第1章 统计学习理论基础 1

1.1 机器学习 1

1.1.1 基于数据的机器学习问题模型 2

1.1.2 经验风险最小化 5

1.2 统计学习理论的产生 5

1.3 学习过程的一致性条件 7

1.4 VC维理论 8

1.5 推广性的界 9

1.6 结构风险最小化 10

1.6.1 结构风险最小化的含义 10

1.6.2 SRM原则的实现 11

第2章 支持向量机基础 13

2.1 SVM的基本思想 13

2.1.1 最优分类面 14

2.1.2 广义的最优分类面 15

2.2 核函数 17

2.3 支持向量机的经典算法剖析 20

2.3.1 算法概述 21

2.3.2 SMO算法 23

2.3.3 C-SVM算法及其变形算法 28

2.3.4 v-SVM算法 30

2.4 SMO算法的自适应学习改进方法 32

2.4.1 SMO算法与二次规划 33

2.4.2 自适应学习方法 33

2.4.3 实验结果 34

2.5 LibSVM软件 36

2.5.1 LibSVM软件简介 36

2.5.2 LibSVM软件的使用方法 37

第3章 支持向量机的分类、 回归问题及应用 41

3.1 分类问题的提出及SVM分类原理 41

3.1.1 线性分类 43

3.1.2 近似线性分类 44

3.1.3 非线性分类 45

3.2 多类分类问题 46

3.2.1 多类分类原理 47

3.2.2 经典多类分类算法简介 48

3.3 SVM回归原理 53

3.3.1 SVM回归问题的描述 53

3.3.2 线性支持向量机回归 55

3.3.3 非线性支持向量机回归 56

3.4 基于关联规则的SVM在线分类方法 57

3.4.1 基本思路 58

3.4.2 混合气体分布模式中心集的生成 59

3.4.3 分布模式SVM的在线学习 60

3.5 压力传感器支持向量机的校正方法 62

3.5.1 支持向量机与压力传感器的特性校正原理 62

3.5.2 实验及分析 64

3.6 支持向量机回归用于分类 66

3.6.1 思路及推导证明 66

3.6.2 应用实例 67

3.7 基于支持向量机的设备备件供应研究 69

3.7.1 设备备件供应保障概述 69

3.7.2 基于LS-SVM的设备备件多元分类 70

3.7.3 基于SVM的设备备件需求预测 73

第4章 应用背景及混合气体红外光谱分析基础 77

4.1 研究背景与意义 77

4.2 气测录井中混合气体分析的发展、 现状及存在的问题 79

4.2.1 气相色谱分析 79

4.2.2 红外光谱分析 82

4.3 支持向量机与红外光谱分析结合 87

4.3.1 问题的提出 87

4.3.2 研究方法 88

4.3.3 技术路线 88

4.4 红外光谱分析理论基础 88

4.4.1 LambertBeer吸收定律 89

4.4.2 红外光谱理论 90

4.4.3 傅立叶变换红外光谱仪 92

4.5 红外光谱数据的描述及分析方法 95

4.5.1 红外光谱数据的描述 95

4.5.2 红外光谱分析方法 96

4.6 红外光谱分析 97

4.6.1 红外光谱的定性分析 97

4.6.2 红外光谱的定量分析 100

第5章 基于SVM和红外光谱的含烃类混合气体分析方法 105

5.1 分析方法的基本工作模式及处理流程 105

5.1.1 分析思路 106

5.1.2 含烃类混合气体组分浓度的SVM分析原理 107

5.1.3 实验装置 108

5.1.4 处理流程 108

5.2 含烃类混合气体的基本工作模式分析 110

5.2.1 混合气体样本的建立 110

5.2.2 光谱数据预处理 112

5.2.3 SVM校正模型的训练与检验 112

5.2.4 SVM校正模型的实现 113

第6章 含烃类混合气体分析方法的实际应用研究 115

6.1 含烃类混合气体分析方法的参数选择 115

6.1.1 SVM校正模型参数对分析结果的影响 115

6.1.2 光谱数据预处理——归一扩展法 117

