掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
買過本商品的人還買了
SVM分類算法及其在管道泄漏檢測中的應用 版權信息
- ISBN：9787511472014
- 條形碼：9787511472014 ; 978-7-5114-7201-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
SVM分類算法及其在管道泄漏檢測中的應用 本書特色
為了進一步應對泄漏檢測等領域中復雜數據的分類要求，《SVM分類算法及其在管道泄漏檢測中的應用》一書針對不同特點及分類需求的數據，將傳統的SVM分類算法進行拓展和優化，并將改進算法運用到天然氣管道的泄漏診斷和故障檢測工作中，通過仿真實驗證明各改進算法對管道泄漏檢測系統采集到的具有不同特點及分類需求的次聲波數據具有較好的分類精度和分類效果，為天然氣管道泄漏檢測、管道可靠性運營和維護提供技術支持。
SVM分類算法及其在管道泄漏檢測中的應用 內容簡介
本書針對天然氣管道泄漏檢測系統采集到的非均衡數據、高噪聲數據、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，提出了基于SVM的改進算法。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改進算法，面向高噪聲數據、基于SVDD的改進FSVM算法，面向具有多分類需求數據、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小樣本數據的分類問題，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用領域，本書提出的改進和優化算法，對于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。
SVM分類算法及其在管道泄漏檢測中的應用 目錄
目錄
1概述（1）
1.1數據挖掘技術的產生、發展及應用（2）
1.2數據挖掘技術簡述（5）
1.2.1數據挖掘的任務和步驟（5）
1.2.2數據挖掘系統總體結構（6）
1.3數據分類技術簡述（6）
1.3.1分類問題概述（6）
1.3.2經典的分類算法概述（7）
1.3.3常見的數據分類問題概述（18）
1.3.4數據預處理（20）
1.3.5分類算法性能評價（22）
1.4管道泄漏檢測技術（28）
1.4.1管道泄漏檢測技術概述（28）
1.4.2SVM分類技術在管道泄漏檢測中的應用（31）
參考文獻（34） 2支持向量分類機及其理論基礎（38）
2.1*優化理論（38）
2.2統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（52）
2.5SVM參數選擇（58）
2.6本章小結（58）
參考文獻（59） 3基于樣本選擇策略的SMOTE-SVM算法對于非均衡數據的分類
研究（60）
3.1非均衡數據分類概述（61）
3.1.1算法層面上的研究（61）
3.1.2數據層面上的研究（62）
3.2現有算法描述（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)設計（67）
3.3.1基于中心距離比值的異類K近鄰個數提取算法設計（68）
3.3.2改進的異類K近鄰支持向量加速算法設計（69）
3.3.3刪除重疊樣本點算法設計（69）
3.3.4AKN-Random-SMOTE-SVM算法流程（70）
3.4數值實驗及結果（71）
3.4.1實驗設置（71）
3.4.2實驗結果與分析（72）
3.5本章小結（79）
參考文獻（80） 4基于SVDD的FSVM算法對于高噪聲數據的分類研究（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)設計（89）
4.4.1隸屬度函數描述（89）
4.4.2隸屬度函數優化與改進（91）
4.4.3IFSVM算法步驟（97）
4.5數值實驗及結果（98）
4.6本章小結（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數值實驗及結果（120）
5.5本章小結（124）
參考文獻（125） 6基于廣義KKT條件的ISVM算法對于動態數據的分類研究（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系（130）
6.2.2GKKT條件與樣本分布的關系（132）
6.3ISVM經典算法簡介（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)設計（135）
6.4.1GKKT擴展因子設置（135）
6.4.2分類器的二次修正（136）
6.4.3GGKKT-ISVM算法步驟（137）
6.5數值實驗及結果（138）
6.6本章小結（142）
參考文獻（143） 7基于聚類中心直徑的ISVM算法對于動態數據的分類研究（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邊界向量選取（147）
7.1.3訓練集的確定（148）
7.1.4CD-ISVM算法步驟（149）
7.2數值實驗與結果（150）
7.2.1實驗數據集（150）
