial Intelligence,AI）最具智能特征、最前沿的研究领域之一。基于数据的统计学习问题是现代智能计算技术的一个重要分支。基于数据的统计学习不同于传统的以渐进理论为基础的统计学，它模拟人类从实例中学习归纳的能力，主要研究如何从一些观测数据中挖掘出目前尚不能通过原理分析得到的规律，并利用这些规律去分析客观对象，对未知数据或无法观测的新数据进行预测和判断。
　　本章对机器学习、统计学习理论的生、学习过程的一致性条件、VC维理论、推广性的界、结构风险最小化等统计学习理论的基本内容进行了概述，为后续章节的学习提供理论基础。
　　1.1 机器学习
　　学习能力是学习行为的一个非常重要的特征，但至今人类对学习的机理尚不清楚。研究人员曾对学习给出过各种定义。
　　H.A.Simon认为，学习是系统所作的适应性变化，以使得系统在下一次完成同样或类似的任务时更为有效。
　　R.S.Michalski认为，学0 习是构造或修改对于所经历事物的表示。
　　从事具体智能系统研制的学者则认为学习是知识的获取。
　　上述观点各有侧重，第一种观点强调学习的外部行为效果，第二种则强调学习的内部过程。
　　机器学习主要研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构，使之不断改善自身的性能。

　　支持向量机是在20世纪90年代由Vapnik等人研究并迅速发展起来的一种基于统计学习理论的机器学习算法。支持向量机以统计学习理论为理论体系，通过寻求结构风险最小化来实现实际风险的最小化，追求在有限信息的条件下得到最优结果。
　　以往困扰机器学习方法的很多问题，如模型选择与学习问题、非线性和维数灾难问题、局部极小问题等，通过支持向量机可得到一定程度上的解决。随着支持向量机理论的不断发展和成熟，加之神经网络等学习方法在理论上缺乏实质性进展，支持向量机开始受到越来越广泛的重视。.
　　本书共分为8章，第1章统计学习理论基础，第2章支持向量机基础，第3章支持向量机的分类、回归问题及应用，第4章应用背景及混合气体红外光谱分析基础，第5章基于sVM和红外光谱的含烃类混合气体分析方法，第6章含烃类混合气体分析方法的实际应用研究，第7章层次式sVM子集含烃类混合气体光谱分析框架研究，第8章石油天然气红外光谱分析系统的集成应用。
　　通过本书内容的学习，读者可掌握统计学习的基本理论，学会用支持向量机理论处理信息的基本方法，了解支持向量机理论及应用的最新研究与进展，为开展科学研究打好基础。
　　诚然，sLT理论和sVM方法处在发展阶段，很多方面尚不完善。例如，许多理论目前还只有理论上的意义，尚不能在实际算法中实现。有关SVM算法的某些理论解释也并非完美。sVM方法中如何根据具体问题选择适当的内积函数也没有理论依据。因此，在这方面我们可做的事情是很多的。
　　希望本书的出版能促进支持向量机在我国各个应用领域的普及，以期能给相关领域的理论研究者和应用工作者提供一些思路和帮助。
　　空军工程大学电路教研室的各位老师对本书的完成给予了大力支持和帮助，在此表示衷心感谢。
　　本书得以顺利出版还要感谢西安电子科技大学出版社，尤其要感谢云立实副编审的支持和帮助。
　　由于编著者水平有限，书中不当之处在所难免，敬请读者批评指正，不吝赐教。