　　支持向量机的研究是近十余年机器学习、模式识别和数据挖掘领域中的研究热点，受到了汁算数学、统计、计算机、自动化和电信等有关学科研究者的广泛关注，取得了丰硕的理论成果，并被广泛地应用于文本分类、图像处理、语音识别、时间序列预测和函数估计等领域。
　　《信息与计算科学丛书（59）：支持向量机的算法设计与分析》首先介绍了核函数的概念；然后从几何直观的角度介绍了建立二分类模型和回归模型过程中所取得的理论成果；书末对于分解算法、*小二乘支持向量机、多分类、模糊支持向量机、在线学习和大规模分类相关的成果进行了归纳和整理，从数学上对相关算法的原理进行了详细分析。
　　《信息与计算科学丛书（59）：支持向量机的算法设计与分析》的内容既包括支持向量机的新进展，也包括作者的多年研究成果作者希望《信息与计算科学丛书（59）：支持向量机的算法设计与分析》能够有助于对机器学习、模式识别和数据挖掘感兴趣的读者更加快速地了解支持向量机的新研究动态，能够有助于读者理清算法的本质，从而使读者能够在已有研究成果的基础之上更加有效地开展工作。
　　《信息与计算科学丛书（59）：支持向量机的算法设计与分析》可作为数学、统计、计算机、电信、自动化等有关专业的高年级本科生和研究生教材，也可作为相关领域的教师和科研工作者的参考书。

内页插图

《信息与计算科学丛书》序
前言

第1章支持向量机的分类和回归模型
1．1 多项式核函数
1．2 Mercer核
1．3 再生核Hilbert空间
1．4 正定核函数的构造
1．5 二分类问题的数学提法
1．6 平分最近点模型
1．7 最大间隔模型
1．8 平分最近点模型和最大间隔模型之间的关系
1．9 回归问题的数学提法
1．10 硬带超平面
1．11 基于分类的回归模型
参考文献

第2章分解算法
2．1 无约束问题的提法
2．2 分解算法的提出
2．3 选块算法
2．4 SVMLight算法
2．5 Platt的SMO算法
2．6 Keerthi的SMO改进算法
2．7 改进的SMO算法的收敛性
2．8 解回归问题的SMO算法
2．9 扩展的Lagrange支持向量机
参考文献

第3章最小二乘支持向量机
3．1 最小二乘支持向量机
3．2 最小二乘隐空间支持向量机
3．3 基于矩阵模式的最小二乘支持向量机
3．4 最小二乘支持向量机的求解算法
3．5 最小二乘支持向量机的稀疏化算法
参考文献

第4章多分类问题
4．1 一对多算法
4．2 一对一算法
4．3 基于决策树的支持向量机
4．4 嵌套算法
4．5 纠错输出编码支持向量机
4．6 一次求解算法
4．7 支持向量机分类回归算法
参考文献

第5章模糊支持向量机
5．1 单边加权模糊支持向量机
5．2 双边加权模糊支持向量机
5．3 基于加权间隔的模糊支持向量机
5．4 模糊支持向量机中的隶属度设置
5．5 加权稳健支持向量回归方法
5．6 基于不敏感学习的模糊系统
5．7 基于模糊if-then规则的间隔非线性分类器
5．8 基于核模糊c-均值聚类和最远对策略的模糊支持向量机分类器
参考文献

第6章支持向量机的在线学习算法
6．1 基于增量和减量学习的支持向量机算法
6．2 增量支持向量机分类算法
6．3 增量支持向量机回归算法
6．4 核递归最小二乘算法
6．5 基于结构风险最小化的在线核方法
6．6 快速的在线核分类器
参考文献

第7章大规模分类
7．1 大规模线性支持向量机算法
7．2 基于低秩核矩阵表示的支持向量机算法
7．3 缩减支持向量机
7．4 核向量机
7．5 多核学习机
7．6 局部化支持向量机
7．7 基于带类标聚类特征树和局部学习的支持向量机分类算法
参考文献

索引
《信息与计算科学丛书》已出版书目

前言/序言

　　20世纪90年代中期，基于统计学习理论，Vapnik提出了支持向量机（support vector machine，SVM）模型，其在手写体邮政编码识别中的成功应用引起了模式识别、数据挖掘、机器学习、数学、统计等相关领域国内外研究人员的广泛关注。近十余年来，研究者在支持向量机的理论研究和算法实现方面都取得了突破性的进展，涌现出了一批科研成果。目前，支持向量机被广泛地应用于基于内容的视频检索、网页分类、文本分类、光学字符识别、信号处理和生物信息处理等领域。
　　自2002年10月以来，作者一直从事支持向量机方面的研究工作，在分解算法、最小二乘支持向量机稀疏化、多分类、带噪声的模式识别和大规模分类等方面开展了一些研究工作，取得了一些有价值的研究成果。自2007年9月以来，作者开始在数学系计算数学专业和概率论与数理统计专业的研究生课程《机器学习》中讲述支持向量机的内容，并形成了电子讲义，经过六年的努力，完成和完善了本书的内容。本书的内容一定程度上是作者关于支持向量机研究的一种体会和总结，希望本书的出版对机器学习、模式识别、数据挖掘、数学、统计等相关领域的研究者有所帮助
　　本书各章的主要内容如下：第1章介绍了核函数、二分类模型和回归模型第2章讨论了解支持向量机模型的流行方法——分解算法，第3章讨论了最小二乘支持向量机的模型、求解算法和稀疏化问题。第4章讨论了多分类算法，第5章讨论了模糊支持向量机的模型和隶属度设置问题，第6章讨论了支持向量机的在线学习算法，第7章讨论了大规模线性分类算法和大规模非线性分类算法，特别讨论了新的基于局部学习的大规模非线性分类算法，本书包括了作者多年的研究成果，例如，对于分解算法，提出了扩展的Lagrange支持向量机；对于最小二乘支持向量机，基于增量学习和减量学习，提出了自下而上的稀疏化算法；对于多分类，提出了基于一对多分割的二叉树支持向量机算法和基于一对一策略的嵌套算法；对于模糊支持向量机，一方面提出了基于核模糊c_均值聚类和最远对策略的模糊支持向量机解决带噪声的分类问题，另一方面也提出了基于孤立点删除的加权最小二乘支持向量机。对于大规模分类问题，提出了基于带标注聚类特征树和局部学习的支持向量机算法。
信息与计算科学丛书（59）：支持向量机的算法设计与分析下载 mobi epub pdf txt 电子书格式