支持向量機(jī)建模及應(yīng)用

序
前言
第1章  支持向量機(jī)方法
1．1  統(tǒng)計學(xué)習(xí)理論
1．1．1  經(jīng)驗風(fēng)險極小化原理
1．1．2  結(jié)構(gòu)風(fēng)險極小化原理
1．2  支持向量機(jī)學(xué)習(xí)方法
1．2．1  基本形式
1．2．2  基本性質(zhì)
1．2．3  其他形式
1．3  支持向量機(jī)的發(fā)展現(xiàn)狀
1．3．1  誤差界估計及模型選擇
1．3．2  算法加速
1．3．3  與其他方法的融合
參考文獻(xiàn)
第2章  支持向量機(jī)的模型選擇
2．1  模型選擇問題
2．2  基于尺度空間理論的核選擇方法
2．3  基于回歸的核選擇方法
2．4  基于數(shù)據(jù)分布的模型選擇方法
2．5  基于凸包估計的核選擇方法
參考文獻(xiàn)
第3章  基于領(lǐng)域知識的支持向量機(jī)建模
3．1領(lǐng)域知識與支持向量機(jī)的融合
3．1. 1  經(jīng)驗知識
3．1．2  不變性常識與SVM的融合技術(shù)
3．2  基于最佳逼近點的不變性常識支持向量機(jī)模型
3．2．1  基于最佳逼近點的不變性常識與支持向量機(jī)的融合方法
3．2．2  數(shù)值實聆
3．3  基于時間相關(guān)性核的支持向量機(jī)模型
3．3．1  時序核函數(shù)構(gòu)造
3．3．2  環(huán)境時序預(yù)測建模方法
3．3．3  數(shù)值實驗
參考文獻(xiàn)
第4章  基于粒度計算的支持向量機(jī)建模
4．1  粒度計算概述
4．1．1  粒度計算的基本概念
4．1．2  粒度計算的基本模型及現(xiàn)狀
4．2  粒度支持向量機(jī)概述
4．2．1  粒度支持向量機(jī)基本思想
4．2．2  幾種典型的粒度支持向量機(jī)學(xué)習(xí)模型
4．3  基于核方法的粒度支持向量機(jī)模型
4．3．1  基于粒度核的粒度支持向量機(jī)模型
4．3．2  基于核空間的GSVM模型
4．4  基于多維關(guān)聯(lián)規(guī)則的粒度支持向量機(jī)模型
4．4．1  基于關(guān)聯(lián)規(guī)則的粒度支持向量機(jī)學(xué)習(xí)模型
4．4．2  基于多維關(guān)聯(lián)規(guī)則的粒劃分
4．4．3  基于多維關(guān)聯(lián)規(guī)則挖掘的GSVM學(xué)習(xí)方法
4．4．4  實驗結(jié)果與分析
參考文獻(xiàn)
第5章  基于半監(jiān)督學(xué)習(xí)的支持向量機(jī)建模
5．1  半監(jiān)督學(xué)習(xí)方法
5．2  直推支持向量機(jī)學(xué)習(xí)模型
5．2．1  直推支持向量機(jī)
5．2．2  LS-TSVM
5．3  協(xié)同支持向量機(jī)學(xué)習(xí)模型
5．3．1  經(jīng)典的半監(jiān)督協(xié)同訓(xùn)練方法
5．3．2  基于差異性度量的支持向量回歸機(jī)協(xié)同學(xué)習(xí)方法
參考文獻(xiàn)
第6章  基于集成學(xué)習(xí)的支持向量機(jī)建模
6．1  集成學(xué)習(xí)方法
6．1. 1  集成學(xué)習(xí)方法簡介
6．1．2  經(jīng)典的集成學(xué)習(xí)方法
6．2  集成學(xué)習(xí)建模
6．2．1  基于Bagging算法的回歸支持向量機(jī)集成建模
6．2．2  基于特征選擇的支持向量機(jī)Bagging模型
6．2．3  選擇性支持向量機(jī)集成模型
6．2．4  面向大數(shù)據(jù)的集成支持向量機(jī)模型
6．2．5  基于集成支持向量機(jī)的核參數(shù)選擇
參考文獻(xiàn)
第7章  大規(guī)模數(shù)據(jù)的支持向量機(jī)建模
7．1  基于相似度度量的支持向量機(jī)建模
7．1．1  支持向量機(jī)的訓(xùn)練算法
7．1．2  基于相似度度量的快速支持向量回歸方法
7．1．3  數(shù)值實驗
7．1．4  算法在壓縮訓(xùn)練集方面的有效性驗證
7．1．5  不同規(guī)模訓(xùn)練集上的實驗分析
7．1．6  相似度閾值在算法中的作用
7．1．7  算法對大規(guī)模訓(xùn)練集的有效性驗證
7．2  基于神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)建模
7．2．1  神經(jīng)網(wǎng)絡(luò)簡介
7．2．2  基于ART神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)
7．2．3  基于SOM神經(jīng)網(wǎng)絡(luò)的支持向量機(jī)
7．2．4  實驗結(jié)果及相關(guān)分析
7．3  基于增量學(xué)習(xí)的支持向量機(jī)模型
7．3．1  面向分類的支持向量機(jī)增量學(xué)習(xí)模型
7．3．2  面向回歸的支持向量機(jī)增量學(xué)習(xí)模型
參考文獻(xiàn)
第8章  支持向量機(jī)的應(yīng)用
8．1  支持向量機(jī)在空氣質(zhì)量預(yù)測中的應(yīng)用
8．1. 1  基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型
8．1．2  實驗結(jié)果
8．2  支持向量機(jī)在中文垃圾郵件過濾中的應(yīng)用
8．2．1  垃圾郵件過濾模型設(shè)計
8．2．2  中文電子郵件的特征表示
8．2．3  實驗數(shù)據(jù)及評價指標(biāo)
8．2．4  數(shù)據(jù)實驗及分析
8．3  支持向量機(jī)在中文句法分析中的應(yīng)用
8．3．1  結(jié)構(gòu)化支持向量機(jī)學(xué)習(xí)方法
8．3．2  句法分析
8．3．3  基于SVM-struct的中文句法分析方法
8．3．4  實驗結(jié)果與分析
8. 4  支持向量機(jī)在圖像分類中的應(yīng)用
8．4．1  圖像的特征提取與表示
8．4．2  基于SVM的圖像分類方法
8．5  支持向量機(jī)在非平衡分類問題中的應(yīng)用
8．5．1  非平衡數(shù)據(jù)處理方法
8．5．2  非平衡數(shù)據(jù)分類器性能評價標(biāo)準(zhǔn)
8．5．3  基于多維關(guān)聯(lián)規(guī)則挖掘的GSVM的非平衡數(shù)據(jù)學(xué)習(xí)方法
8．5．4  基于聚類的GSVM的非平衡數(shù)據(jù)學(xué)習(xí)方法
參考文獻(xiàn)