支持向量机建模及其智能优化【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

支持向量机建模及其智能优化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 绪论1

1.1 引言1

1.2 模型预测方法2

1.3 统计学习理论基础3

1.3.1 VC维3

1.3.2 经验风险最小化原则3

1.3.3 结构风险最小化原则4

1.4 支持向量机的提出7

1.5 支持向量机理论8

1.5.1 分类支持向量机8

1.5.2 回归支持向量机12

1.6 支持向量机算法研究16

1.6.1 块算法16

1.6.2 分解算法17

1.6.3 并行学习算法17

1.6.4 原始空间中的学习算法18

1.6.5 集成学习算法18

1.6.6 复杂条件下的学习算法18

1.7 支持向量机的参数优化19

1.7.1 参数对支持向量机的影响19

1.7.2 遗传算法优化支持向量机20

1.7.3 蚁群算法优化支持向量机21

1.7.4 粒子群算法优化支持向量机22

参考文献22

第2章 连续过松弛和严格凸二次规划的支持向量机28

2.1 支持向量机的大规模训练样本方法28

2.1.1 块算法29

2.1.2 固定工作样本集法29

2.1.3 增量学习算法30

2.1.4 最小二乘算法32

2.1.5 连续过松弛算法33

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34

2.2.1 严格的凸二次规划34

2.2.2 快速支持向量机算法FSVM35

2.2.3 仿真实验及结果37

2.2.4 小结43

2.3 基于FSVM方法在带钢连续热镀锌质量建模中的应用43

2.3.1 带钢连续热镀锌生产概述43

2.3.2 冷轧热镀锌带钢的产品质量及其影响因素43

2.3.3 模型参数的确定和样本的收集45

2.3.4 数据预处理46

2.3.5 预测模型的评判和参数选择46

2.3.6 建立锌层重量预测模型47

2.3.7 小结49

参考文献49

第3章 基于模糊C均值和SNN相似度的粒度支持向量机52

3.1 粒度计算52

3.1.1 词计算模型53

3.1.2 粗糙集模型54

3.1.3 商空间模型55

3.2 粒度支持向量机56

3.2.1 粒度支持向量机的研究现状56

3.2.2 粒度支持向量机理论57

3.3 核模糊C均值聚类59

3.3.1 K均值聚类59

3.3.2 模糊C均值聚类60

3.3.3 核模糊C均值聚类62

3.4 基于核模糊C均值聚类的粒度支持向量机63

3.4.1 算法原理及流程63

3.4.2 仿真实验64

3.4.3 小结67

3.5 基于SNN相似度的粒度支持向量机68

3.5.1 共享最近邻相似度68

3.5.2 k最近邻连通度69

3.5.3 GSVM-SNN算法步骤71

3.5.4 仿真实验72

3.5.5 小结76

3.6 粒度支持向量回归机在甲醇合成中应用77

3.6.1 粒度支持向量回归机77

3.6.2 甲醇合成过程78

3.6.3 影响甲醇合成的关键参数80

3.6.4 甲醇合成建模82

参考文献84

第4章 基于凸壳和KKT条件的增量支持向量机87

4.1 支持向量机增量学习87

4.2 主动学习91

4.3 凸壳理论92

4.4 基于KKT条件约束的增量支持向量机95

4.4.1 算法原理95

4.4.2 算法步骤97

4.4.3 实验分析97

4.5 基于凸壳和KKT条件约束的增量支持向量机建模方法102

4.5.1 主动学习算法性能103

4.5.2 基于主动学习的支持向量机增量学习算法性能104

4.6 小结108

参考文献109

第5章 误差校正的混合核函数在线支持向量机112

5.1 在线支持向量机112

5.2 精确在线支持向量回归机算法原理114

5.3 核函数分析119

5.3.1 单一核函数119

5.3.2 混合核函数120

5.4 混合核函数的精确在线支持向量机121

5.4.1 数据预处理121

5.4.2 算法步骤122

5.4.3 仿真实验123

5.4.4 小结124

5.5 基于误差校正的混合核函数精确在线支持向量机125

5.5.1 误差校正125

5.5.2 仿真实验126

5.5.3 小结128

5.6 在线支持向量机在甲醇合成中的应用128

5.6.1 模型的参数选择128

5.6.2 甲醇合成在线支持向量机建模129

参考文献132

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133

6.1 粒子群优化方法133

6.1.1 粒子群优化算法概述133

6.1.2 标准粒子群算法134

6.1.3 基本流程135

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136

6.2.1 对粒子速度与位置更新策略的改进136

6.2.2 对惯性权重搜索方法的改进137

6.2.3 IPSO优化SVM137

6.2.4 实验分析139

6.3 双种群的粒子群优化支持向量机143

6.3.1 基于双种群的粒子群优化算法143

6.3.2 双种群粒子群优化算法寻优过程模拟145

6.3.3 基于DP-PSO优化SVM的步骤及流程150

6.3.4 预测模型的评价指标151

6.3.5 实验分析152

6.3.6 小结154

参考文献155

第7章 权重分配的分段蚁群算法优化支持向量机157

7.1 蚁群算法157

7.1.1 蚁群算法的原理157

7.1.2 蚁群算法的数学模型158

7.1.3 蚁群算法的特点160

7.1.4 蚁群算法的若干改进161

7.2 分段蚁群算法优化SVM163

7.3 权重分配蚁群算法优化SVM165

7.4 基于权重分配的分段蚁群优化SVM的甲醇合成转化率预测170

7.5 小结173

参考文献173