幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

SVM分類演算法及其在管道泄漏檢測中的應用

  • 作者：謝文昊|責編:呂芳蕾//張禕迪
  • 出版社：中國石化
  • ISBN：9787511472014
  • 出版日期：2023/12/01
  • 裝幀：平裝
  • 頁數：176
人民幣：RMB 68 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書針對天然氣管道泄漏檢測系統採集到的非均衡數據、高雜訊數據、具有多分類需求數據、批量獲取的動態小樣本數據的分類問題，提出了基於SVM的改進演算法。本書從管道泄漏等故障檢測領域面臨的實際問題出發，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據的分類問題，分別提出了面向非均衡數據的SMOTE-SVM改進演算法，面向高雜訊數據、基於SVDD的改進FSVM演算法，面向具有多分類需求數據、基於平衡二叉決策樹的改進多分類演算法，面向批量獲取的動態小樣本數據的分類問題，提出了基於廣義KKT條件的改進ISVM演算法以及基於類中心直徑的ISVM改進演算法。在理論上，本書提出的這些優化和改進演算法，對於SVM分類演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化演算法，對於提高油氣企業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。
    本書可以作為從事SVM數據分類研究、演算法設計以及故障診斷、管道泄漏檢測等領域的工程技術人員、科研工作人員以及高等院校相關專業師生的參考資料。
作者介紹
謝文昊|責編:呂芳蕾//張禕迪
目錄
1  概述
  1.1  數據挖掘技術的產生、發展及應用
  1.2  數據挖掘技術簡述
    1.2.1  數據挖掘的任務和步驟
    1.2.2  數據挖掘系統總體結構
  1.3  數據分類技術簡述
    1.3.1  分類問題概述
    1.3.2  經典的分類演算法概述
    1.3.3  常見的數據分類問題概述
    1.3.4  數據預處理
    1.3.5  分類演算法性能評價
  1.4  管道泄漏檢測技術
    1.4.1  管道泄漏檢測技術概述
    1.4.2  SVM分類技術在管道泄漏檢測中的應用
  參考文獻
2  支持向量分類機及其理論基礎
  2.1  最優化理論
  2.2  統計學習理論的基本思想
  2.3  支持向量分類機
  2.4  核函數
  2.5  SVM參數選擇
  2.6  本章小結
  參考文獻
3  基於樣本選擇策略的SMOTE-SVM演算法對於非均衡數據的分類研究
  3.1  非均衡數據分類概述
    3.1.1  演算法層面上的研究
    3.1.2  數據層面上的研究
  3.2  現有演算法描述
    3.2.1  SMOTE演算法
    3.2.2  Random-SMOTE演算法
    3.2.3  基於樣本分類貢獻的AKN樣本選擇策略
    3.2.4  K-means演算法
  3.3  改進的SMOTE-SVM演算法（AKN-Random-SMOTE-SVM）設計
    3.3.1  基於中心距離比值的異類K近鄰個數提取演算法設計
    3.3.2  改進的異類K近鄰支持向量加速演算法設計
    3.3.3  刪除重疊樣本點演算法設計
    3.3.4  AKN-Random-SMOTE-SVM演算法流程
  3.4  數值實驗及結果
    3.4.1  實驗設置
    3.4.2  實驗結果與分析
  3.5  本章小結
  參考文獻
4  基於SVDD的FSVM演算法對於高雜訊數據的分類研究
  4.1  模糊支持向量分類機概述
  4.2  基於平均密度的去噪演算法描述
  4.3  SVDD演算法描述
  4.4  基於SVDD的FSVM改進演算法（IFSVM）設計
    4.4.1  隸屬度函數描述
    4.4.2  隸屬度函數優化與改進
    4.4.3  IFSVM演算法步驟

  4.5  數值實驗及結果
  4.6  本章小結
  參考文獻
5  基於平衡二叉決策樹的SVM多分類演算法研究
  5.1  SVM多分類演算法概述
  5.2  基於類間分離性測度的決策樹多分類演算法概述
    5.2.1  類間分離性測度
    5.2.2  現有演算法描述
  5.3  基於平衡二叉決策樹改進多分類演算法（IBDT-SVM演算法）設計
    5.3.1  改進的類間分離性測度
    5.3.2  基於Class-grouping-by-majority原則的類劃分演算法
    5.3.3  IBDT-SVM演算法步驟
  5.4  數值實驗及結果
  5.5  本章小結
  參考文獻
6  基於廣義KKT條件的ISVM演算法對於動態數據的分類研究
  6.1  ISVM演算法概述
  6.2  KKT條件與樣本分佈
    6.2.1  KKT條件與樣本分佈的關係
    6.2.2  GKKT條件與樣本分佈的關係
  6.3  ISVM經典演算法簡介
    6.3.1  Simple-ISVM演算法描述
    6.3.2  PISVM演算法描述
    6.3.3  S-ISVM演算法描述
  6.4  基於GKKT條件的改進ISVM演算法（GGKKT-ISVM演算法）設計
    6.4.1  GKKT擴展因子設置
    6.4.2  分類器的二次修正
    6.4.3  GGKKT-ISVM演算法步驟
  6.5  數值實驗及結果
  6.6  本章小結
  參考文獻
7  基於聚類中心直徑的ISVM演算法對於動態數據的分類研究
  7.1  基於聚類中心直徑的SVM增量學習演算法（CD-ISVM演算法）
    7.1.1  CD-ISVM演算法簡述
    7.1.2  邊界向量選取
    7.1.3  訓練集的確定
    7.1.4  CD-ISVM演算法步驟
  7.2  數值實驗與結果
    7.2.1  實驗數據集
    7.2.2  實驗結果及分析
  7.3  本章小結
  參考文獻
8  基於SVM的數據分類演算法在天然氣管道泄漏檢測中的應用
  8.1  相關理論
    8.1.1  泄漏檢測方法
    8.1.2  次聲波檢測法原理
    8.1.3  基於小波包分解的能量特徵提取方法
  8.2  實驗數據獲取及診斷方法
  8.3  各改進演算法對於次聲波數據的泄漏檢測實驗
  8.4  本章小結

  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032