信息科學技術學術著作叢書》序
序
前言
第1章 支持嚮量機方法
1．1 統計學習理論
1．1．1 經驗風險極小化原理
1．1．2 結構風險極小化原理
1．2 支持嚮量機學習方法
1．2．1 基本形式
1．2．2 基本性質
1．2．3 其他形式
1．3 支持嚮量機的發展現狀
1．3．1 誤差界估計及模型選擇
1．3．2 算法加速
1．3．3 與其他方法的融閤
參考文獻
第2章 支持嚮量機的模型選擇
2．1 模型選擇問題
2．2 基於尺度空間理論的核選擇方法
2．3 基於迴歸的核選擇方法
2．4 基於數據分布的模型選擇方法
2．5 基於凸包估計的核選擇方法
參考文獻
第3章 基於領域知識的支持嚮量機建模
3．1領域知識與支持嚮量機的融閤
3．1. 1 經驗知識
3．1．2 不變性常識與SVM的融閤技術
3．2 基於最佳逼近點的不變性常識支持嚮量機模型
3．2．1 基於最佳逼近點的不變性常識與支持嚮量機的融閤方法
3．2．2 數值實聆
3．3 基於時間相關性核的支持嚮量機模型
3．3．1 時序核函數構造
3．3．2 環境時序預測建模方法
3．3．3 數值實驗
參考文獻
第4章 基於粒度計算的支持嚮量機建模
4．1 粒度計算概述
4．1．1 粒度計算的基本概念
4．1．2 粒度計算的基本模型及現狀
4．2 粒度支持嚮量機概述
4．2．1 粒度支持嚮量機基本思想
4．2．2 幾種典型的粒度支持嚮量機學習模型
4．3 基於核方法的粒度支持嚮量機模型
4．3．1 基於粒度核的粒度支持嚮量機模型
4．3．2 基於核空間的GSVM模型
4．4 基於多維關聯規則的粒度支持嚮量機模型
4．4．1 基於關聯規則的粒度支持嚮量機學習模型
4．4．2 基於多維關聯規則的粒劃分
4．4．3 基於多維關聯規則挖掘的GSVM學習方法
4．4．4 實驗結果與分析
參考文獻
第5章 基於半監督學習的支持嚮量機建模
5．1 半監督學習方法
5．2 直推支持嚮量機學習模型
5．2．1 直推支持嚮量機
5．2．2 LS-TSVM
5．3 協同支持嚮量機學習模型
5．3．1 經典的半監督協同訓練方法
5．3．2 基於差異性度量的支持嚮量迴歸機協同學習方法
參考文獻
第6章 基於集成學習的支持嚮量機建模
6．1 集成學習方法
6．1. 1 集成學習方法簡介
6．1．2 經典的集成學習方法
6．2 集成學習建模
6．2．1 基於Bagging算法的迴歸支持嚮量機集成建模
6．2．2 基於特徵選擇的支持嚮量機Bagging模型
6．2．3 選擇性支持嚮量機集成模型
6．2．4 麵嚮大數據的集成支持嚮量機模型
6．2．5 基於集成支持嚮量機的核參數選擇
參考文獻
第7章 大規模數據的支持嚮量機建模
7．1 基於相似度度量的支持嚮量機建模
7．1．1 支持嚮量機的訓練算法
7．1．2 基於相似度度量的快速支持嚮量迴歸方法
7．1．3 數值實驗
7．1．4 算法在壓縮訓練集方麵的有效性驗證
7．1．5 不同規模訓練集上的實驗分析
7．1．6 相似度閾值在算法中的作用
7．1．7 算法對大規模訓練集的有效性驗證
7．2 基於神經網絡的支持嚮量機建模
7．2．1 神經網絡簡介
7．2．2 基於ART神經網絡的支持嚮量機
7．2．3 基於SOM神經網絡的支持嚮量機
7．2．4 實驗結果及相關分析
7．3 基於增量學習的支持嚮量機模型
7．3．1 麵嚮分類的支持嚮量機增量學習模型
7．3．2 麵嚮迴歸的支持嚮量機增量學習模型
參考文獻
第8章 支持嚮量機的應用
8．1 支持嚮量機在空氣質量預測中的應用
8．1. 1 基於神經網絡的預測模型
8．1．2 實驗結果
8．2 支持嚮量機在中文垃圾郵件過濾中的應用
8．2．1 垃圾郵件過濾模型設計
8．2．2 中文電子郵件的特徵錶示
8．2．3 實驗數據及評價指標
8．2．4 數據實驗及分析
8．3 支持嚮量機在中文句法分析中的應用
8．3．1 結構化支持嚮量機學習方法
8．3．2 句法分析
8．3．3 基於SVM-struct的中文句法分析方法
8．3．4 實驗結果與分析
8. 4 支持嚮量機在圖像分類中的應用
8．4．1 圖像的特徵提取與錶示
8．4．2 基於SVM的圖像分類方法
8．5 支持嚮量機在非平衡分類問題中的應用
8．5．1 非平衡數據處理方法
8．5．2 非平衡數據分類器性能評價標準
8．5．3 基於多維關聯規則挖掘的GSVM的非平衡數據學習方法
8．5．4 基於聚類的GSVM的非平衡數據學習方法
參考文獻
· · · · · · (收起)