SVM分類算法及其在管道泄漏檢測中的應用

定　價：￥68.00

作　者：	謝文昊著
出版社：	中國石化出版社有限公司
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥51.00)

ISBN：	9787511472014	出版時間：	2023-12-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書針對天然氣管道泄漏檢測系統(tǒng)采集到的非均衡數(shù)據(jù)、高噪聲數(shù)據(jù)、具有多分類需求數(shù)據(jù)、批量獲取的動態(tài)小樣本數(shù)據(jù)的分類問題，提出了基于SVM的改進算法。本書從管道泄漏等故障檢測領域面臨的實際問題出發(fā)，介紹了SVM分類技術及原理，在此基礎上針對上述提到的具有不同特點和不同分類需求的小樣本數(shù)據(jù)的分類問題，分別提出了面向非均衡數(shù)據(jù)的SMOTE-SVM改進算法，面向高噪聲數(shù)據(jù)、基于SVDD的改進FSVM算法，面向具有多分類需求數(shù)據(jù)、基于平衡二叉決策樹的改進多分類算法，面向批量獲取的動態(tài)小樣本數(shù)據(jù)的分類問題，提出了基于廣義KKT條件的改進ISVM算法以及基于類中心直徑的ISVM改進算法。在理論上，本書提出的這些優(yōu)化和改進算法，對于SVM分類算法的擴充有著重要的參考價值。同時，在故障診斷和管道泄漏檢測等應用領域，本書提出的改進和優(yōu)化算法，對于提高油氣企業(yè)的故障診斷率和故障診斷水平、確保長線管道的安全運輸和管理具有重要意義。

作者簡介

　　謝文昊，博士，西安石油大學理學院副教授，研究方向：SVM數(shù)據(jù)分類算法優(yōu)化。自2015年以來，主持陜西省教育廳科研項目1項；主持陜西省教育廳教學改革重點項目1項；作為主要參與人參與陜西省教育廳科研項目1項、陜西省重點實驗室基金項目1項；作為重要參與人參與企業(yè)橫向項目3項。近5年發(fā)表論文十余篇，其中SCI檢索論文3篇，EI檢索論文2篇，ISTP檢索論文1篇，北大核心期刊論文1篇。2019年作為第一發(fā)明人申請實用新型專利1項并獲批，2020年作為第二發(fā)明人申請發(fā)明專利1項并獲批。近5年作為主編、副主編撰寫教材2部，共計20萬字。2014年榮獲陜西省總工會頒發(fā)的“五一巾幗標兵”稱號，2016年獲得西安石油大學骨干教師的稱號。

