支持向量機理論及工程應用實例

第1章 統(tǒng)計學習理論基礎 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 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備備件供應研究 69

3.7.1 設備備件供應保障概述 69

3.7.2 基于LS-SVM的設備備件多元分類 70

3.7.3 基于SVM的設備備件需求預測 73

第4章 應用背景及混合氣體紅外光譜分析基礎 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 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

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，第2章支持向量機基礎，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，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、機器學習、數(shù)據(jù)挖掘等課程的參考教材。

圖書簡介

《復合地基理論及工程應用》為中國建筑工業(yè)出版社出版發(fā)行。

2100433B

在數(shù)學中，向量（也稱為歐幾里得向量、幾何向量、矢量），指具有大?。╩agnitude）和方向的量。它可以形象化地表示為帶箭頭的線段。箭頭所指：代表向量的方向；線段長度：代表向量的大小。與向量對應的只有大小，沒有方向的量叫做數(shù)量（物理學中稱標量）。

向量的記法：印刷體記作粗體的字母（如a、b、u、v），書寫時在字母頂上加一小箭頭“→”。 如果給定向量的起點（A）和終點（B），可將向量記作AB（并于頂上加→）。在空間直角坐標系中，也能把向量以數(shù)對形式表示，例如Oxy平面中(2,3)是一向量。

在物理學和工程學中，幾何向量更常被稱為矢量。許多物理量都是矢量，比如一個物體的位移，球撞向墻而對其施加的力等等。與之相對的是標量，即只有大小而沒有方向的量。一些與向量有關(guān)的定義亦與物理概念有密切的聯(lián)系，例如向量勢對應于物理中的勢能。

幾何向量的概念在線性代數(shù)中經(jīng)由抽象化，得到更一般的向量概念。此處向量定義為向量空間的元素，要注意這些抽象意義上的向量不一定以數(shù)對表示，大小和方向的概念亦不一定適用。因此，平日閱讀時需按照語境來區(qū)分文中所說的"向量"是哪一種概念。不過，依然可以找出一個向量空間的基來設置坐標系，也可以透過選取恰當?shù)亩x，在向量空間上介定范數(shù)和內(nèi)積，這允許我們把抽象意義上的向量類比為具體的幾何向量。