《支持向量机方法应用教程》由陈永义、熊秋芬编著，本书第1～6章力图对Vapnik V N四十年研究的成果，给出尽可能通俗、直观的介绍；第7章介绍了我们开发的一个应用SVM方法做学习建模、预报的软件平台CMSVM 2.0，该软件可在网上(http://strearnl.cma.gov.cn、cmsvm)免费下载；第8章介绍了SVM方法在气象预报中的初步应用；附录给出了截至2009年年底公开发表的有关SVM方法在我国气象领域应用文章的目录索引。

支持向量机(Support Vector Machines，sVM)是令人瞩目的机器学习新方法，但其严密的理论结构又让应用者望而却步。本书是在作者多年进行的SVM应用方法研究、教学和推广的基础上完成的一本实用教程。

《支持向量机方法应用教程》由陈永义、熊秋芬编著，以SVM的应用为主线，用通俗、直观的语言，由浅人深地介绍了SVM分类和回归的基础原理、实现方法及特点，对学习机性能评估和统计学习理论也有所涉猎。书中提供了一个应用SVM方法学习建模和预报应用的软件平台，使读者能够快速“上手”为我所用地解决实际问题，并给出了天气预报中的应用实例。

《支持向量机方法应用教程》对在广泛领域中，涉及分类、回归等问题的工程技术人员和研究工作者有参考价值，也可作为计算机、信息等相关专业本科生和研究生的SVM选修课教材。

前言

本书阅读建议

第1章 绪论

 1.1 计算机应用的历史回顾

 1.2 计算机学习的基本问题

 1.3 SVM方法的基本思想

 1.4 SVM方法的特点和应用展望

 1.5 SVM方法的参数优化

 1.6 本章小结

第2章 线性支持向量机模式识别

 2.1 模式识别问题的表述

 2.2 最优划分超平面与支持向量的概念

 2.3 最优划分超平面的求解

 2.4 线性不可分问题的求解

 2.5 线性多类分类问题的求解

 2.6 本章小结

第3章 非线性支持向量机模式识别

 3.1 数学预备知识

 3.2 非线性映射与特征空间

 3.3 特征空间中的线性学习机

 3.4 Mercer核和内积

 3.5 基于核方法的非线性SVM

 3.6 SVM方法的特点

 3.7 本章小结

第4章 支持向量机回归分析

 4.1 回归分析的问题表述

 4.2 E-不敏感函数

 4.3 最优回归超平面与SVM线性回归

 4.4 非线性SVM回归

 4.5 SVM回归方法的特点

 4.6 本章小结

第5章 关于支持向量机方法的进一步思考

 5.1 从样本到样本的推理

 5.2 SVM方法的非线性本质

 5.3 关于核方法

 5.4 学习机性能的评价

 5.5 标准SVM及其变种

 5.6 SVM方法的弱点和“开问题”

 5.7 本章小结

第6章 统计学习理论

 6.1 ERM归纳原则

 6.2 统计学习的基本定理

 6.3 函数集的VC维

 6.4 VC维与生长函数的关系

 6.5 关于学习机推广能力的界

 6.6 SRM归纳原则

 6.7 本章小结

第7章 CMSVM2.O软件平台及其使用方法

 7.1 CMSVM软件平台的设计思路

 7.2 CMSVM2.O软件平台概述

 7.3 CMSVM2.O的安装及系统目录结构

 7.4 数据文件格式要求

 7.5 CMSVM2.O使用说明

 7.6 运行生成文件和对应查询

 7.7 关于CMSVM系统中的核函数

 7.8 关于CMSVM系统中的其他参数

 7.9 关于CMSVM系统中的参数寻优

 7.10 本章小结

第8章 支持向量机方法在天气预报中的应用

 8.1 SVM方法用于降水预报和温度预报的建模实例

 8.2 SVM方法用于预报因子筛选的实例

 8.3 SVM方法用于短期气候预测

 8.4 SVM与ANN方法预报效果的比较

 8.5 本章小结

参考文献

附录 支持向量机方法在天气预报中应用论文索引