基于特权信息的灰色支持向量机

第1章 支持向量机基本原理 1.1 支持向量机的产生与发展 1.2 支持向量机相关理论 1.2.1 统计学习理论 1.2.2 支持向量机训练算法 1.2.3 线性支持向量机 1.2.4 具有软间隔和优化的SVC 1.2.5 非线性支持向量机 1.2.6 核函数 1.3 支持向量机的研究现状 1.3.1 SVM的理论研究 1.3.2 改进的SVM训练算法 1.3.3 SVM方法的应用研究 1.3.4 SVM的研究进展 1.3.5 软件实现 1.3.6 本章小结 第2章 灰色系统基本原理 2.1 灰色系统理论的产生与发展 2.2 灰色系统简介 2.2.1 不确定方法 2.2.2 灰色系统的基本概念 2.2.3 灰色系统理论的基本原理 2.2.4 灰数 2.3 序列算子与灰色序列生成 2.3.1 冲击扰动系统与序列算子 2.3.2 缓冲算子的定义和性质 2.3.3 缓冲算子构造 2.3.4 均值生成算子 2.3.5 序列的光滑性 2.3.6 级比生成算子 2.3.7 累加生成算子和累减生成算子 2.3.8 灰指数律 2.4 灰色关联分析 2.4.1 灰色关联因素和关联算子集 2.4.2 灰色关联公理与灰色关联度 2.4.3 灰色关联分析的应用举例 2.4.4 广义灰色关联度 2.4.5 灰色相对关联度 2.4.6 灰色综合关联度 2.5 灰色系统模型 2.5.1 GM（1，1）模型 2.5.2 残差GM（1，1）模型 2.6 灰色系统预测 2.6.1 灰色预测 2.6.2 数列预测 2.7 本章小结 第3章 基于特权信息的支持向量机 3.1 基于特权信息的支持向量机一阶模型 3.1.1 基于特权信息的支持向量机基本原理 3.1.2 全部训练样本存在特权信息的支持向量机基本原理 3.1.3 全部训练样本存在特权信息且松弛变量改动的支持向量机基本原理 3.1.4 部分训练样本存在特权信息的支持向量机基本原理 3.1.5 特权信息来自多空间的支持向量机基本原理 3.2 基于特权信息的支持向量机二阶模型 3.2.1 部分样本存在特权信息且松弛变量改动的支持向量机基本原理 3.2.2 特权信息来自多空间且松弛变量改动的支持向量机基本原理 3.2.3 部分训练样本存在特权信息且特权信息来自多空间的支持向量机基本原理 3.3 基于特权信息的支持向量机三阶模型 3.3.1 部分训练样本存在特权信息来自多空间的松弛变量改动支持向量模型 3.3.2 部分训练样本存在特权信息且特权信息来自多空间的松弛变量改动支持向量模型的对偶问题 3.4 基于特权信息的灰色支持向量机模型 3.4.1 灰色支持向量机 3.4.2 基于特权信息的灰色支持向量机 3.5 本章小结 第4章 仿真实验 4.1 rSVM+的仿真实验 4.1.1 数据集 4.1.2 实验设置细节 4.1.3 仿真测试结果 4.2 pSVM+的仿真实验 4.2.1 数据集 4.2.2 实验设置细节 4.2.3 仿真测试结果 4.3 gSVM+的仿真实验 4.3.1 数据集 4.3.2 实验设置细节 4.3.3 仿真测试结果 4.4 本章小结 第5章 基于LIBSVM的SVM应用 5.1 LIBSVM的安装（MATLAB） 5.1.1 LIBSVM安装步骤 5.1.2 LIBSVM库文件说明 5.2 LIBSVM的数据格式及制作 5.2.1 LIBSVM的数据及其格式 5.2.2 LIBSVM数据格式制作 5.3 LIBSVM的使用方法 5.3.1 svm-scale的用法 5.3.2 svmtrain的用法 5.3.3 svmpredict的用法 5.4 SVM应用之意大利葡萄酒种类识别 5.4.1 数据集 5.4.2 数据预处理 5.4.3 训练与预测 5.4.4 参数选择 5.5 本章小结 参考文献 后记