支持向量机算法及在大规模样本集的应用pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

支持向量机算法及在大规模样本集的应用PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1绪论 1

1.1 机器学习理论 1

1.1.1 学习问题的一般模型 2

1.1.2 经验风险最小化原则 3

1.1.3 模型复杂度和推广能力 3

1.1.4 结构风险最小化原则 4

1.2 支持向量机算法及研究现状 4

1.2.1 理论研究 5

1.2.2 训练算法 7

1.2.3 应用研究 8

2统计学习理论和最优化理论 10

2.1 统计学习理论基础 10

2.1.1 学习问题的数学表达 10

2.1.2 经验风险最小化原则 11

2.1.3 学习过程的一致性条件 11

2.1.4 学习过程收敛速率的渐进性理论 13

2.1.5 推广能力的泛化误差界 14

2.1.6 结构风险最小化原则 14

2.2 最优化理论 15

2.2.1 基本概念 16

2.2.2 凸集理论基础 17

2.2.3 拉格朗日乘子理论 18

2.3 本章小结 21

3标准支持向量机算法 22

3.1 最优分类超平面 22

3.2 核函数理论 23

3.3 支持向量机算法 25

3.3.1 线性支持向量机 25

3.3.2 近似线性可分支持向量机 26

3.3.3 非线性支持向量机 28

3.3.4 支持向量特性 29

3.4 数值试验 30

3.4.1 数据预处理 30

3.4.2 实验结果 31

3.5 本章小结 33

4最小二乘支持向量机算法 34

4.1 最小二乘支持向量机 34

4.1.1 线性最小二乘支持向量机 34

4.1.2 非线性最小二乘支持向量机 35

4.2 原空间最小二乘支持向量机 36

4.2.1 线性原空间最小二乘支持向量机 36

4.2.2 非线性原空间最小二乘支持向量机 37

4.2.3 标准形式 38

4.2.4 仿真实验 39

4.2.5 小结 41

4.3 稀疏最小二乘支持向量机 42

4.3.1 线性稀疏最小二乘支持向量机 42

4.3.2 非线性稀疏最小二乘支持向量机 42

4.3.3 稀疏模型L1SLSSVM 43

4.3.4 仿真实验 43

4.3.5 小结 46

4.4 本章小结 46

5支持向量域描述算法 47

5.1 研究现状 47

5.2 工作机理 48

5.2.1 线性空间SVDD 48

5.2.2 特征空间SVDD 49

5.2.3 支持向量特性及分布 51

5.3 约简支持向量域描述RSVDD 51

5.3.1 中心距离比值SVM 52

5.3.2 约简支持向量域描述 53

5.3.3 约简集规模 54

5.3.4 数值实验 55

5.3.5 结论 57

5.4 信赖支持向量域描述 57

5.4.1 信赖支持向量域描述 57

5.4.2 抽样集规模 58

5.4.3 抽样集分布 58

5.4.4 参数设置和复杂度 60

5.4.5 数值实验 61

5.4.6 结论 63

5.6 本章小结 64

6光滑支持向量机算法 65

6.1 引言 65

6.2 Mangasasian的光滑SSVM 66

6.2.1 标准SVM 66

6.2.2 光滑支持向量机 67

6.2.3 多项式光滑模型 67

6.3 光滑对角加权支持向量机 69

6.3.1 二次损失函数SVM 69

6.3.2 线性光滑对角加权支持向量机 70

6.3.3 非线性光滑对角加权支持向量机 72

6.3.4 算法实现 76

6.3.5 数值实验 77

6.4 隐空间光滑支持向量机 80

6.4.1 隐空间简介 81

6.4.2 隐空间支持向量机 81

6.4.3 隐空间光滑支持向量机HS3VM 83

6.4.4 PSO参数寻优 83

6.4.5 数值试验 85

6.4.6 结束语 87

6.5 本章小结 87

7大规模样本集下的支持向量机算法 88

7.1 同心超球面支持向量机HSVM 88

7.1.1 理论基础 88

7.1.2 同心超球面组的构造 90

7.1.3 算法实现 92

7.1.4 数值实验 93

7.1.5 小结 95

7.2 支持向量机的集成算法 95

7.2.1 集成学习算法概述 95

7.2.2 空间支持向量域分类器SSVDC 96

7.2.3 算法实现 100

7.2.4 数值实验 101

7.2.5 结论 105

7.3 聚类分片双支持向量域分类器 106

7.3.1 聚类分片 106

7.3.2 双支持向量域分类器 108

7.3.3 链接规则 110

7.3.4 复杂度分析 111

7.3.5 数值试验 111

7.4 本章小结 114

8总结与展望 116

8.1 总结 116

8.2 展望 117

参考文献 119