SVM分類演算法及其在管道洩漏檢測中的應用 謝文昊 9787511472014 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：中國石化
物品所在地：中國大陸
原出版社：中國石化
NT$432
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202312*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：SVM分類演算法及其在管道洩漏檢測中的應用 ISBN：9787511472014 出版社：中國石化 著編譯者：謝文昊 頁數：176 所在地：中國大陸 *此為代購商品 書號：1616482 可大量預訂，請先連絡。 內容簡介 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。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 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
