支持向量分类机及其应用_阎满富著_9787513074346

本书以分类问题（模式识别、判别分析）为背景，介绍求解分类问题的支持向量机的基本理论、方法和应用，重点内容是支持向量机的理论基础和模型、分类问题的支持向量回归机求解途径、中心支持向量分类机、推理型支持向量分类机及支持向量分类机的应用。
本书可作为理工类、管理类等专业的高年级本科生、研究生的教材和教师的教学参考书，也可供有关领域的科技人员阅读参考。

支持向量机（Support Vector Machine，SVM）是基于统计学习理论、借助最优化方法来解决机器学习问题的新工具。它由科尔特斯（Cortes）和瓦普尼克（Vapnik）于1995年首先提出，并已成为近年来机器学习研究的一项重大成果。目前对支持向量机的研究主要集中在对其本身性质的研究和完善及加大应用研究的深度和广度两个方面。本书以解决分类问题为目标，从理论和模型的完善及应用两个方面，对支持向量分类机（Support Vector Classifier Machine，SVC）进行了较深入的研究和探讨，以做到理论和实践的结合。
以下是本书讨论的主要问题。
（1）在深入研究现有支持向量分类机和支持向量回归机（Support Vector Regression Machine，SVR）的基础上，把分类问题看作特殊的回归问题来处理，通过引入不同的范数及不同的损失函数，构建求解分类问题的支持向量回归机新模型，并对引入高斯损失函数得到的新模型给出求解的简便方法——简化的序列最小最优化算法。另外，针对多类分类问题提出了新的多类分类模型，数值试验表明该模型的鲁棒性和有效性，从而给出求解分类问题的支持向量机的新思路和新途径。
（2）冯（Fung）和曼格萨（Mangasarian）从直观上提出了中心支持向量分类机。本书通过理论推导和分析构造出中心支持向量分类机的原始优化问题，从不同的途径给出了中心支持向量分类机。在此基础上，首次给出了稀疏的中心支持向量分类机和加权的中心支持向量分类机。对含有不确定信息的分类问题，通过引入概率变量，构建了不确定中心支持向量分类机，从而实现对中心支持向量分类机理论的推广完善和创新。
（3）瓦普尼克提出了推理型支持向量分类机，其优化问题的求解比较困难。本书将其原始最优化问题变为无约束问题，并对其进行光滑化，从而构建了改进的推理型支持向量机和加权的推理型支持向量机，并成功地将新模型应用到网络入侵检测中，给出了网络入侵检测的新方法，使推理型支持向量机的理论和应用研究有了新的突破。
（4）首次将支持向量分类机应用到海水工厂化养殖中的环境监测问题。对河北省唐山市、秦皇岛市沿海的养殖工厂随机采集鱼类生长环境数据，进行检测和监控实验，取得了较好的应用效果，在切实解决实际问题的同时，进一步拓宽了支持向量机的应用领域。例如，本书给出支持向量分类机在棚栽植物生长环境监测中的应用，在地源热泵系统混合防冻剂、制冷剂配比中的应用，在义务教育学校均衡发展评价中的应用，在教师教育师资队伍量化评价中的应用，以及在商务决策管理的量化评价与调整中的应用等。本书构建的各种新的支持向量分类机，较一般支持向量分类机有明显的优势和良好性能，主要体现在有的模型求解算法简便、有的模型测试精度高、有的模型解决实际问题时针对性强，这均在数值试验和实际应用中得到证实。
本书得以出版，要特别感谢我的导师中国农业大学邓乃扬教授和我的同学中国科学院大学田英杰教授的指导，也特别感谢唐山师范学院的资助。
由于本人水平有限，书中难免有疏漏之处，敬请读者批评指正。

你还可能感兴趣

我要评论