支持向量機魯棒性模型與算法研究

內容簡介

　支持向量機是基於統計學習理論，以結構風險小化為原則的一種針對小樣本情況的新型機器學習方法，具有結構簡單、全局優解和泛化能力強等優點。支持向量機目前已成為機器學習領域解決分類問題和回歸問題的有效工具。然而，在現實問題中，由於受到各種因素的影響，樣本數據通常含有噪聲和異常值，這些數據使支持向量機的學習能力受到影響，表現在對異常值較敏感、魯棒性較差等。《支持向量機魯棒性模型與算法研究》擬從損失函式的角度出發，套用最佳化理論與方法，研究具有魯棒性的支持向量機改進模型與求解算法，使其能更有效地解決實際問題。

圖書目錄

第1章緒論

1．1 研究背景與意義

1．2 魯棒支持向量機國內外研究現狀

1．2．1 基於異常值剔除技術的魯棒SVM

1．2．2 加權形式或模糊隸屬度的魯棒SVM

1．2．3 基於p-範數的魯棒SVM

1．2．4 基於損失函式的魯棒SVM

1．2．5 其他形式的魯棒SVM

1．3 支持向量機基礎知識

1．3．1 支持向量機模型

1．3．2 損失函式

1．3．3 原始空間支持向量機

第2章基於非凸廣義線性損失函式的魯棒支持向量回歸機及套用

2．1 廣義線性損失函式

2．2 基於非凸廣義線性損失函式的魯棒支持向量回歸機

2．2．1 非凸廣義線性損失函式

2．2．2 魯棒SVR模型

2．2．3 凹凸過程

2．2．4 算法實現

2．3 數值實驗

2．3．1 真實數據實驗

2．3．2 金融時間序列數據實驗

2．3．3 排序學習數據實驗

2．4 本章小結

第3章基於非凸廣義二次損失函式的魯棒支持向量回歸機

3．1 廣義二次損失函式

3．2 基於非凸廣義二次損失函式的魯棒支持向量回歸機

3．2．1 非凸廣義二次損失函式

3．2．2 DC規劃及算法實現

3．3 數值實驗

3．4 本章小結

第4章基於非凸二次損失函式的魯棒最小二乘支持向量回歸機

4．1 非凸二次損失函式

4．2 基於非凸二次損失函式的魯棒最小二乘支持向量回歸機

4．2．1 RLS．SVR求解及算法實現

4．2．2 收斂性和複雜度分析

4．3 數值實驗

4．3．1 模擬數據實驗

4．3．2 真實數據實驗

4．3．3 參數分析

4．4 本章小結

第5章基於Laplace損失函式的魯棒最小二乘支持向量回歸機

5．1 基於Laplace損失函式的魯棒最小二乘支持向量回歸機

5．2 算法實現

5．3 數值實驗

支持向量機魯棒性模型與算法研究

基本介紹

內容簡介

圖書目錄

作者簡介

相關詞條

熱門詞條