| 简要介绍了机器学习的基本概念 详细介绍了支持向量机的基本算法及改进算法 结合红外光谱混合气体分析，详细介绍了支持 向量机在工程中的应用方法及工程实现 |
| 第1章 统计学习理论基础 1.1 机器学习 1.1.1 基于数据的机器学习问题模型 1.1.2 经验风险最小化 1.2 统计学习理论的产生 1.3 学习过程的一致性条件 1.4 VC维理论 1.5 推广性的界 1.6 结构风险最小化 1.6.1 结构风险最小化的含义 1.6.2 SRM原则的实现 第2章 支持向量机基础 2.1 SVM的基本思想 2.1.1 最段分类面 2.1.2 广义的最段分类面 2.2 核函数 2.3 支持向量机的经典算法剖析 2.3.1 算法概述 2.3.2 SMO算法 2.3.3 C-SVM算法及其变形算法 2.3.4 U－SVM算法 2.4 XMO算法的自适应学习改进方法 2.4.1 SMO算法与二次规划 2.4.2 自适应学习方法 2.4.3 实验结果 2.5 LibSVM软件 2.5.1 LibSVM软件简介 2.5.2 LibSVM软件的使用方法 第3章 支持身量机的分类、回归问题及应用 3.1 分类问题的提出及SVM分类原理 3.1.1 分类问题的提出及SVM分类原理 3.1.2 线性分类 3.1.3 非线性分类 3.2 多类分类问题 3.2.1 多类分类原理 3.2.2 经典多类分类算法简介 3.3 SVM回归原理 3.3.1 SVM回归问题的描述 3.3.2 线性支持向量机回归 3.3.3 非线性支持向量机回归 3.4 基于关联规则的SVM在线分类方法 3.4.1 基本思路 3.4.2 混合气体分布模式中心集的生成 3.4.3 分布模式SVM的在线学习 3.5 压力传感器支持向量机的校正方法 3.5.1 支持身量机与压力传感器的特性校正原理 3.5.2 实验及分析 |
内容加载中，请稍后...
商品评论（0条）