- SVM分类算法及其在管道泄漏检测中的应用
- - 作者：谢文昊|责编:吕芳蕾//张祎迪
  - 出版社：中国石化
  - ISBN：9787511472014
  - 出版日期：2023/12/01
  - 页数：176
- 售价：27.2

内容大纲
本书针对天然气管道泄漏检测系统采集到的非均衡数据、高噪声数据、具有多分类需求数据、批量获取的动态小样本数据的分类问题，提出了基于SVM的改进算法。本书从管道泄漏等故障检测领域面临的实际问题出发，介绍了SVM分类技术及原理，在此基础上针对上述提到的具有不同特点和不同分类需求的小样本数据的分类问题，分别提出了面向非均衡数据的SMOTE-SVM改进算法，面向高噪声数据、基于SVDD的改进FSVM算法，面向具有多分类需求数据、基于平衡二叉决策树的改进多分类算法，面向批量获取的动态小样本数据的分类问题，提出了基于广义KKT条件的改进ISVM算法以及基于类中心直径的ISVM改进算法。在理论上，本书提出的这些优化和改进算法，对于SVM分类算法的扩充有着重要的参考价值。同时，在故障诊断和管道泄漏检测等应用领域，本书提出的改进和优化算法，对于提高油气企业的故障诊断率和故障诊断水平、确保长线管道的安全运输和管理具有重要意义。
本书可以作为从事SVM数据分类研究、算法设计以及故障诊断、管道泄漏检测等领域的工程技术人员、科研工作人员以及高等院校相关专业师生的参考资料。
作者介绍
目录
1  概述
  1.1  数据挖掘技术的产生、发展及应用
  1.2  数据挖掘技术简述
    1.2.1  数据挖掘的任务和步骤
    1.2.2  数据挖掘系统总体结构
  1.3  数据分类技术简述
    1.3.1  分类问题概述
    1.3.2  经典的分类算法概述
    1.3.3  常见的数据分类问题概述
    1.3.4  数据预处理
    1.3.5  分类算法性能评价
  1.4  管道泄漏检测技术
    1.4.1  管道泄漏检测技术概述
    1.4.2  SVM分类技术在管道泄漏检测中的应用
  参考文献
2  支持向量分类机及其理论基础
  2.1  最优化理论
  2.2  统计学习理论的基本思想
  2.3  支持向量分类机
  2.4  核函数
  2.5  SVM参数选择
  2.6  本章小结
  参考文献
3  基于样本选择策略的SMOTE-SVM算法对于非均衡数据的分类研究
  3.1  非均衡数据分类概述
    3.1.1  算法层面上的研究
    3.1.2  数据层面上的研究
  3.2  现有算法描述
    3.2.1  SMOTE算法
    3.2.2  Random-SMOTE算法
    3.2.3  基于样本分类贡献的AKN样本选择策略
    3.2.4  K-means算法
  3.3  改进的SMOTE-SVM算法（AKN-Random-SMOTE-SVM）设计
    3.3.1  基于中心距离比值的异类K近邻个数提取算法设计
    3.3.2  改进的异类K近邻支持向量加速算法设计
    3.3.3  删除重叠样本点算法设计
    3.3.4  AKN-Random-SMOTE-SVM算法流程
  3.4  数值实验及结果
    3.4.1  实验设置
    3.4.2  实验结果与分析
  3.5  本章小结
  参考文献
4  基于SVDD的FSVM算法对于高噪声数据的分类研究
  4.1  模糊支持向量分类机概述
  4.2  基于平均密度的去噪算法描述
  4.3  SVDD算法描述
  4.4  基于SVDD的FSVM改进算法（IFSVM）设计
    4.4.1  隶属度函数描述
    4.4.2  隶属度函数优化与改进
    4.4.3  IFSVM算法步骤

  4.5  数值实验及结果
  4.6  本章小结
  参考文献
5  基于平衡二叉决策树的SVM多分类算法研究
  5.1  SVM多分类算法概述
  5.2  基于类间分离性测度的决策树多分类算法概述
    5.2.1  类间分离性测度
    5.2.2  现有算法描述
  5.3  基于平衡二叉决策树改进多分类算法（IBDT-SVM算法）设计
    5.3.1  改进的类间分离性测度
    5.3.2  基于Class-grouping-by-majority原则的类划分算法
    5.3.3  IBDT-SVM算法步骤
  5.4  数值实验及结果
  5.5  本章小结
  参考文献
6  基于广义KKT条件的ISVM算法对于动态数据的分类研究
  6.1  ISVM算法概述
  6.2  KKT条件与样本分布
    6.2.1  KKT条件与样本分布的关系
    6.2.2  GKKT条件与样本分布的关系
  6.3  ISVM经典算法简介
    6.3.1  Simple-ISVM算法描述
    6.3.2  PISVM算法描述
    6.3.3  S-ISVM算法描述
  6.4  基于GKKT条件的改进ISVM算法（GGKKT-ISVM算法）设计
    6.4.1  GKKT扩展因子设置
    6.4.2  分类器的二次修正
    6.4.3  GGKKT-ISVM算法步骤
  6.5  数值实验及结果
  6.6  本章小结
  参考文献
7  基于聚类中心直径的ISVM算法对于动态数据的分类研究
  7.1  基于聚类中心直径的SVM增量学习算法（CD-ISVM算法）
    7.1.1  CD-ISVM算法简述
    7.1.2  边界向量选取
    7.1.3  训练集的确定
    7.1.4  CD-ISVM算法步骤
  7.2  数值实验与结果
    7.2.1  实验数据集
    7.2.2  实验结果及分析
  7.3  本章小结
  参考文献
8  基于SVM的数据分类算法在天然气管道泄漏检测中的应用
  8.1  相关理论
    8.1.1  泄漏检测方法
    8.1.2  次声波检测法原理
    8.1.3  基于小波包分解的能量特征提取方法
  8.2  实验数据获取及诊断方法
  8.3  各改进算法对于次声波数据的泄漏检测实验
  8.4  本章小结

  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目