Support vector machine and its application in mixed gas infrared spectrum analysis

　　第1章 统计学习理论基础
　　 1.1 机器学习
　　 1.1.1 基于数据的机器学习问题模型
　　 1.1.2 经验风险最小化
　　 1.2 统计学习理论的产生
　　 1.3 学习过程的一致性条件
　　 1.4 VC维理论
　　 1.5 推广性的界
　　 1.6 结构风险最小化
　　 1.6.1 结构风险最小化的含义
　　 1.6.2 SRM原则的实现
　　第2章 支持向量机基础
　　 2.1 SVM的基本思想
　　 2.1.1 最优分类面
　　 2.1.2 广义的最优分类面
　　 2.2 核函数
　　 2.3 支持向量机的经典算法剖析
　　 2.3.1 算法概述
　　 2.3.2 SMO算法
　　 2.3.3 C-SVM算法及其变形算法
　　 2.3.4 V-SVM算法
　　 2.4 SMO算法的自适应学习改进方法
　　 2.4.1 SMO算法与二次规划
　　 2.4.2 自适应学习方法
　　 2.4.3 实验结果
　　 2.5 LibSVM软件
　　 2.5.1 LibSVM软件简介
　　 2.5.2 LibSVM软件的使用方法
　　第3章 支持向量机的分类、回归问题及应用
　　 3.1 分类问题的提出及SVM分类原理
　　 3.1.1 线性分类
　　 3.1.2 近似线性分类
　　 3.1.3 非线性分类
　　 3.2 多类分类问题
　　 3.2.1 多类分类原理
　　 3.2.2 经典多类分类算法简介
　　 3.3 SVM回归原理
　　 3.3.1 SVM回归问题的描述
　　 3.3.2 线性支持向量机回归
　　 3.3.3 非线性支持向量机回归
　　 3.4 基于关联规则的SVM在线分类方法
　　 3.4.1 基本思路
　　 3.4.2 混合气体分布模式中心集的生成
　　 3.4.3 分布模式SVM的在线学习
　　 3.5 压力传感器支持向量机的校正方法
　　 3.5.1 支持向量机与压力传感器的特性校正原理
　　 3.5.2 实验及分析
　　 3.6 支持向量机回归用于分类
　　 3.6.1 思路及推导证明
　　 3.6.2 应用实例
　　
　　 3.7 基于支持向量机的设备备件供应研究
　　 3.7.1 设备备件供应保障概述
　　 3.7.2 基于LS-SVM的设备备件多元分类
　　 3.7.3 基于SVM的设备备件需求预测
　　第4章 应用背景及混合气体红外光谱分析基础
　　 4.1 研究背景与意义
　　 4.2 气测录井中混合气体分析的发展、现状及存在的问题
　　 4.2.1 气相色谱分析
　　 4.2.2 红外光谱分析
　　 4.3 支持向量机与红外光谱分析结合
　　 4.3.1 问题的提出
　　 4.3.2 研究方法
　　 4.3.3 技术路线
　　 4.4 红外光谱分析理论基础
　　 4.4.1 LambertBeer吸收定律
　　 4.4.2 红外光谱理论
　　 4.4.3 傅立叶变换红外光谱仪
　　 4.5 红外光谱数据的描述及分析方法
　　 4.5.1 红外光谱数据的描述
　　 4.5.2 红外光谱分析方法
　　 4.6 红外光谱分析
　　 4.6.1 红外光谱的定性分析
　　 4.6.2 红外光谱的定量分析
　　第5章 基于SVM和红外光谱的含烃类混合气体分析方法
　　 5.1 分析方法的基本工作模式及处理流程
　　 5.1.1 分析思路
　　 5.1.2 含烃类混合气体组分浓度的SVM分析原理
　　 5.1.3 实验装置
　　 5.1.4 处理流程
　　 5.2 含烃类混合气体的基本工作模式分析
　　 5.2.1 混合气体样本的建立
　　 5.2.2 光谱数据预处理
　　 5.2.3 SVM校正模型的训练与检验
　　 5.2.4 SVM校正模型的实现
　　第6章 含烃类混合气体分析方法的实际应用研究
　　 6.1 含烃类混合气体分析方法的参数选择
　　 6.1.1 SVM校正模型参数对分析结果的影响
　　 6.1.2 光谱数据预处理--归一扩展法
　　 6.1.3 光谱分析波段对结果的影响
　　 6.1.4 红外光谱仪扫描间隔对结果的影响
　　 6.1.5 参数选择结果
　　 6.2 二氧化碳气体浓度分析
　　 6.2.1 混合气体样本的建立
　　 6.2.2 光……