納米氧化鋁材料設(shè)計的支持向量機方法

結(jié)合納米氧化鋁材料的廉價制備的探索性研究和氧化銦氣敏材料綜合性能的優(yōu)化研究，在已掌握支持向量機基本算法的基礎(chǔ)上，研究以支持向量機為基礎(chǔ)的實驗設(shè)計的新算法和新軟件，并用于尋求制備納米氫氧化鋁的最優(yōu)條件的數(shù)學模型、尋求由納米氫氧化鋁煅燒制取納米級α氧化鋁粉或多孔薄膜的最佳條件和工藝的數(shù)學模型、尋求這一新的實驗設(shè)計手段在氧化銦新型氣敏元件綜合性能的優(yōu)化工作中的應用。實驗設(shè)計中條件和工藝優(yōu)化問題是材料設(shè)計領(lǐng)域普遍存在的問題，本課題不僅要解決納米氧化鋁廉價制備條件的優(yōu)化等問題，而且要為其它材料科學家提供一整套行之有效的材料設(shè)計和實驗設(shè)計的新方法、新軟件。支持向量機方法不僅在材料設(shè)計領(lǐng)域?qū)⒊蔀橐环N重要的數(shù)據(jù)處理算法，而且可望在化學化工等領(lǐng)域有廣闊的應用前景。 2100433B

本書從機器學習的基本問題開始，循序漸進地介紹了相關(guān)的內(nèi)容，包括線性分類器、核函數(shù)特征空間、推廣性理論和優(yōu)化理論，從而引出了支持向量機的算法，進而將支持向量機應用到實際的工程實例中。

本書共分為8章，第1章統(tǒng)計學習理論基礎(chǔ)，第2章支持向量機基礎(chǔ)，第3章支持向量機的分類、回歸問題及應用，第4章應用背景及混合氣體紅外光譜分析基礎(chǔ)，第5章基于SVM和紅外光譜的含烴類混合氣體分析方法，第6章含烴類混合氣體分析方法的實際應用研究，第7章層次式SVM子集含烴類混合氣體光譜分析框架研究， 第8章石油天然氣紅外光譜分析系統(tǒng)的集成應用。