7.2.2實驗結果及分析（151）
7.3本章小結（156）
參考文獻（157） 8基于SVM的數據分類算法在天然氣管道泄漏檢測中的應用（158）
8.1相關理論（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實驗數據獲取及診斷方法（166）
8.3各改進算法對于次聲波數據的泄漏檢測實驗（169）
8.4本章小結（176）
參考文獻（176）
1概述（1）
1.1數據挖掘技術的產生、發展及應用（2）
1.2數據挖掘技術簡述（5）
1.2.1數據挖掘的任務和步驟（5）
1.2.2數據挖掘系統總體結構（6）
1.3數據分類技術簡述（6）
1.3.1分類問題概述（6）
1.3.2經典的分類算法概述（7）
1.3.3常見的數據分類問題概述（18）
1.3.4數據預處理（20）
1.3.5分類算法性能評價（22）
1.4管道泄漏檢測技術（28）
1.4.1管道泄漏檢測技術概述（28）
1.4.2SVM分類技術在管道泄漏檢測中的應用（31）
參考文獻（34） 2支持向量分類機及其理論基礎（38）
2.1*優化理論（38）
2.2統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（52）
2.5SVM參數選擇（58）
2.6本章小結（58）
參考文獻（59） 3基于樣本選擇策略的SMOTE-SVM算法對于非均衡數據的分類
研究（60）
3.1非均衡數據分類概述（61）
3.1.1算法層面上的研究（61）
3.1.2數據層面上的研究（62）
3.2現有算法描述（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)設計（67）
3.3.1基于中心距離比值的異類K近鄰個數提取算法設計（68）
3.3.2改進的異類K近鄰支持向量加速算法設計（69）
3.3.3刪除重疊樣本點算法設計（69）
3.3.4AKN-Random-SMOTE-SVM算法流程（70）
3.4數值實驗及結果（71）
3.4.1實驗設置（71）
3.4.2實驗結果與分析（72）
3.5本章小結（79）
參考文獻（80） 4基于SVDD的FSVM算法對于高噪聲數據的分類研究（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)設計（89）
4.4.1隸屬度函數描述（89）
4.4.2隸屬度函數優化與改進（91）
4.4.3IFSVM算法步驟（97）
4.5數值實驗及結果（98）
4.6本章小結（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數值實驗及結果（120）
5.5本章小結（124）
參考文獻（125） 6基于廣義KKT條件的ISVM算法對于動態數據的分類研究（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系（130）
6.2.2GKKT條件與樣本分布的關系（132）
6.3ISVM經典算法簡介（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)設計（135）
6.4.1GKKT擴展因子設置（135）
6.4.2分類器的二次修正（136）
6.4.3GGKKT-ISVM算法步驟（137）
6.5數值實驗及結果（138）
6.6本章小結（142）
參考文獻（143） 7基于聚類中心直徑的ISVM算法對于動態數據的分類研究（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邊界向量選取（147）
7.1.3訓練集的確定（148）
7.1.4CD-ISVM算法步驟（149）
7.2數值實驗與結果（150）
7.2.1實驗數據集（150）
7.2.2實驗結果及分析（151）
7.3本章小結（156）
參考文獻（157） 8基于SVM的數據分類算法在天然氣管道泄漏檢測中的應用（158）
8.1相關理論（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實驗數據獲取及診斷方法（166）
8.3各改進算法對于次聲波數據的泄漏檢測實驗（169）
8.4本章小結（176）
參考文獻（176）
展開全部
SVM分類算法及其在管道泄漏檢測中的應用 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數據分類算法優化。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橫向項目3項。近5年發表論文十余篇，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年作為第一發明人申請實用新型專利1項并獲批，2020年作為第二發明人申請發明專利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。
書友推薦
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伊索寓言-世界文學名著典藏-全譯本
- >
中國歷史的瞬間
- >
煙與鏡
- >
苦雨齋序跋文-周作人自編集
- >
山海經
- >
【精裝繪本】畫給孩子的中國神話
- >
經典常談
本類暢銷
