稀疏非平行支持向量機與最最佳化

內容簡介

近年來，支持向量機在理論研究以及實際套用領域，均已有廣泛的研究，而將稀疏學習與支持向量機結合，特別是與非平行支持向量機這一新的方法結合所進行的理論和方法研究並不成熟，尚處於初始階段。本書從*化的角度對此進行了較為系統的闡述，主要包括支持向量機的經典模型，比如標準的支持向量機、*小二乘支持向量機、雙子支持向量機、非平行支持向量機，以及作者所做的一些工作，比如稀疏的非平行支持向量機、稀疏的*小二乘支持向量機等，還包括全局*化以及相應的進化算法等。本書適合高等學校高年級學生、研究生、教師和相關科研人員及相關領域的實際工作者參考使用。

圖書目錄

1.1稀疏學習2

1.1.1樣本稀疏性2

1.1.2特徵稀疏性3

1.2化4

1.2.1問題描述5

1.2.2最佳化算法及其分類5

1.3遺傳算法7

1.3.1基本概念8

1.3.2步驟11

1.3.3基礎理論研究概述12

1.3.4遺傳算法的現狀與展望14

第2章基礎算法15

2.1標準支持向量機(SVM)15

2.2小二乘支持向量機(LSSVM)16

2.3基於Ramp損失的支持向量機(RSVM)18

2.4雙子支持向量機(TWSVM)19

2.4.1線性雙子支持向量機(LTWSVM)20

2.4.2非線性雙子支持向量機(NLTWSVM)21

2.5非平行超平面支持向量機(NPSVM)22

2.6大規模SVM25

2.7小結25

第3章稀疏的非平行超平面支持向量機(RNPSVM)26

3.1線性情況26

3.1.1原始問題26

3.1.2對偶問題28

3.2非線性情況34

3.3算法分析34

3.4數值實驗36

3.5小結40

第4章NPSVM的統計學習理論解釋和線性規劃的NPSVM41

4.1Universum支持向量機(USVM)41

4.2USVM與NPSVM的關係42

4.3基於線性規劃的NPSVM44

4.3.1線性規劃問題44

4.3.2數值實驗46

4.4基於線性規劃的RNPSVM47

4.4.1線性規劃問題48

4.4.2數值實驗50

4.5小結50

第5章稀疏的小二乘支持向量機(RLSSVM)51

5.1LSTWSVM和LSSVM的關係51

5.2基於ε不敏感損失函式的小二乘支持向量機(εLSSVM)52

稀疏非平行支持向量機與最最佳化

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條