支持向量机建模及其智能优化

第1章  绪论1.1  引言1.2  模型预测方法1.3  统计学习理论基础1.3.1  VC维1.3.2  经验风险*小化原则1.3.3  结构风险*小化原则1.4  支持向量机的提出1.5  支持向量机理论1.5.1  分类支持向量机1.5.2  回归支持向量机1.6  支持向量机算法研究1.6.1  块算法1.6.2  分解算法1.6.3  并行学习算法1.6.4  原始空间中的学习算法1.6.5  集成学习算法1.6.6  复杂条件下的学习算法1.7  支持向量机的参数优化1.7.1  参数对支持向量机的影响1.7.2  遗传算法优化支持向量机1.7.3  蚁群算法优化支持向量机1.7.4  粒子群算法优化支持向量机参考文献第2章  连续过松弛和严格凸二次规划的支持向量机2.1  支持向量机的大规模训练样本方法2.1.1  块算法2.1.2  固定工作样本集法2.1.3  增量学习算法2.1.4  *小二乘算法2.1.5  连续过松弛算法2.2  连续过松弛和严格凸二次规划的支持向量机建模方法2.2.1  严格的凸二次规划2.2.2  快速支持向量机算法FSVM2.2.3  仿真实验及结果2.2.4  小结2.3  基于FSVM方法在带钢连续热镀锌质量建模中的应用2.3.1  带钢连续热镀锌生产概述2.3.2  冷轧热镀锌带钢的产品质量及其影响因素2.3.3  模型参数的确定和样本的收集2.3.4  数据预处理2.3.5  预测模型的评判和参数选择2.3.6  建立锌层重量预测模型2.3.7  小结参考文献第3章  基于模糊C均值和SNN相似度的粒度支持向量机3.1  粒度计算3.1.1  词计算模型3.1.2  粗糙集模型3.1.3  商空间模型3.2  粒度支持向量机3.2.1  粒度支持向量机的研究现状3.2.2  粒度支持向量机理论3.3  核模糊C均值聚类3.3.1  K均值聚类3.3.2  模糊C均值聚类3.3.3  核模糊C均值聚类3.4  基于核模糊C均值聚类的粒度支持向量机3.4.1  算法原理及流程3.4.2  仿真实验3.4.3  小结3.5  基于SNN相似度的粒度支持向量机3.5.1  共享*近邻相似度3.5.2  k*近邻连通度3.5.3  GSVM-SNN算法步骤3.5.4  仿真实验3.5.5  小结3.6  粒度支持向量回归机在甲醇合成中应用3.6.1  粒度支持向量回归机3.6.2  甲醇合成过程3.6.3  影响甲醇合成的关键参数3.6.4  甲醇合成建模参考文献第4章  基于凸壳和KKT条件的增量支持向量机4.1  支持向量机增量学习4.2  主动学习4.3  凸壳理论4.4  基于KKT条件约束的增量支持向量机4.4.1  算法原理4.4.2  算法步骤4.4.3  实验分析4.5  基于凸壳和KKT条件约束的增量支持向量机建模方法4.5.1  主动学习算法性能4.5.2  基于主动学习的支持向量机增量学习算法性能4.6  小结参考文献第5章  误差校正的混合核函数在线支持向量机5.1  在线支持向量机5.2  **在线支持向量回归机算法原理5.3  核函数分析5.3.1  单一核函数5.3.2  混合核函数5.4  混合核函数的**在线支持向量机5.4.1  数据预处理5.4.2  算法步骤5.4.3  仿真实验5.4.4  小结5.5  基于误差校正的混合核函数**在线支持向量机5.5.1  误差校正5.5.2  仿真实验5.5.3  小结5.6  在线支持向量机在甲醇合成中的应用5.6.1  模型的参数选择5.6.2  甲醇合成在线支持向量机建模参考文献第6章  基于邻域自适应选取和双种群的粒子群优化支持向量机6.1  粒子群优化方法6.1.1  粒子群优化算法概述6.1.2  标准粒子群算法6.1.3  基本流程6.2  非线性惯性权重和邻域自适应选取的粒子群优化支持向量机6.2.1  对粒子速度与位置更新策略的改进6.2.2  对惯性权重搜索方法的改进6.2.3  IPSO优化SVM6.2.4  实验分析6.3  双种群的粒子群优化支持向量机6.3.1  基于双种群的粒子群优化算法6.3.2  双种群粒子群优化算法寻优过程模拟6.3.3  基于DP-PSO优化SVM的步骤及流程6.3.4  预测模型的评价指标6.3.5  实验分析6.3.6  小结参考文献第7章  权重分配的分段蚁群算法优化支持向量机7.1  蚁群算法7.1.1  蚁群算法的原理7.1.2  蚁群算法的数学模型7.1.3  蚁群算法的特点7.1.4  蚁群算法的若干改进7.2  分段蚁群算法优化SVM7.3  权重分配蚁群算法优化SVM7.4  基于权重分配的分段蚁群优化SVM的甲醇合成转化率预测7.5  小结参考文献