魯棒最小二乘支持向量機(jī)研究與應(yīng)用

定　價(jià)：￥35.00

作　者：	劉京禮著
出版社：	經(jīng)濟(jì)管理出版社
叢編項(xiàng)：
標(biāo)　簽：	人工智能

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787509618493	出版時(shí)間：	2012-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	146	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　二分類(lèi)問(wèn)題是統(tǒng)計(jì)學(xué)習(xí)理論、機(jī)器學(xué)習(xí)以及人工智能中研究的一個(gè)重要問(wèn)題。由于隨機(jī)的或者非隨機(jī)過(guò)程的存在，現(xiàn)實(shí)生活中的數(shù)據(jù)經(jīng)常帶有噪聲和不確定性。數(shù)據(jù)的噪聲以及不確定性會(huì)影響統(tǒng)計(jì)學(xué)習(xí)分類(lèi)算法模型的性能，降低分類(lèi)的準(zhǔn)確率及其分類(lèi)模型的推廣能力。《魯棒最小二乘支持向量機(jī)研究與應(yīng)用》從加強(qiáng)最小二乘支持向量機(jī)模型的魯棒性和稀疏性、增強(qiáng)其推廣能力的理念出發(fā)，系統(tǒng)整理了文獻(xiàn)中對(duì)最小二乘支持向量機(jī)模型（LS-SVM）中改進(jìn)魯棒性的方法，提出了改進(jìn)LS-SVM魯棒性的三個(gè)模型：KPCA-L1-LS-SVM、FL1-LS-SVM和RW-Lp-LS-SVM模型，分別從特征壓縮、噪聲點(diǎn)的剔除以及樣本信息重要程度的角度出發(fā)對(duì)LS-SVM模型的魯棒性做了改進(jìn)。

作者簡(jiǎn)介

　　劉京禮，漢族，1975年1月生，山東膠州市人。2010年畢業(yè)于中國(guó)科學(xué)技術(shù)大學(xué)管理學(xué)院，師從中國(guó)科學(xué)院科技政策與管理科學(xué)研究所徐偉宣研究員和中國(guó)科學(xué)院研究生院管理學(xué)院石勇教授，現(xiàn)在山東工商學(xué)院煤炭經(jīng)濟(jì)研究院工作。主要研究方向?yàn)椋盒庞蔑L(fēng)險(xiǎn)評(píng)估、優(yōu)化理論與方法。目前主持國(guó)家自然科學(xué)基金面上項(xiàng)目：消費(fèi)者信用風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估研究（71171123）和山東省優(yōu)秀中青年科學(xué)家科研獎(jiǎng)勵(lì)基金：基于動(dòng)態(tài)支持向量機(jī)的消費(fèi)者信用風(fēng)險(xiǎn)評(píng)估（BS2011SF011）。發(fā)表學(xué)術(shù)論文9篇，其中SCI檢索3篇。

圖書(shū)目錄

1 緒論
1.1 研究背景和意義
1.2 魯棒支持向量機(jī)研究綜述
1.3 本書(shū)的內(nèi)容和結(jié)構(gòu)安排
1.4 研究方法和思路
1.5 本書(shū)的技術(shù)路徑
2 最優(yōu)化理論
2.1 最優(yōu)化問(wèn)題的一般形式
2.2 約束極值問(wèn)題的最優(yōu)化條件
2.3 庫(kù)恩塔克條件
2.4 對(duì)偶理論
2.5 小-結(jié)
3 二分類(lèi)問(wèn)題
3.1 引言
3.2 二分類(lèi)模型
3.3 分類(lèi)模型準(zhǔn)確率的估計(jì)方法
3.4 二分類(lèi)算法的有效性
3.5 支持向量機(jī)
3.6 最小二乘支持向量機(jī)模型
3.7 小結(jié)
4 魯棒最小二乘支持向量機(jī)中的特征抽取和選擇
4.1 引言
4.2 特征選擇和抽取
4.3 核主成分法
4.4 稀疏L1-范數(shù)LS-SVM模型
4.5 雙層L1-范數(shù)LS-SVM模型
4.6 模糊L1-范數(shù)LS-SVM模型
4.7 小結(jié)
5 最小二乘支持向量機(jī)的魯棒分類(lèi)模型
5.1 引言
5.2 Lp范數(shù)支持向量機(jī)的分類(lèi)模型
5.3 魯棒賦權(quán)自適應(yīng)Lp范數(shù)最小二乘支持向量機(jī)
5.4 小-結(jié)
6 消費(fèi)者信用風(fēng)險(xiǎn)評(píng)估
6.1 引言
6.2 目前的消費(fèi)者信用評(píng)估模型評(píng)述
6.3 消費(fèi)者信用風(fēng)險(xiǎn)評(píng)估模型的實(shí)證分析
6.4 KPCA-L1-LS=SVM模型在信用風(fēng)險(xiǎn)中的應(yīng)用
6.5 FL1-LS-SVM模型在信用風(fēng)險(xiǎn)中的應(yīng)用
6.6 魯棒賦權(quán)自適應(yīng)Lp范數(shù)LS-SVM模型在信用風(fēng)險(xiǎn)中的應(yīng)用
6.7 小結(jié)
……
7 總結(jié)與展望
符號(hào)說(shuō)明
參考文獻(xiàn)
后記
附圖
附表