本書適合高等院校高年級本科生、研究生、教師和相關(guān)科研人員及相關(guān)領(lǐng)域的工作者使用。

本書既可作為研究生教材，也可作為神經(jīng)網(wǎng)絡(luò)、機器學習、數(shù)據(jù)挖掘等課程的參考教材。

第1章 統(tǒng)計學習理論基礎(chǔ) 1

1.1 機器學習 1

1.1.1 基于數(shù)據(jù)的機器學習問題模型 2

1.1.2 經(jīng)驗風險最小化 5

1.2 統(tǒng)計學習理論的產(chǎn)生 5

1.3 學習過程的一致性條件 7

1.4 VC維理論 8

1.5 推廣性的界 9

1.6 結(jié)構(gòu)風險最小化 10

1.6.1 結(jié)構(gòu)風險最小化的含義 10

1.6.2 SRM原則的實現(xiàn) 11

第2章 支持向量機基礎(chǔ) 13

2.1 SVM的基本思想 13

2.1.1 最優(yōu)分類面 14

2.1.2 廣義的最優(yōu)分類面 15

2.2 核函數(shù) 17

2.3 支持向量機的經(jīng)典算法剖析 20

2.3.1 算法概述 21

2.3.2 SMO算法 23

2.3.3 C-SVM算法及其變形算法 28

2.3.4 v-SVM算法 30

2.4 SMO算法的自適應學習改進方法 32

2.4.1 SMO算法與二次規(guī)劃 33

2.4.2 自適應學習方法 33

2.4.3 實驗結(jié)果 34

2.5 LibSVM軟件 36

2.5.1 LibSVM軟件簡介 36

2.5.2 LibSVM軟件的使用方法 37

第3章 支持向量機的分類、 回歸問題及應用 41

3.1 分類問題的提出及SVM分類原理 41

3.1.1 線性分類 43

3.1.2 近似線性分類 44

3.1.3 非線性分類 45

3.2 多類分類問題 46

3.2.1 多類分類原理 47

3.2.2 經(jīng)典多類分類算法簡介 48

3.3 SVM回歸原理 53

3.3.1 SVM回歸問題的描述 53

3.3.2 線性支持向量機回歸 55

3.3.3 非線性支持向量機回歸 56

3.4 基于關(guān)聯(lián)規(guī)則的SVM在線分類方法 57

3.4.1 基本思路 58

3.4.2 混合氣體分布模式中心集的生成 59

3.4.3 分布模式SVM的在線學習 60

3.5 壓力傳感器支持向量機的校正方法 62

3.5.1 支持向量機與壓力傳感器的特性校正原理 62

3.5.2 實驗及分析 64

3.6 支持向量機回歸用于分類 66

3.6.1 思路及推導證明 66

3.6.2 應用實例 67

3.7 基于支持向量機的設(shè)備備件供應研究 69

3.7.1 設(shè)備備件供應保障概述 69

3.7.2 基于LS-SVM的設(shè)備備件多元分類 70

3.7.3 基于SVM的設(shè)備備件需求預測 73

第4章 應用背景及混合氣體紅外光譜分析基礎(chǔ) 77

4.1 研究背景與意義 77

4.2 氣測錄井中混合氣體分析的發(fā)展、 現(xiàn)狀及存在的問題 79

4.2.1 氣相色譜分析 79

4.2.2 紅外光譜分析 82

4.3 支持向量機與紅外光譜分析結(jié)合 87

4.3.1 問題的提出 87

4.3.2 研究方法 88

4.3.3 技術(shù)路線 88

4.4 紅外光譜分析理論基礎(chǔ) 88

4.4.1 LambertBeer吸收定律 89

4.4.2 紅外光譜理論 90

4.4.3 傅立葉變換紅外光譜儀 92

4.5 紅外光譜數(shù)據(jù)的描述及分析方法 95

4.5.1 紅外光譜數(shù)據(jù)的描述 95

4.5.2 紅外光譜分析方法 96

4.6 紅外光譜分析 97

4.6.1 紅外光譜的定性分析 97

4.6.2 紅外光譜的定量分析 100

第5章 基于SVM和紅外光譜的含烴類混合氣體分析方法 105

5.1 分析方法的基本工作模式及處理流程 105

5.1.1 分析思路 106

5.1.2 含烴類混合氣體組分濃度的SVM分析原理 107

5.1.3 實驗裝置 108

5.1.4 處理流程 108

5.2 含烴類混合氣體的基本工作模式分析 110

5.2.1 混合氣體樣本的建立 110

5.2.2 光譜數(shù)據(jù)預處理 112

5.2.3 SVM校正模型的訓練與檢驗 112

5.2.4 SVM校正模型的實現(xiàn) 113

第6章 含烴類混合氣體分析方法的實際應用研究 115

6.1 含烴類混合氣體分析方法的參數(shù)選擇 115

6.1.1 SVM校正模型參數(shù)對分析結(jié)果的影響 115

6.1.2 光譜數(shù)據(jù)預處理——歸一擴展法 117

6.1.3 光譜分析波段對結(jié)果的影響 119

6.1.4 紅外光譜儀掃描間隔對結(jié)果的影響 120

6.1.5 參數(shù)選擇結(jié)果 121

6.2 二氧化碳氣體濃度分析 122

6.2.1 混合氣體樣本的建立 122

6.2.2 光譜數(shù)據(jù)預處理 124

6.2.3 SVM校正模型的訓練與檢驗 124

6.2.4 SVM校正模型的實現(xiàn) 124

6.3 含烴類混合氣體組分濃度分析 125

6.3.1 單組分氣體實驗 125

6.3.2 兩組分氣體實驗 127

6.3.3 多組分氣體實驗 128

6.4 含烴類混合氣體組分種類分析 129

6.4.1 SVM校正模型用于混合氣體組分種類識別的原理 129

6.4.2 實際應用 130

第7章 層次式SVM子集含烴類混合氣體光譜分析框架研究 131

7.1 層次式SVM子集混合氣體分析框架 131

7.1.1 基本概念 131

7.1.2 層次式SVM子集原理 132

7.1.3 實驗結(jié)果 134

7.2 層次式SVM子集含烴類混合氣體的光譜分析集成框架 135

7.2.1 分析集成框架的結(jié)構(gòu) 135

7.2.2 混合氣體分布子模式的建立 136

7.2.3 SVM模型的建立及優(yōu)化 138

7.2.4 分析結(jié)果 140

第8章 石油天然氣紅外光譜分析系統(tǒng)的集成應用 141

8.1 實驗系統(tǒng) 141

8.1.1 配氣系統(tǒng) 141

8.1.2 紅外光譜數(shù)據(jù)樣本制作系統(tǒng) 144

8.1.3 SVM校正模型 148

8.2 系統(tǒng)集成框架 148

8.2.1 系統(tǒng)總體框架 149

8.2.2 系統(tǒng)硬件 149

8.2.3 系統(tǒng)軟件 150

8.2.4 系統(tǒng)功能 153

8.3 現(xiàn)場應用 153

8.3.1 性能指標評估 153

8.3.2 運行狀況 155

參考文獻 156 2100433B