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FSVM

2.2.3 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SVM

6.2.4 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SVM

7.3 权重分配蚁群算法优化SVM

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

7.5 小结

参考文献

本书以实际工业过程为背景，研究了冶金生产过程、化工生产过程，并获取了大量的实际生产数据，利用数据挖掘方法，挖掘出数据中隐含的生产规律，提出了一些改进的建模方法和优化方法，这些方法不仅适用于冶金和化工，还可广泛用于装备制造、材料、航天航空等领域。本书的建模方法主要以支持向量机为基础，针对数据分布不平衡和海量数据的建模问题、模型的在线学习和优化问题进行了相关的算法研究，如粒度支持向量机、主动学习的增量支持向量机、误差校正的混合核函数在线支持向量机、粒子群智能优化方法和蚁群智能优化方法等，这些方法均配有仿真实验和实际生产数据实验，用于验证方法的有效性。本书作为专业学术类参考书，可供高年级本科生、研究生、工程师、高校教师等人员阅读参考。

本书内容以实际工业过程为背景，研究了冶金生产过程、化工生产过程并获取了大量的实际生产数据，利用数据挖掘方法，挖掘出数据中隐含的生产规律，提出来一些改进的建模方法和优化方法，这些方法不仅适用于冶金和化工，，还可广泛用于装备制造、材料、航天航空等领域。本书作为专业学术类参考书，适合于高年级本科生、研究生、工程师、高校教师等研究人员。本书的建模方法主要以支持向量机为基础，针对数据分布不平衡和海量数据的建模问题、模型的在线学习和优化问题净心莲相关的算法研究，如粒度支持向量机、主动学习的增量支持向量机、误差校正的混合核函数在线支持向量机、粒子群智能优化方法和蚁群智能优化方法等，这些方法均配有仿真实验和实际生产数据实洋，用于验证方法的有效性。