圖書目錄

目錄
1概述（1）
1.1數(shù)據(jù)挖掘技術的產(chǎn)生、發(fā)展及應用（2）
1.2數(shù)據(jù)挖掘技術簡述（5）
1.2.1數(shù)據(jù)挖掘的任務和步驟（5）
1.2.2數(shù)據(jù)挖掘系統(tǒng)總體結構（6）
1.3數(shù)據(jù)分類技術簡述（6）
1.3.1分類問題概述（6）
1.3.2經(jīng)典的分類算法概述（7）
1.3.3常見的數(shù)據(jù)分類問題概述（18）
1.3.4數(shù)據(jù)預處理（20）
1.3.5分類算法性能評價（22）
1.4管道泄漏檢測技術（28）
1.4.1管道泄漏檢測技術概述（28）
1.4.2SVM分類技術在管道泄漏檢測中的應用（31）
參考文獻（34）
2支持向量分類機及其理論基礎（38）
2.1最優(yōu)化理論（38）
2.2統(tǒng)計學習理論的基本思想（42）
2.3支持向量分類機（45）
2.4核函數(shù)（52）
2.5SVM參數(shù)選擇（58）
2.6本章小結（58）
參考文獻（59）
3基于樣本選擇策略的SMOTE-SVM算法對于非均衡數(shù)據(jù)的分類
研究（60）
3.1非均衡數(shù)據(jù)分類概述（61）
3.1.1算法層面上的研究（61）
3.1.2數(shù)據(jù)層面上的研究（62）
3.2現(xiàn)有算法描述（63）
3.2.1SMOTE算法（63）
3.2.2Random-SMOTE算法（65）
3.2.3基于樣本分類貢獻的AKN樣本選擇策略（65）
3.2.4K-means算法（67）
3.3改進的SMOTE-SVM算法(AKN-Random-SMOTE-SVM)設計（67）
3.3.1基于中心距離比值的異類K近鄰個數(shù)提取算法設計（68）
3.3.2改進的異類K近鄰支持向量加速算法設計（69）
3.3.3刪除重疊樣本點算法設計（69）
3.3.4AKN-Random-SMOTE-SVM算法流程（70）
3.4數(shù)值實驗及結果（71）
3.4.1實驗設置（71）
3.4.2實驗結果與分析（72）
3.5本章小結（79）
參考文獻（80）
4基于SVDD的FSVM算法對于高噪聲數(shù)據(jù)的分類研究（83）
4.1模糊支持向量分類機概述（84）
4.2基于平均密度的去噪算法描述（86）
4.3SVDD算法描述（87）
4.4基于SVDD的FSVM改進算法(IFSVM)設計（89）
4.4.1隸屬度函數(shù)描述（89）
4.4.2隸屬度函數(shù)優(yōu)化與改進（91）
4.4.3IFSVM算法步驟（97）
4.5數(shù)值實驗及結果（98）
4.6本章小結（104）
參考文獻（104）
5基于平衡二叉決策樹的SVM多分類算法研究（106）
5.1SVM多分類算法概述（107）
5.2基于類間分離性測度的決策樹多分類算法概述（112）
5.2.1類間分離性測度（113）
5.2.2現(xiàn)有算法描述（114）
5.3基于平衡二叉決策樹改進多分類算法(IBDT-SVM算法)設計（114）
5.3.1改進的類間分離性測度（115）
5.3.2基于Class-grouping-by-majority原則的類劃分算法（116）
5.3.3IBDT-SVM算法步驟（119）
5.4數(shù)值實驗及結果（120）
5.5本章小結（124）
參考文獻（125）
6基于廣義KKT條件的ISVM算法對于動態(tài)數(shù)據(jù)的分類研究（127）
6.1ISVM算法概述（128）
6.2KKT條件與樣本分布（130）
6.2.1KKT條件與樣本分布的關系（130）
6.2.2GKKT條件與樣本分布的關系（132）
6.3ISVM經(jīng)典算法簡介（133）
6.3.1Simple-ISVM算法描述（133）
6.3.2PISVM算法描述（133）
6.3.3S-ISVM算法描述（134）
6.4基于GKKT條件的改進ISVM算法(GGKKT-ISVM算法)設計（135）
6.4.1GKKT擴展因子設置（135）
6.4.2分類器的二次修正（136）
6.4.3GGKKT-ISVM算法步驟（137）
6.5數(shù)值實驗及結果（138）
6.6本章小結（142）
參考文獻（143）
7基于聚類中心直徑的ISVM算法對于動態(tài)數(shù)據(jù)的分類研究（145）
7.1基于聚類中心直徑的SVM增量學習算法(CD-ISVM算法)（146）
7.1.1CD-ISVM算法簡述（146）
7.1.2邊界向量選?。?47）
7.1.3訓練集的確定（148）
7.1.4CD-ISVM算法步驟（149）
7.2數(shù)值實驗與結果（150）
7.2.1實驗數(shù)據(jù)集（150）
7.2.2實驗結果及分析（151）
7.3本章小結（156）
參考文獻（157）
8基于SVM的數(shù)據(jù)分類算法在天然氣管道泄漏檢測中的應用（158）
8.1相關理論（159）
8.1.1泄漏檢測方法（159）
8.1.2次聲波檢測法原理（161）
8.1.3基于小波包分解的能量特征提取方法（163）
8.2實驗數(shù)據(jù)獲取及診斷方法（166）
8.3各改進算法對于次聲波數(shù)據(jù)的泄漏檢測實驗（169）
8.4本章小結（176）
參考文獻（176）