鲁棒最小二乘支持向量机研究与应用
出版时间：2012年版
内容简介
　　二分类问题是统计学习理论、机器学习以及人工智能中研究的一个重要问题。由于随机的或者非随机过程的存在，现实生活中的数据经常带有噪声和不确定性。数据的噪声以及不确定性会影响统计学习分类算法模型的性能，降低分类的准确率及其分类模型的推广能力。《鲁棒最小二乘支持向量机研究与应用》从加强最小二乘支持向量机模型的鲁棒性和稀疏性、增强其推广能力的理念出发，系统整理了文献中对最小二乘支持向量机模型（LS-SVM）中改进鲁棒性的方法，提出了改进LS-SVM鲁棒性的三个模型：KPCA-L1-LS-SVM、FL1-LS-SVM和RW-Lp-LS-SVM模型，分别从特征压缩、噪声点的剔除以及样本信息重要程度的角度出发对LS-SVM模型的鲁棒性做了改进。
目录
1 绪论
1.1 研究背景和意义
1.2 鲁棒支持向量机研究综述
1.3 本书的内容和结构安排
1.4 研究方法和思路
1.5 本书的技术路径
2 最优化理论
2.1 最优化问题的一般形式
2.2 约束极值问题的最优化条件
2.3 库恩塔克条件
2.4 对偶理论
2.5 小-结
3 二分类问题
3.1 引言
3.2 二分类模型
3.3 分类模型准确率的估计方法
3.4 二分类算法的有效性
3.5 支持向量机
3.6 最小二乘支持向量机模型
3.7 小结
4 鲁棒最小二乘支持向量机中的特征抽取和选择
4.1 引言
4.2 特征选择和抽取
4.3 核主成分法
4.4 稀疏L1-范数LS-SVM模型
4.5 双层L1-范数LS-SVM模型
4.6 模糊L1-范数LS-SVM模型
4.7 小结
5 最小二乘支持向量机的鲁棒分类模型
5.1 引言
5.2 Lp范数支持向量机的分类模型
5.3 鲁棒赋权自适应Lp范数最小二乘支持向量机
5.4 小-结
6 消费者信用风险评估
6.1 引言
6.2 目前的消费者信用评估模型评述
6.3 消费者信用风险评估模型的实证分析
6.4 KPCA-L1-LS=SVM模型在信用风险中的应用
6.5 FL1-LS-SVM模型在信用风险中的应用
6.6 鲁棒赋权自适应Lp范数LS-SVM模型在信用风险中的应用
6.7 小结
……
7 总结与展望
符号说明
参考文献
后记
附图
附表