支持向量机算法及在大规模样本集的应用
作者： 梁锦锦
出版时间：2017年版
内容简介
　　《本书是关于支持向量机理论及算法的专著。全书共分八章：第一章介绍了数据挖掘算法的发展历程、支持向量机的研究现状；第二章介绍了统计学习理论和*优化理论中的重要概念和定理；第三章在*优分类超平面基础之上，详细阐述了三类情形下的支持向量机模型；第四章至第六章依次介绍了*小二乘支持向量机、支持向量域描述、光滑支持向量机；第七章将支持向量机与其他算法集成，展示了在大规模样本集上的分类性能；第八章展望支持向量机未来的发展趋势。》是关于支持向量机理论及算法的专著。全书共分八章：第一章介绍了数据挖掘算法的发展历程、支持向量机的研究现状；第二章介绍了统计学习理论和*优化理论中的重要概念和定理；第三章在*优分类超平面基础之上，详细阐述了三类情形下的支持向量机模型；第四章至第六章依次介绍了*小二乘支持向量机、支持向量域描述、光滑支持向量机；第七章将支持向量机与其他算法集成，展示了在大规模样本集上的分类性能；第八章展望支持向量机未来的发展趋势。
目录

目录
1绪论（1）
1.1机器学习理论（1）
1.1.1学习问题的一般模型（2）
1.1.2经验风险最小化原则（3）
1.1.3模型复杂度和推广能力（3）
1.1.4结构风险最小化原则（4）
1.2支持向量机算法及研究现状（4）
1.2.1理论研究（5）
1.2.2训练算法（7）
1.2.3应用研究（8）
2统计学习理论和最优化理论（10）
2.1统计学习理论基础（10）
2.1.1学习问题的数学表达（10）
2.1.2经验风险最小化原则（11）
2.1.3学习过程的一致性条件（11）
2.1.4学习过程收敛速率的渐进性理论（13）
2.1.5推广能力的泛化误差界（14）
2.1.6结构风险最小化原则（14）
2.2最优化理论（15）
2.2.1基本概念（16）
2.2.2凸集理论基础（17）
2.2.3拉格朗日乘子理论（18）
2.3本章小结（21）
3标准支持向量机算法（22）
3.1最优分类超平面（22）
3.2核函数理论（23）
3.3支持向量机算法（25）
3.3.1线性支持向量机（25）
3.3.2近似线性可分支持向量机（26）
3.3.3非线性支持向量机（28）
3.3.4支持向量特性（29）
3.4数值试验（30）
3.4.1数据预处理（30）
3.4.2实验结果（31）
3.5本章小结（33）
4最小二乘支持向量机算法（34）
4.1最小二乘支持向量机（34）
4.1.1线性最小二乘支持向量机（34）
4.1.2非线性最小二乘支持向量机（35）
4.2原空间最小二乘支持向量机（36）
4.2.1线性原空间最小二乘支持向量机（36）
4.2.2非线性原空间最小二乘支持向量机（37）
4.2.3标准形式（38）
4.2.4仿真实验（39）
4.2.5小结（41）
4.3稀疏最小二乘支持向量机（42）
4.3.1线性稀疏最小二乘支持向量机（42）
4.3.2非线性稀疏最小二乘支持向量机（42）
4.3.3稀疏模型L1SLSSVM（43）
4.3.4仿真实验（43）
4.3.5小结（46）
4.4本章小结（46）
5支持向量域描述算法（47）
5.1研究现状（47）
5.2工作机理（48）
5.2.1线性空间SVDD（48）
5.2.2特征空间SVDD（49）
5.2.3支持向量特性及分布（51）
5.3约简支持向量域描述RSVDD（51）
5.3.1中心距离比值SVM（52）
5.3.2约简支持向量域描述（53）
5.3.3约简集规模（54）
5.3.4数值实验（55）
5.3.5结论（57）
5.4信赖支持向量域描述（57）
5.4.1信赖支持向量域描述（57）
5.4.2抽样集规模（58）
5.4.3抽样集分布（58）
5.4.4参数设置和复杂度（60）
5.4.5数值实验（61）
5.4.6结论（63）
5.6本章小结（64）
6光滑支持向量机算法（65）
6.1引言（65）
6.2Mangasasian的光滑SSVM（66）
6.2.1标准SVM（66）
6.2.2光滑支持向量机（67）
6.2.3多项式光滑模型（67）
6.3光滑对角加权支持向量机（69）
6.3.1二次损失函数SVM（69）
6.3.2线性光滑对角加权支持向量机（70）
6.3.3非线性光滑对角加权支持向量机（72）
6.3.4算法实现（76）
6.3.5数值实验（77）
6.4隐空间光滑支持向量机（80）
6.4.1隐空间简介（81）
6.4.2隐空间支持向量机（81）
6.4.3隐空间光滑支持向量机HS3VM （83）
6.4.4PSO参数寻优（83）
6.4.5数值试验（85）
6.4.6结束语（87）
6.5本章小结（87）
7大规模样本集下的支持向量机算法（88）
7.1同心超球面支持向量机HSVM（88）
7.1.1理论基础（88）
7.1.2同心超球面组的构造（90）
7.1.3算法实现（92）
7.1.4数值实验（93）
7.1.5小结（95）
7.2支持向量机的集成算法（95）
7.2.1集成学习算法概述（95）
7.2.2空间支持向量域分类器SSVDC（96）
7.2.3算法实现（100）
7.2.4数值实验（101）
7.2.5结论（105）
7.3聚类分片双支持向量域分类器（106）
7.3.1聚类分片（106）
7.3.2双支持向量域分类器（108）
7.3.3链接规则（110）
7.3.4复杂度分析（111）
7.3.5数值试验（111）
7.4本章小结（114）
8总结与展望（116）
8.1总结（116）
8.2展望（117）
参考文献（119）