支持向量機魯棒性模型與算法研究

第1章 緒論
1．1 研究背景與意義
1．2 魯棒支持向量機國內(nèi)外研究現(xiàn)狀
1．2．1 基于異常值剔除技術的魯棒SVM
1．2．2 加權形式或模糊隸屬度的魯棒SVM
1．2．3 基于p-范數(shù)的魯棒SVM
1．2．4 基于損失函數(shù)的魯棒SVM
1．2．5 其他形式的魯棒SVM
1．3 支持向量機基礎知識
1．3．1 支持向量機模型
1．3．2 損失函數(shù)
1．3．3 原始空間支持向量機
第2章 基于非凸廣義線性損失函數(shù)的魯棒支持向量回歸機及應用
2．1 廣義線性損失函數(shù)
2．2 基于非凸廣義線性損失函數(shù)的魯棒支持向量回歸機
2．2．1 非凸廣義線性損失函數(shù)
2．2．2 魯棒SVR模型
2．2．3 凹凸過程
2．2．4 算法實現(xiàn)
2．3 數(shù)值實驗
2．3．1 真實數(shù)據(jù)實驗
2．3．2 金融時間序列數(shù)據(jù)實驗
2．3．3 排序學習數(shù)據(jù)實驗
2．4 本章小結
第3章 基于非凸廣義二次損失函數(shù)的魯棒支持向量回歸機
3．1 廣義二次損失函數(shù)
3．2 基于非凸廣義二次損失函數(shù)的魯棒支持向量回歸機
3．2．1 非凸廣義二次損失函數(shù)
3．2．2 DC規(guī)劃及算法實現(xiàn)
3．3 數(shù)值實驗
3．4 本章小結
第4章 基于非凸二次損失函數(shù)的魯棒最小二乘支持向量回歸機
4．1 非凸二次損失函數(shù)
4．2 基于非凸二次損失函數(shù)的魯棒最小二乘支持向量回歸機
4．2．1 RLS．SVR求解及算法實現(xiàn)
4．2．2 收斂性和復雜度分析
4．3 數(shù)值實驗
4．3．1 模擬數(shù)據(jù)實驗
4．3．2 真實數(shù)據(jù)實驗
4．3．3 參數(shù)分析
4．4 本章小結
第5章 基于Laplace損失函數(shù)的魯棒最小二乘支持向量回歸機
5．1 基于Laplace損失函數(shù)的魯棒最小二乘支持向量回歸機
5．2 算法實現(xiàn)
5．3 數(shù)值實驗
5．3．1 模擬數(shù)據(jù)實驗
5．3．2 真實數(shù)據(jù)實驗
5．4 本章小結
第6章 基于最大相關熵準則的魯棒中心支持向量回歸機
6．1 中心支持向量回歸機
6．2 最大相關熵準則
6．3 基于最大相關熵準則的魯棒中心支持向量回歸機
6．4 數(shù)值實驗
6．4．1 模擬實驗
6．4．2 真實數(shù)據(jù)實驗
6．5 本章小結
第7章 抗標簽噪聲的魯棒最小二乘支持向量回歸機
7．1 魯棒最小二乘支持向量分類機
7．1．1 最小二乘支持向量分類機
7．1．2 Ramp損失函數(shù)
7．1．3 基于Ramp損失函數(shù)的魯棒最小二乘支持向量機
7．2 數(shù)值實驗
7．3 本章小結
第8章 最小二乘支持向量機在洪水流量和煤炭發(fā)熱量預測的應用
8．1 最小二乘支持向量機在洪水流量預測應用
8．1．1 滾動時間窗
8．1．2 新疆瑪納斯河流域洪水流量預測應用
8．2 最小二乘支持向量機在煤炭發(fā)熱量的預測應用
8．2．1 模型評價指標
8．2．2 山西煤炭主產(chǎn)區(qū)煤炭發(fā)熱量預測應用
8．3 本章小結
后記
參考文獻