《核方法與累積量隨機學習方法研究》是2012年出版是圖書，作者是李大社。
基本介紹
- 作者：李大社
- ISBN：9787121108075
- 頁數：180
- 定價：58.00元
內容介紹,目錄,
內容介紹
模式分類是模式識別的一項重要內容，在許多領域已經得到成功的套用。本書主要針對近年來模式分類領域廣泛關注的核方法和累積量隨機學習方法進行了探討和研究，內容包括緒論、特徵空間中數據的幾何結構表示、KPCA的關鍵問題研究、KFDA的關鍵問題研究、SVDD的關鍵問題研究、新的核方法的構造和基於累積量隨機學習方法的雷達目標識別。
目錄
第一章 緒論 1
1.1 模式分類概述 1
1.1.1 基本概念 1
1.1.2 模式分類的基本方法 3
1.1.3 職模式分類系統 5
1.1.4 模式分類系統性能評價 6
1.2 模式分類中的核方法概要 7
1.2.1 核方法的基本思想 7
1.2.2 核函式的構建 9
1.2.3 核方法的研究現狀及趨勢 14
1.2.4 核方法的套用 16
1.3 累積量隨機學習方法簡述 18
1.3.1 機率密度估計方法介紹 18
1.3.2 累積量隨機學習方法簡述 19
1.4 本書內容概要 21
1.4.1 本書研究工作概述 21
1.4.2 本書的章節安排 22
第二章 特徵空間中數據的幾何結構表示 24
2.1 基本思想 24
2.2 子空間標準正交基的確定 25
2.2.1 子空間基的確定 25
2.2.2 子空間標準正交基的確定 28
2.2.3 投影坐標的顯式表示 28
2.3 本章小結 29
第三章 KPCA的關鍵問題研究 30
3.1 KPCA算法描述 31
3.1.1 PCA的數學描述 31
3.1.2 KPCA簡介 34
3.2 KPCA快速算法描述 36
3.2.1 KPCA複雜度分析 36
3.2.2 核Hebbian算法（Kernel Hebbian Algorithm，KHA） 38
3.2.3 分塊核主成分 40
3.2.4 基於張成子空間的簡化KPCA 43
3.2.5 實驗分析 46
3.3 KPCA的核參數最佳化 49
3.3.1 核參數最佳化思路 50
3.3.2 高斯性測度的核參數最佳化算法 51
3.3.3 實驗 53
3.4 小結 56
第四章 KFDA的關鍵問題研究 58
4.1 KFDA算法描述 59
4.1.1 Fisher判別分析簡述 59
4.1.2 核Fisher判別分析簡述 61
4.2 KFDA的奇異性分析 63
4.2.1 KFDA的奇異性問題 63
4.2.2 KDDA算法 64
4.2.3 OKFDA算法 67
4.2.4 NKFDA算法 70
4.2.5 OKDV算法 71
4.3 KFDA的快速算法 73
4.3.1 KFDA計算複雜度分析 73
4.3.2 KFDA的快速算法描述 74
4.3.3 實驗分析 76
4.4 KFDA的核參數最佳化 78
4.4.1 KFDA的二次規劃形式 79
4.4.2 最佳化核參數方法的推導 79
4.5 小結 82
第五章 SVDD的關鍵問題研究 83
5.1 支撐向量域描述（SVDD）算法介紹 83
5.1.1 研究背景 83
5.1.2 SVDD算法描述 84
5.2 SVDD的簡化算法 89
5.2.1 簡化算法介紹 89
5.2.2 乘性規則算法（SVDCM） 90
5.2.3 增量學習算法 92
5.3 SVDD的核參數最佳化 95
5.3.1 SVDD的核參數最佳化問題 95
5.3.2 核參數最佳化算法的思路 95
5.3.3 核參數最佳化測度的構造 96
5.3.4 最最佳化核參數的算法步驟 98
5.3.5 實驗及結果分析 98
5.4 本章小結 102
第六章 新的核方法的構造 106
6.1 基本思想 107
6.2 最優變換和聚類中心算法描述 109
6.2.1 最優變換 109
6.2.2 最優聚類中心的選擇 110
6.3 核最優變換和聚類中心算法 112
6.3.1 KOT-CC算法推導 113
6.3.2 性能比較分析 115
6.4 核最優變換和聚類中心的簡化算法 115
6.5 實驗分析 117
6.5.1 鑑別特徵提取能力分析 117
6.5.2 計算性能分析 119
6.5.3 與核Fisher鑑別分析的比較 121
6.6 本章小結 123
第七章 基於累積量隨機學習方法的雷達目標識別 125
7.1 HRRP的特性分析 126
7.1.1 HRRP的獲取 126
7.1.2 HRRP的敏感性及其預處理 127
7.1.3 幀內HRRP的統計特性分析 131
7.2 基於累積量隨機學習方法的雷達目標識別 133
7.2.1 方法提出的背景 133
7.2.2 累積量隨機學習方法（SLC） 135
7.2.3 SLC的主要步驟 137
7.2.4 運用SLC進行識別的基本步驟 137
7.2.5 基於外場實測數據的實驗分析 138
7.2.6 結論 142
7.3 基於“Gamma—SLC”混合密度估計的雷達目標識別 143
7.3.1 方法提出的背景 143
7.3.2 密度估計方法的描述 145
7.3.3 密度估計方法的選擇 146
7.3.4 採用“Gamma-TCL”進行識別的基本步驟 147
7.3.5 基於外場實測數據的實驗分析 148
7.3.6 結論 150
7.4 本章小結 151
參考文獻 153