6.1.3 光谱分析波段对结果的影响 119

6.1.4 红外光谱仪扫描间隔对结果的影响 120

6.1.5 参数选择结果 121

6.2 二氧化碳气体浓度分析 122

6.2.1 混合气体样本的建立 122

6.2.2 光谱数据预处理 124

6.2.3 SVM校正模型的训练与检验 124

6.2.4 SVM校正模型的实现 124

6.3 含烃类混合气体组分浓度分析 125

6.3.1 单组分气体实验 125

6.3.2 两组分气体实验 127

6.3.3 多组分气体实验 128

6.4 含烃类混合气体组分种类分析 129

6.4.1 SVM校正模型用于混合气体组分种类识别的原理 129

6.4.2 实际应用 130

第7章 层次式SVM子集含烃类混合气体光谱分析框架研究 131

7.1 层次式SVM子集混合气体分析框架 131

7.1.1 基本概念 131

7.1.2 层次式SVM子集原理 132

7.1.3 实验结果 134

7.2 层次式SVM子集含烃类混合气体的光谱分析集成框架 135

7.2.1 分析集成框架的结构 135

7.2.2 混合气体分布子模式的建立 136

7.2.3 SVM模型的建立及优化 138

7.2.4 分析结果 140

第8章 石油天然气红外光谱分析系统的集成应用 141

8.1 实验系统 141

8.1.1 配气系统 141

8.1.2 红外光谱数据样本制作系统 144

8.1.3 SVM校正模型 148

8.2 系统集成框架 148

8.2.1 系统总体框架 149

8.2.2 系统硬件 149

8.2.3 系统软件 150

8.2.4 系统功能 153

8.3 现场应用 153

8.3.1 性能指标评估 153

8.3.2 运行状况 155

参考文献 156 2100433B

本书从机器学习的基本问题开始，循序渐进地介绍了相关的内容，包括线性分类器、核函数特征空间、推广性理论和优化理论，从而引出了支持向量机的算法，进而将支持向量机应用到实际的工程实例中。

本书共分为8章，第1章统计学习理论基础，第2章支持向量机基础，第3章支持向量机的分类、回归问题及应用，第4章应用背景及混合气体红外光谱分析基础，第5章基于SVM和红外光谱的含烃类混合气体分析方法，第6章含烃类混合气体分析方法的实际应用研究，第7章层次式SVM子集含烃类混合气体光谱分析框架研究， 第8章石油天然气红外光谱分析系统的集成应用。

本书适合高等院校高年级本科生、研究生、教师和相关科研人员及相关领域的工作者使用。

本书既可作为研究生教材，也可作为神经网络、机器学习、数据挖掘等课程的参考教材。

图书简介

《复合地基理论及工程应用》为中国建筑工业出版社出版发行。

2100433B

在数学中，向量（也称为欧几里得向量、几何向量、矢量），指具有大小（magnitude）和方向的量。它可以形象化地表示为带箭头的线段。箭头所指：代表向量的方向；线段长度：代表向量的大小。与向量对应的只有大小，没有方向的量叫做数量（物理学中称标量）。

向量的记法：印刷体记作粗体的字母（如a、b、u、v），书写时在字母顶上加一小箭头“→”。 如果给定向量的起点（A）和终点（B），可将向量记作AB（并于顶上加→）。在空间直角坐标系中，也能把向量以数对形式表示，例如Oxy平面中(2,3)是一向量。

在物理学和工程学中，几何向量更常被称为矢量。许多物理量都是矢量，比如一个物体的位移，球撞向墙而对其施加的力等等。与之相对的是标量，即只有大小而没有方向的量。一些与向量有关的定义亦与物理概念有密切的联系，例如向量势对应于物理中的势能。

几何向量的概念在线性代数中经由抽象化，得到更一般的向量概念。此处向量定义为向量空间的元素，要注意这些抽象意义上的向量不一定以数对表示，大小和方向的概念亦不一定适用。因此，平日阅读时需按照语境来区分文中所说的"向量"是哪一种概念。不过，依然可以找出一个向量空间的基来设置坐标系，也可以透过选取恰当的定义，在向量空间上介定范数和内积，这允许我们把抽象意义上的向量类比为具体的几何向量。