支持向量機建模及其智慧優化（簡體書）

王建國、張文興等編著的《支持向量機建模及其智能優化》以實際工業過程為背景，研究了冶金生產過程、化工生產過程，并獲取了大量的實際生產數據，利用數據挖掘方法，挖掘出數據中隱含的生產規律，提出了一些改進的建模方法和優化方法，這些方法不僅適用于冶金和化工，還可廣泛用于裝備制造、材料、航天航空等領域。
本書的建模方法主要以支持向量機為基礎，針對數據分布不平衡和海量數據的建模問題、模型的在線學習和優化問題進行了相關的算法研究，如粒度支持向量機、主動學習的增量支持向量機、誤差校正的混合核函數在線支持向量機、粒子群智能優化方法和蟻群智能優化方法等，這些方法均配有仿真實驗和實際生產數據實驗，用于驗證方法的有效性。
本書作為專業學術類參考書，可供高年級本科生、研究生、工程師、高校教師等人員閱讀參考。

王建國、張文興等編著的《支持向量機建模及其智能優化》主要以支持向量機理論為基礎，針對數據分布不平衡和海量數據的SVM建模問題、模型的在線學習和優化問題以及相關的算法研究，同時利用公開標準數據集和實際生產過程產生的實際數據進行了方法驗證。 本書可供機械、信息、冶金、化工等領域的高年級本科生、研究生、工程技術人員和科技工作者閱讀參考。?

第1章 緒論
1.1 引言
1.2 模型預測方法
1.3 統計學習理論基礎
1.3.1 VC維
1.3.2 經驗風險*小化原則
1.3.3 結構風險*小化原則
1.4 支持向量機的提出
1.5 支持向量機理論
1.5.1 分類支持向量機
1.5.2 回歸支持向量機
1.6 支持向量機算法研究
1.6.1 塊算法
1.6.2 分解算法
1.6.3 并行學習算法
1.6.4 原始空間中的學習算法
1.6.5 集成學習算法
1.6.6 復雜條件下的學習算法
1.7 支持向量機的參數優化
1.7.1 參數對支持向量機的影響
1.7.2 遺傳算法優化支持向量機
1.7.3 蟻群算法優化支持向量機
1.7.4 粒子群算法優化支持向量機
參考文獻
第2章 連續過松弛和嚴格凸二次規劃的支持向量機
2.1 支持向量機的大規模訓練樣本方法
2.1.1 塊算法
2.1.2 固定工作樣本集法
2.1.3 增量學習算法
2.1.4 *小二乘算法
2.1.5 連續過松弛算法
2.2 連續過松弛和嚴格凸二次規劃的支持向量機建模方法
2.2.1 嚴格的凸二次規劃
2.2.2 快速支持向量機算法FSVM
2.2.3 仿真實驗及結果
2.2.4 小結
2.3 基于FSVM方法在帶鋼連續熱鍍鋅質量建模中的應用
2.3.1 帶鋼連續熱鍍鋅生產概述
2.3.2 冷軋熱鍍鋅帶鋼的產品質量及其影響因素
2.3.3 模型參數的確定和樣本的收集
2.3.4 數據預處理
2.3.5 預測模型的評判和參數選擇
2.3.6 建立鋅層重量預測模型
2.3.7 小結
參考文獻
第3章 基于模糊C均值和SNN相似度的粒度支持向量機
3.1 粒度計算
3.1.1 詞計算模型
3.1.2 粗糙集模型
3.1.3 商空間模型
3.2 粒度支持向量機
3.2.1 粒度支持向量機的研究現狀
3.2.2 粒度支持向量機理論
3.3 核模糊C均值聚類
3.3.1 K均值聚類
3.3.2 模糊C均值聚類
3.3.3 核模糊C均值聚類
3.4 基于核模糊C均值聚類的粒度支持向量機
3.4.1 算法原理及流程
3.4.2 仿真實驗
3.4.3 小結
3.5 基于SNN相似度的粒度支持向量機
3.5.1 共享*近鄰相似度
3.5.2 k*近鄰連通度
3.5.3 GSVM-SNN算法步驟
3.5.4 仿真實驗
3.5.5 小結
3.6 粒度支持向量回歸機在甲醇合成中應用
3.6.1 粒度支持向量回歸機
3.6.2 甲醇合成過程
3.6.3 影響甲醇合成的關鍵參數
3.6.4 甲醇合成建模
參考文獻
第4章 基于凸殼和KKT條件的增量支持向量機
4.1 支持向量機增量學習
4.2 主動學習
4.3 凸殼理論
4.4 基于KKT條件約束的增量支持向量機
4.4.1 算法原理
4.4.2 算法步驟
4.4.3 實驗分析
4.5 基于凸殼和KKT條件約束的增量支持向量機建模方法
4.5.1 主動學習算法性能
4.5.2 基于主動學習的支持向量機增量學習算法性能
4.6 小結
參考文獻
第5章 誤差校正的混合核函數在線支持向量機
5.1 在線支持向量機
5.2 **在線支持向量回歸機算法原理
5.3 核函數分析
5.3.1 單一核函數
5.3.2 混合核函數
5.4 混合核函數的**在線支持向量機
5.4.1 數據預處理
5.4.2 算法步驟
5.4.3 仿真實驗
5.4.4 小結
5.5 基于誤差校正的混合核函數**在線支持向量機 <>< d=""><>