不確定性支持向量機——算法及應用

楊誌民,劉廣利

  • 出版商: 科學出版
  • 出版日期: 2012-02-01
  • 售價: $528
  • 語言: 簡體中文
  • 頁數: 276
  • ISBN: 7030329503
  • ISBN-13: 9787030329509
  • 相關分類: Machine Learning、Data-mining
  • 下單後立即進貨 (約4週~6週)

相關主題

商品描述

不確定性支持向量機是數據挖掘的一個新的研究領域,能有效地處理不確定性信息條件下的模式分類、回歸預測、聚類分析和有序回歸等諸多問題,並可應用於預測預警、綜合評價等領域,因此適用於理科、工科、管理和農業等多個學科。
本書從不確定性規劃出發,結合模糊、粗糙和未確知等不確定性理論,詳細闡述適用於各類問題的不確定性支持向量機模型和算法。目前國內外不確定性優化理論和支持向量機相結合的研究正處於快速發展階段,希望本書的出版能促進不確定性支持向量機在我國各個應用領域的普及與提升,並且給相關領域的理論研究者和實際工作者提供一些思路和幫助。
本書適合於高等院校高年級本科生、研究生、教師以及相關領域的實際工作者閱讀和使用。

目錄大綱

前言
第1章 最優化理論基礎
1.1 最優化問題
1.1.1 最優化問題的概念
1.1.2 線性規劃
1.1.3 凸最優化
1.2 最優性條件
1.2.1 幾何最優性條件
1.2.2 Fritz John條件
1.2.3 KKT條件
1.2.4 鞍點
1.2.5 對偶理論
1.2.6 二次規劃
1.3 最優化算法
1.3.1 線性逼近法
1.3.2 線性約束條件下的線性逼近法
1.3.3 非線性約束條件下的線性逼近法
1.3.4 可行方向法
1.3.5 投影梯度法
1.3.6 罰函數法
第2章 不確定性數學基礎
2.1 模糊數學
2.1.1 模糊子集及其運算
2.1.2 模糊集的基本定理
2.1.3 模糊矩陣
2.1.4 模糊關系
2.1.5 模糊等價矩陣
2.2 粗糙集
2.2.1 粗糙集理論的基本思想
2.2.2 粗糙集理論的產生和發展
2.2.3 粗糙集理論的一些基本概念
2.2.4 粗糙集的應用
2.3 未確知理論
2.3.1 未確知數的概念
2.3.2 未確知數的加、減運算
2.3.3 未確知數的乘、除運算
2.3.4 確知數的大小關系
2.3.5 未確知數的數學期望與方差
2.3.6 高階未確知數降階方法
第3章 統計學習理論與支持向量機
3.1 統計學習理論
3.2 支持向量分類
3.2.1 基本概念
3.2.2 線性支持向量機
3.2.3 非線性支持向量機
3.2.4 支持向量分類算法
3.2.5 模型參數選擇
3.2.6 其他分類模型
3.3 支持向量回歸
3.3.1 ε-支持向量回歸
3.3.2 ν-支持向量回歸
3.3.3 其他回歸模型
3.3.4 時間序列分析
3.4 核函數及其應用
3.4.1 核理論基礎
3.4.2 核主成分分析
3.4.3 預警指標選擇
3.4.4 核聚類
第4章 基於可能性理論的模糊支持向量分類機
4.1 可能性測度與模糊機會約束規劃
4.2 模糊特征及其表示
4.3 模糊支持向量分類機
4.3.1 模糊線性可分模糊支持向量分類機
4.3.2 近似模糊線性可分模糊支持向量分類機
4.3.3 模糊非線性模糊支持向量分類機
4.4 數據試驗
4.5 最佳置信水平
4.6 模糊加權支持向量分類機
第5章 基於可信性理論的強模糊支持向量分類機
5.1 可信性測度與模糊機會約束規劃
5.2 強模糊支持向量分類機
5.2.1 強模糊線性可分強模糊支持向量分類機
5.2.2 近似強模糊線性可分強模糊支持向量分類機
5.2.3 強模糊非線性強模糊支持向量分類機
5.3 最佳置信水平
第6章 基於模糊系數規劃的模糊支持向量分類機
6.1 模糊系數規劃
6.2 模糊支持向量分類機
6.2.1 含有模糊信息的線性可分問題模糊支持向量分類機
6.2.2 含有模糊信息的近似線性可分問題模糊支持向量分類機
6.2.3 含有模糊信息的非線性問題模糊支持向量分類機
6.3 數據試驗
6.4 最佳閾值
第7章 模糊線性支持向量機
7.1 帶有模糊決策的模糊機會約束規劃
7.2 模糊線性支持向量分類機
7.3 模糊線性支持向量回歸機
7.4 基於模糊模擬的遺傳算法
7.4.1 模糊模擬
7.4.2 基於模糊模擬的遺傳算法
7.5 模糊支持向量集
第8章 不確定性支持向量機
8.1 粗糙集支持向量機
8.1.1 知識約簡方法
8.1.2 基於粗糙集預處理的支持向量分類
8.1.3 基於粗糙集預處理的支持向量回歸
8.1.4 財務困境預警應用實例
8.2 加權支持向量機
8.2.1 樣本不平衡問題
8.2.2 加權支持向量機模型
8.2.3 參數選擇
8.2.4 數據試驗
8.3 模糊模式識別與不完全支持向量機
8.3.1 簡述
8.3.2 不完全支持向量機
8.3.3 模糊隸屬度的確定
8.3.4 模糊模式識別
8.3.5 模糊模式識別與模糊支持向量分類機的比較
8.4 不確定性支持向量機
8.4.1 問題提出
8.4.2 不確定性支持向量分類
8.4.3 USVC與FSVM的關系
8.4.4 數據試驗
第9章 不確定性有序支持向量回歸
9.1 多類問題與有序回歸
9.2 模糊多類支持向量機
9.2.1 多類支持向量分類方法
9.2.2 模糊多類SVM
9.3 基於間隔最大化的有序回歸模型
9.3.1 最小間隔最大化
9.3.2 總間隔最大化
9.4 模糊有序回歸模型
9.4.1 模糊OSVR原理
9.4.2 隸屬度的確定
9.4.3 算法描述
9.4.4 數據試驗
9.5 不確定性有序回歸模型
第10章 不確定性聚類方法
10.1 模糊核κ-均值算法
10.2 可能性核聚類算法
10.3 加權有序支持向量聚類算法
10.3.1 有序支持向量聚類
10.3.2 加權聚類算法
第11章 未確知支持向量機
11.1 未確知事件的可信度
11.2 未確知機會約束規劃
11.3 未確知支持向量機
第12章 應用
12.1 冠心病診斷
12.2 亞健康診斷
12.3 城市空氣質量評價
12.4 糧食預警
12.4.1 中國糧食產量預警
12.4.2 中國糧食安全預警
12.4.3 糧食產量增長率回歸預測
12.4.4 糧食產量增長率時間序列分析
12.4.5 糧食安全綜合評價
12.4.6 糧食預警指標選擇
12.4.7 糧食安全區劃
12.5 棉花預警
12.5.1 棉花產量預警(兩類)
12.5.2 棉花產量預警(多類)
12.5.3 有序回歸棉花預警
12.6 稻瘟病氣象預警
12.7 財務困境識別
12.8 股票預測
12.9 遙感影像分類
參考文獻