SVM分類算法及其在管道泄漏檢測中的應(yīng)用

定　價：￥68.00

作　者：	謝文昊著
出版社：	中國石化出版社有限公司
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥51.00)

ISBN：	9787511472014	出版時間：	2023-12-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書針對天然氣管道泄漏檢測系統(tǒng)采集到的非均衡數(shù)據(jù)、高噪聲數(shù)據(jù)、具有多分類需求數(shù)據(jù)、批量獲取的動態(tài)小樣本數(shù)據(jù)的分類問題，提出了基于SVM的改進算法。本書從管道泄漏等故障檢測領(lǐng)域面臨的實際問題出發(fā)，介紹了SVM分類技術(shù)及原理，在此基礎(chǔ)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(shù)據(jù)的分類問題，分別提出了面向非均衡數(shù)據(jù)的SMOTE-SVM改進算法，面向高噪聲數(shù)據(jù)、基于SVDD的改進FSVM算法，面向具有多分類需求數(shù)據(jù)、基于平衡二叉決策樹的改進多分類算法，面向批量獲取的動態(tài)小樣本數(shù)據(jù)的分類問題，提出了基于廣義KKT條件的改進ISVM算法以及基于類中心直徑的ISVM改進算法。在理論上，本書提出的這些優(yōu)化和改進算法，對于SVM分類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(yīng)用領(lǐng)域，本書提出的改進和優(yōu)化算法，對于提高油氣企業(yè)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。

作者簡介

　　謝文昊，博士，西安石油大學理學院副教授，研究方向：SVM數(shù)據(jù)分類算法優(yōu)化。自2015年以來，主持陜西省教育廳科研項目1項；主持陜西省教育廳教學改革重點項目1項；作為主要參與人參與陜西省教育廳科研項目1項、陜西省重點實驗室基金項目1項；作為重要參與人參與企業(yè)橫向項目3項。近5年發(fā)表論文十余篇，其中SCI檢索論文3篇，EI檢索論文2篇，ISTP檢索論文1篇，北大核心期刊論文1篇。2019年作為第一發(fā)明人申請實用新型專利1項并獲批，2020年作為第二發(fā)明人申請發(fā)明專利1項并獲批。近5年作為主編、副主編撰寫教材2部，共計20萬字。2014年榮獲陜西省總工會頒發(fā)的“五一巾幗標兵”稱號，2016年獲得西安石油大學骨干教師的稱號。

