《基於智慧型計算的降維技術研究與套用》論述了智慧型計算中降維技術的建模思想和仿真方法，給出了運用最新的建模方法和理論對高維數據進行降維預處理的仿真計算的過程，向讀者展示了在傳統技術的基礎上，如何通過結合其他智慧型計算的方法構造具有較強魯棒性的特徵降維方法，使讀者了解特徵降維技術在統計學意義下的一般演化規律。 皋軍專著的《基於智慧型計算的降維技術研究與套用》以簡潔易懂的語言描述了特徵降維技術建模的理論基礎和建模過程。本書可供智慧型控制、計算機等領域中的教師、研究生及其他相關人員參考。
基本介紹
- 中文名：填寫人物中文名或其中文譯名基於智慧型計算的降維技術研究與套用
- 出版社：中國水利水電出版社
- 頁數：178頁
- 開本：16
- 作者：皋軍
- 出版日期：2013年11月1日
- 語種：簡體中文
- ISBN：7517013858
內容簡介,圖書目錄,
內容簡介
目前，特徵降維技術作為一種關鍵的數據預處理技術被廣泛地加以研究，並在不同的實際運用領域得到了較為成功的套用，但隨著新理論和新技術的不斷發展，特別是大量新興的智慧型識別套用領域的需求，對特徵降維技術提出了更高的要求，使得現有的特徵降維技術面臨更大的挑戰。比如：如何提高基於支持向量機的特徵選擇方法的泛化能力和魯棒性；如何更好地實現特徵提取技術與模糊聚類技術的有機結合，以提高特徵降維方法的魯棒性；如何提高特徵降維方法中的距離度量學習的有效性；如何將特徵降維方法中的關鍵技術和理論運用到支持向量機中，以提高支持向量機的泛化能力和魯棒性；如何結合張量理論提高特徵降維的效果；如何在具有明顯不同分布的源域和目標域實現提取技術等。為此，皋軍專著的《基於智慧型計算的降維技術研究與套用從三個部分對上述問題進行描述和研究。
圖書目錄
第1章 緒論
1．1 課題研究背景
1．1．1 特徵選擇技術
1．1．2 特徵提取技術
1．2 特徵降維技術面臨的幾個挑戰
1．3 課題的主要研究內容和組織安排
第2章 廣義的勢支持特徵選擇方法
2．1 引言
2．2 勢支持向量機P．SVM
2．3 廣義的勢支持特徵選擇方法：GPSFM
2．3．1 類內離散度
2．3．2 廣義的勢支持特徵選擇方法
2．4 實驗研究
2．4．1 真實數據
2．4．2 基因數據
2．4．3 人臉圖像數據
2．5 本章小結
第3章 具有特徵排序功能的魯棒性模糊聚類
3．1 引言
3．2 模糊c均值聚類方法
3．3 具有特徵排序功能的模糊聚類方法
3．3．1 具有特徵排序功能的FCA方法
3．3．2 基於幾何意義的權參數的選取
3．4 實驗研究
3．4．1 加噪的IRIS數據
3．4．2 加噪紋理圖像數據集
3．4．3 真實數據集
3．5 本章小結
第4章 基於語境距離度量的拉普拉斯最大間距判別準則
4．1 引言
4．2 線性拉普拉斯判別準則
4．3 基於語境距離度量的拉普拉斯最大間距判別準則 ．
4．3．1 CLMMC準則
4．3．2 CLMMC準則的QR分解法
4． 4語境距離度量的設定
4．5 實驗研究
4．5．1 低維非線性流形空間距離度量學習
4．5．2 CLMMC：與CL-LLD內在聯繫
4．5．3 小樣本問題
4．5．4 高維非線性流形空間小樣本問題和距離度量學習
4．6 本章小結
第5章 基於模糊最大散度差判別準則的聚類方法
5．1 引言
5．2 最大散度差判別準則
5．3 基於模糊最大散度差判別準則的聚類方法
5．3．1 模糊最大散度差判別準則
5．3．2 設定模糊最大散度判別準則中的參數
5．4 實驗研究
5．4．1 基本的聚類功能
5．4．2 大數據聚類魯棒性
5．4．3 特徵提取
5．5 本章小結
第6章 具有模糊聚類功能的雙向二維無監督特徵提取方法
6．1 引言
6．2 相關工作
6．2．1 最大間距判別分析方法：MMC
6．2．2 雙向二維線性判別分析：(2D)ZLDA
6．3 具有模糊聚類功能的雙向二維無監督特徵提取方法：(2D)2UFFCA
6．3．1 矩陣模式的模糊最大間距判別準則：MFMMC
6．3．2 實現矩陣模式數據的雙向特徵提取
6．3．3 實現矩陣模式數據的模糊聚類
6．3．4 確定數據集D的模糊聚類中心
6．4 實驗
6．4．1 測試基本的聚類能力
6．4．2 測試大數據集的聚類效果
6．4．3 測試特徵提取能力
6．5 本章小結
第7章 基於局部加權均值的領域適應學習框架
7．1 引言
7．2 相關工作
7．2．1 最大均值差異：MMD
7．2．2 最大均值差異嵌入：MMDE
7．3 投影最大局部加權均值差異：PMWD
7．4 最大局部加權均值差異嵌入MWME
7．4．1 線性最大局部加權均值嵌入：LMWME
7．4．2 核化的最大局部加權均值嵌入方法：Ker-MWME
7．5 基於局部加權均值的領域學習框架：LDAF
7．5．1 LDAF MLC
7．5．2 LDAF—SVM
7．5．3 算法時間複雜度分析
7．6 實驗
7．6．1 測試人造數據集
7．6．2 測試高維文本數據集
7．6．3 測試人臉數據集
7．7 本章小結
第8章 基於矩陣模式的最小類內散度支持向量機
