支持向量機建模及其智慧型最佳化

《支持向量機建模及其智慧型最佳化》是2015年清華大學出版社出版的圖書，作者是王建國、張文興。

基本介紹

• 書名：支持向量機建模及其智慧型最佳化
• 作者：王建國 張文興
• ISBN：9787302400882
• 定價：39
• 出版社：清華大學出版社
• 出版時間：2015.09.01

前言

20世紀90年代，Vapnik等人在VC維理論和結構風險最小化原則的基礎上，提出了針對小樣本、非線性、高維問題的機器學習方法——支持向量機（supportvectormachine,SVM）。歷經十多年的發展，支持向量機已成為國內外專家、學者的研究熱點，並在模式識別、光譜分析、數據挖掘、人工智慧、醫學、經濟、社會等各個領域得到廣泛套用。

多年來，作者一直從事基於數據驅動的質量建模和群智慧型最佳化方面的研究，特別是在支持向量機建模及粒子群和蟻群智慧型最佳化方法方面取得了一些有價值的研究成果。本書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、模型的線上學習和最佳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。本書具有如下特點。

（1）著重從套用的角度出發，強調理論與工程實際的緊密結合，突出實用性。

（2）內容由淺入深且易於理解。

（3）每章均有典型的套用實例，並給出了詳實的步驟及其結果分析。

本書各章的主要內容包括：第1章介紹統計學習理論、支持向量機的分類模型和回歸模型、支持向量機的研究現狀以及支持向量機的參數最佳化方法；第2章分析支持向量機二次規劃問題中的最佳化目標和約束條件問題，介紹一種新的支持向量機快速建模方法——連續過鬆弛和嚴格凸二次規劃的支持向量機，並將該方法套用於冷軋帶鋼熱鍍鋅生產過程建模；第3章討論數據分布不平衡情況下的建模方法，介紹粒度計算和模糊C均值聚類方法，在此基礎上詳細分析了模糊C均值和共享最近鄰(sharednearestneighbor,SNN)相似度的粒度支持向量機方法，最後將該方法用於甲醇合成過程的質量建模；第4章討論大數據的增量建模方法，分析凸殼理論的幾何意義及其求解方法，結合KKT條件，介紹基於凸殼和KKT條件的增量支持向量機建模方法；第5章討論支持向量機線上建模方法，分析混合核函式及誤差校正方法對線上建模的影響；第6章討論粒子群智慧型最佳化算法，從粒子群的更新策略、慣性權重、多種群3個方面分析了粒子群方法的特點，並用粒子群算法最佳化支持向量機的結構參數；第7章討論蟻群智慧型最佳化方法，分析蟻群最佳化方法的原理和特點，介紹分段蟻群最佳化方法和權重蟻群最佳化方法。

本書涉及的研究內容、成果得到了國家自然科學基金“基於支持向量機和群智慧型的煤制甲醇合成過程建模及最佳化方法研究”和內蒙古自然科學基金重大項目“基於數據驅動的帶鋼熱鍍鋅生產過程工藝參數最佳化的研究”資助。本書由王建國和張文興完成主要撰寫工作，此外，秦波參與了第2章和第3章、楊斌參與了第4章和第7章、劉文婧參與了第6章的撰寫工作，雲海濱、叢寬、范凱、陳良武、武麗明、趙元元、張志傑、陳肖潔等碩士研究生參與了部分研究工作，在此向他們表示感謝。

當今世界正處於知識大爆炸的時代，知識的更新日新月異，由於作者理論水平有限，以及所做研究工作的局限性，書中難免存在不妥之處，懇請廣大讀者批評指正。

作者

2015年6月

內容簡介

本書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，並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最佳化方法，這些方法不僅適用於冶金和化工，還可廣泛用於裝備製造、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、模型的線上學習和最佳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式線上支持向量機、粒子群智慧型最佳化方法和蟻群智慧型最佳化方法等，這些方法均配有仿真實驗和實際生產數據實驗，用於驗證方法的有效性。 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。

目錄

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

1.3.1VC維

1.3.2經驗風險最小化原則

1.3.3結構風險最小化原則

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並行學習算法

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複雜條件下的學習算法

1.7支持向量機的參數最佳化

1.7.1參數對支持向量機的影響

1.7.2遺傳算法最佳化支持向量機

1.7.3蟻群算法最佳化支持向量機

1.7.4粒子群算法最佳化支持向量機

參考文獻

第2章連續過鬆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最小二乘算法

2.1.5連續過鬆弛算法

2.2連續過鬆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基於FSVM方法在帶鋼連續熱鍍鋅質量建模中的套用

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章基於模糊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

3.3.1K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基於核模糊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基於SNN相似度的粒度支持向量機

3.5.1共享最近鄰相似度

3.5.2k最近鄰連通度

3.5.3GSVM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套用

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章基於凸殼和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基於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基於凸殼和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基於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式線上支持向量機

5.1線上支持向量機

5.2精確線上支持向量回歸機算法原理

5.3核函式分析

5.3.1單一核函式

5.3.2混合核函式

5.4混合核函式的精確線上支持向量機

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基於誤差校正的混合核函式精確線上支持向量機

5.5.1誤差校正

5.5.2仿真實驗

5.5.3小結

5.6線上支持向量機在甲醇合成中的套用

5.6.1模型的參數選擇

5.6.2甲醇合成線上支持向量機建模

參考文獻

第6章基於鄰域自適應選取和雙種群的粒子群最佳化支持向量機

6.1粒子群最佳化方法

6.1.1粒子群最佳化算法概述

6.1.2標準粒子群算法

6.1.3基本流程

6.2非線性慣性權重和鄰域自適應選取的粒子群最佳化支持向量機

6.2.1對粒子速度與位置更新策略的改進

6.2.2對慣性權重搜尋方法的改進

6.2.3IPSO最佳化SVM

6.2.4實驗分析

6.3雙種群的粒子群最佳化支持向量機

6.3.1基於雙種群的粒子群最佳化算法

6.3.2雙種群粒子群最佳化算法尋優過程模擬

6.3.3基於DPPSO最佳化SVM的步驟及流程

6.3.4預測模型的評價指標

6.3.5實驗分析

6.3.6小結

參考文獻

第7章權重分配的分段蟻群算法最佳化支持向量機

7.1蟻群算法

7.1.1蟻群算法的原理

7.1.2蟻群算法的數學模型

7.1.3蟻群算法的特點

7.1.4蟻群算法的若干改進

7.2分段蟻群算法最佳化SVM

7.3權重分配蟻群算法最佳化SVM

7.4基於權重分配的分段蟻群最佳化SVM的甲醇合成轉化率預測

7.5小結

參考文獻