圖書目錄

目錄
1概述（1）
1.1數(shù)據(jù)挖掘技術(shù)的產(chǎn)生、發(fā)展及應(yīng)用（2）
1.2數(shù)據(jù)挖掘技術(shù)簡述（5）
1.2.1數(shù)據(jù)挖掘的任務(wù)和步驟（5）
1.2.2數(shù)據(jù)挖掘系統(tǒng)總體結(jié)構(gòu)（6）
1.3數(shù)據(jù)分類技術(shù)簡述（6）
1.3.1分類問題概述（6）
1.3.2經(jīng)典的分類算法概述（7）
1.3.3常見的數(shù)據(jù)分類問題概述（18）
1.3.4數(shù)據(jù)預(yù)處理（20）
1.3.5分類算法性能評價（22）
1.4管道泄漏檢測技術(shù)（28）
1.4.1管道泄漏檢測技術(shù)概述（28）
1.4.2SVM分類技術(shù)在管道泄漏檢測中的應(yīng)用（31）
參考文獻（34）
2支持向量分類機及其理論基礎(chǔ)（38）
2.1最優(yōu)化理論（38）
2.2統(tǒng)計學習理論的基本思想（42）
2.3支持向量分類機（45）
2.4核函數(shù)（52）
2.5SVM參數(shù)選擇（58）
2.6本章小結(jié)（58）
參考文獻（59）
3基于樣本選擇策略的SMOTE-SVM算法對于非均衡數(shù)據(jù)的分類
研究（60）
3.1非均衡數(shù)據(jù)分類概述（61）
3.1.1算法層面上的研究（61）
3.1.2數(shù)據(jù)層面上的研究（62）
3.2現(xiàn)有算法描述（63）
3.2.1SMOTE算法（63）
3.2.2Random-SMOTE算法（65）
3.2.3基于樣本分類貢獻的AKN樣本選擇策略（65）
3.2.4K-means算法（67）
3.3改進的SMOTE-SVM算法(AKN-Random-SMOTE-SVM)設(shè)計（67）
3.3.1基于中心距離比值的異類K近鄰個數(shù)提取算法設(shè)計（68）
3.3.2改進的異類K近鄰支持向量加速算法設(shè)計（69）
3.3.3刪除重疊樣本點算法設(shè)計（69）
3.3.4AKN-Random-SMOTE-SVM算法流程（70）
3.4數(shù)值實驗及結(jié)果（71）
3.4.1實驗設(shè)置（71）
3.4.2實驗結(jié)果與分析（72）
3.5本章小結(jié)（79）
參考文獻（80）
4基于SVDD的FSVM算法對于高噪聲數(shù)據(jù)的分類研究（83）
4.1模糊支持向量分類機概述（84）
4.2基于平均密度的去噪算法描述（86）
4.3SVDD算法描述（87）
4.4基于SVDD的FSVM改進算法(IFSVM)設(shè)計（89）
4.4.1隸屬度函數(shù)描述（89）
4.4.2隸屬度函數(shù)優(yōu)化與改進（91）
4.4.3IFSVM算法步驟（97）
4.5數(shù)值實驗及結(jié)果（98）
4.6本章小結(jié)（104）
參考文獻（104）
5基于平衡二叉決策樹的SVM多分類算法研究（106）
5.1SVM多分類算法概述（107）
5.2基于類間分離性測度的決策樹多分類算法概述（112）
5.2.1類間分離性測度（113）
5.2.2現(xiàn)有算法描述（114）
5.3基于平衡二叉決策樹改進多分類算法(IBDT-SVM算法)設(shè)計（114）
5.3.1改進的類間分離性測度（115）
5.3.2基于Class-grouping-by-majority原則的類劃分算法（116）
5.3.3IBDT-SVM算法步驟（119）
5.4數(shù)值實驗及結(jié)果（120）
5.5本章小結(jié)（124）
參考文獻（125）
6基于廣義KKT條件的ISVM算法對于動態(tài)數(shù)據(jù)的分類研究（127）
6.1ISVM算法概述（128）
6.2KKT條件與樣本分布（130）
6.2.1KKT條件與樣本分布的關(guān)系（130）
6.2.2GKKT條件與樣本分布的關(guān)系（132）
6.3ISVM經(jīng)典算法簡介（133）
6.3.1Simple-ISVM算法描述（133）
6.3.2PISVM算法描述（133）
6.3.3S-ISVM算法描述（134）
6.4基于GKKT條件的改進ISVM算法(GGKKT-ISVM算法)設(shè)計（135）
6.4.1GKKT擴展因子設(shè)置（135）
6.4.2分類器的二次修正（136）
6.4.3GGKKT-ISVM算法步驟（137）
6.5數(shù)值實驗及結(jié)果（138）
6.6本章小結(jié)（142）
參考文獻（143）
7基于聚類中心直徑的ISVM算法對于動態(tài)數(shù)據(jù)的分類研究（145）
7.1基于聚類中心直徑的SVM增量學習算法(CD-ISVM算法)（146）
7.1.1CD-ISVM算法簡述（146）
7.1.2邊界向量選?。?47）
7.1.3訓練集的確定（148）
7.1.4CD-ISVM算法步驟（149）
7.2數(shù)值實驗與結(jié)果（150）
7.2.1實驗數(shù)據(jù)集（150）
7.2.2實驗結(jié)果及分析（151）
7.3本章小結(jié)（156）
參考文獻（157）
8基于SVM的數(shù)據(jù)分類算法在天然氣管道泄漏檢測中的應(yīng)用（158）
8.1相關(guān)理論（159）
8.1.1泄漏檢測方法（159）
8.1.2次聲波檢測法原理（161）
8.1.3基于小波包分解的能量特征提取方法（163）
8.2實驗數(shù)據(jù)獲取及診斷方法（166）
8.3各改進算法對于次聲波數(shù)據(jù)的泄漏檢測實驗（169）
8.4本章小結(jié)（176）
參考文獻（176）