8．1 引言
8．2 最小類內散度支持向量機
8．3 基於矩陣模式的最小類內散度支持向量機
8．3．1 線性的矩陣模式最小類內散度支持向量機
8．3．2 非線性的基於矩陣模式的最小類內教度支持向量機
8．4 實驗研究
8．4．1 矢量數據的矩陣模式分類
8．4．2 Ker-MCSVMsmatrix方法中使用V+的合理性
8．4．3 矩陣模式數據的分類
8．5 本章小結
第9章 基於全局和局部保持的半監督支持向量機
9．1 引言
9．2 流形正則化框架
9．3 基於全局和局部保持的半監督支持向量機
9．3．1 線性的GLSSVMs方法
9．3．2 非線性的Ker-GLSSVMs方法
9．4 實驗研究
9．4．1 人造團狀數據
9．4．2 人造流形結構數據
9．4．3 UCI真實數據
9．4．4 圖像數據
9．5 本章小結
結束語
參考文獻-
1．1 課題研究背景
1．1．1 特徵選擇技術
1．1．2 特徵提取技術
1．2 特徵降維技術面臨的幾個挑戰
1．3 課題的主要研究內容和組織安排
第2章 廣義的勢支持特徵選擇方法
2．1 引言
2．2 勢支持向量機P．SVM
2．3 廣義的勢支持特徵選擇方法：GPSFM
2．3．1 類內離散度
2．3．2 廣義的勢支持特徵選擇方法
2．4 實驗研究
2．4．1 真實數據
2．4．2 基因數據
2．4．3 人臉圖像數據
2．5 本章小結
第3章 具有特徵排序功能的魯棒性模糊聚類
3．1 引言
3．2 模糊c均值聚類方法
3．3 具有特徵排序功能的模糊聚類方法
3．3．1 具有特徵排序功能的FCA方法
3．3．2 基於幾何意義的權參數的選取
3．4 實驗研究
3．4．1 加噪的IRIS數據
3．4．2 加噪紋理圖像數據集
3．4．3 真實數據集
3．5 本章小結
第4章 基於語境距離度量的拉普拉斯最大間距判別準則
4．1 引言
4．2 線性拉普拉斯判別準則
4．3 基於語境距離度量的拉普拉斯最大間距判別準則 ．
4．3．1 CLMMC準則
4．3．2 CLMMC準則的QR分解法
4． 4語境距離度量的設定
4．5 實驗研究
4．5．1 低維非線性流形空間距離度量學習
4．5．2 CLMMC：與CL-LLD內在聯繫
4．5．3 小樣本問題
4．5．4 高維非線性流形空間小樣本問題和距離度量學習
4．6 本章小結
第5章 基於模糊最大散度差判別準則的聚類方法
5．1 引言
5．2 最大散度差判別準則
5．3 基於模糊最大散度差判別準則的聚類方法
5．3．1 模糊最大散度差判別準則
5．3．2 設定模糊最大散度判別準則中的參數
5．4 實驗研究
5．4．1 基本的聚類功能
5．4．2 大數據聚類魯棒性
5．4．3 特徵提取
5．5 本章小結
第6章 具有模糊聚類功能的雙向二維無監督特徵提取方法
6．1 引言
6．2 相關工作
6．2．1 最大間距判別分析方法：MMC
6．2．2 雙向二維線性判別分析：(2D)ZLDA
6．3 具有模糊聚類功能的雙向二維無監督特徵提取方法：(2D)2UFFCA
6．3．1 矩陣模式的模糊最大間距判別準則：MFMMC
6．3．2 實現矩陣模式數據的雙向特徵提取
6．3．3 實現矩陣模式數據的模糊聚類
6．3．4 確定數據集D的模糊聚類中心
6．4 實驗
6．4．1 測試基本的聚類能力
6．4．2 測試大數據集的聚類效果
6．4．3 測試特徵提取能力
6．5 本章小結
第7章 基於局部加權均值的領域適應學習框架
7．1 引言
7．2 相關工作
7．2．1 最大均值差異：MMD
7．2．2 最大均值差異嵌入：MMDE
7．3 投影最大局部加權均值差異：PMWD
7．4 最大局部加權均值差異嵌入MWME
7．4．1 線性最大局部加權均值嵌入：LMWME
7．4．2 核化的最大局部加權均值嵌入方法：Ker-MWME
7．5 基於局部加權均值的領域學習框架：LDAF
7．5．1 LDAF MLC
7．5．2 LDAF—SVM
7．5．3 算法時間複雜度分析
7．6 實驗
7．6．1 測試人造數據集
7．6．2 測試高維文本數據集
7．6．3 測試人臉數據集
7．7 本章小結
第8章 基於矩陣模式的最小類內散度支持向量機
8．1 引言
8．2 最小類內散度支持向量機
8．3 基於矩陣模式的最小類內散度支持向量機
8．3．1 線性的矩陣模式最小類內散度支持向量機
8．3．2 非線性的基於矩陣模式的最小類內教度支持向量機
8．4 實驗研究
8．4．1 矢量數據的矩陣模式分類
8．4．2 Ker-MCSVMsmatrix方法中使用V+的合理性
8．4．3 矩陣模式數據的分類
8．5 本章小結
第9章 基於全局和局部保持的半監督支持向量機
9．1 引言
9．2 流形正則化框架
9．3 基於全局和局部保持的半監督支持向量機
9．3．1 線性的GLSSVMs方法
9．3．2 非線性的Ker-GLSSVMs方法
9．4 實驗研究
9．4．1 人造團狀數據
9．4．2 人造流形結構數據
9．4．3 UCI真實數據
9．4．4 圖像數據
9．5 本章小結
結束語
參考文獻-
