支持向量机理论及工程应用实例PDF|Epub|txt|kindle电子书版本网盘下载

支持向量机理论及工程应用实例PDF格式电子书版下载

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

第1章 统计学习理论基础1

1.1机器学习1

基于数据的机器学习问题模型2

经验风险最小化5

1.2统计学习理论的产生5

1.3学习过程的一致性条件7

1.4 VC维理论8

1.5推广性的界9

1.6结构风险最小化10

结构风险最小化的含义10

SRM原则的实现11

第2章 支持向量机基础13

2.1 SVM的基本思想13

最优分类面14

广义的最优分类面15

2.2核函数17

2.3支持向量机的经典算法剖析20

算法概述21

SMO算法23

C-SVM算法及其变形算法28

v-SVM算法30

2.4 SMO算法的自适应学习改进方法32

SMO算法与二次规划33

自适应学习方法33

实验结果34

2.5 LibSVM软件36

LibSVM软件简介36

LibSVM软件的使用方法37

第3章 支持向量机的分类、回归问题及应用41

3.1分类问题的提出及SVM分类原理41

线性分类43

近似线性分类44

非线性分类45

3.2多类分类问题46

多类分类原理47

经典多类分类算法简介48

3.3 SVM回归原理53

SVM回归问题的描述53

线性支持向量机回归55

非线性支持向量机回归56

3.4基于关联规则的SVM在线分类方法57

基本思路58

混合气体分布模式中心集的生成59

分布模式SVM的在线学习60

3.5压力传感器支持向量机的校正方法62

支持向量机与压力传感器的特性校正原理62

实验及分析64

3.6支持向量机回归用于分类66

思路及推导证明66

应用实例67

3.7基于支持向量机的设备备件供应研究69

设备备件供应保障概述69

基于LS-SVM的设备备件多元分类70

基于SVM的设备备件需求预测73

第4章 应用背景及混合气体红外光谱分析基础77

4.1研究背景与意义77

4.2气测录井中混合气体分析的发展、现状及存在的问题79

气相色谱分析79

红外光谱分析82

4.3支持向量机与红外光谱分析结合87

问题的提出87

研究方法88

技术路线88

4.4红外光谱分析理论基础88

Lambert-Beer吸收定律89

红外光谱理论90

傅立叶变换红外光谱仪92

4.5红外光谱数据的描述及分析方法95

红外光谱数据的描述95

红外光谱分析方法96

4.6红外光谱分析97

红外光谱的定性分析97

红外光谱的定量分析100

第5章 基于SVM和红外光谱的含烃类混合气体分析方法105

5.1分析方法的基本工作模式及处理流程105

分析思路106

含烃类混合气体组分浓度的SVM分析原理107

实验装置108

处理流程108

5.2含烃类混合气体的基本工作模式分析110

混合气体样本的建立110

光谱数据预处理112

SVM校正模型的训练与检验112

SVM校正模型的实现113

第6章 含烃类混合气体分析方法的实际应用研究115

6.1含烃类混合气体分析方法的参数选择115

SVM校正模型参数对分析结果的影响115

光谱数据预处理——归一扩展法117

光谱分析波段对结果的影响119

红外光谱仪扫描间隔对结果的影响120

参数选择结果121

6.2二氧化碳气体浓度分析122

混合气体样本的建立122

光谱数据预处理124

SVM校正模型的训练与检验124

SVM校正模型的实现124

6.3含烃类混合气体组分浓度分析125

单组分气体实验125

两组分气体实验127

多组分气体实验128

6.4含烃类混合气体组分种类分析129

SVM校正模型用于混合气体组分种类识别的原理129

实际应用130

第7章 层次式SVM子集含烃类混合气体光谱分析框架研究131

7.1层次式SVM子集混合气体分析框架131

基本概念131

层次式SVM子集原理132

实验结果134

7.2层次式SVM子集含烃类混合气体的光谱分析集成框架135

分析集成框架的结构135

混合气体分布子模式的建立136

SVM模型的建立及优化138

分析结果140

第8章 石油天然气红外光谱分析系统的集成应用141

8.1实验系统141

配气系统141

红外光谱数据样本制作系统144

SVM校正模型148

8.2系统集成框架148

系统总体框架149

系统硬件149

系统软件150

系统功能153

8.3现场应用153

性能指标评估153

运行状况155

参考文献156