模式分析的多核方法及其套用

內容簡介

　　多核學習方法是當前核機器學習領域一個新的研究熱點，是解決一些複雜情形下的回歸分析和模式分類等問題的有效工具，吸引了大量研究者的關注，並在模式分析的諸多方面，如時間序列預測、信號和圖像的濾波、壓縮和超解析度分析、故障預報、圖像處理、目標檢測、識別與跟蹤、生物信息學等領域得到了廣泛套用。

　　《模式分析的多核方法及其套用》在介紹國內外多核學習方法及套用研究進展的基礎上，闡述了多核方法與尺度分析的融合理論及方法；基於合成核的無偏最小二乘回歸模型及其線上學習算法；基於局部多分辨分解特徵提取與多尺度核有機融合的自動目標識別方法；基於合成核機器分類機率估計的大類別圖像檢索方法；提出了通用的多尺度核方法自適應序列學習算法；最後探討了多核方法的其它套用及提升核機器學習效率的途徑。

　　《模式分析的多核方法及其套用》內容新穎，選材廣泛，突出實現與套用，可供從事智慧型信息處理、模式分析、機器學習等方面的科研人員學習參考；也可作為從事人工智慧、信息處理、模式識別與回歸分析等研究方向研究生的教材。

圖書目錄

第1章　核機器學習與多核學習方法

1.1　核方法基礎

1.2　統計學習理論與支持向量機

1.2.1　統計學習理論

1.2.2　支持向量機

1.3　多核學習的研究現狀及難點

1.3.1　多核學習方法的研究現狀

1.3.2　多核方法研究的難點

第2章　基於低維魯棒特徵融合的SVI訂目標分類

2.1　引言

2.2　模式分類問題的特徵融合

2.3　合成孔徑雷達圖像目標分類背景

2.4　低維魯棒組合特徵的提取

2.4.1　小波矩特徵提取

2.4.2　多類分類中小波矩的選擇

2.4.3　全局灰度熵特徵

2.5　基於SVM的多類SAR圖像目標分類

2.6　小結

第3章　基於合成核機器的快速學習與線上回歸分析

3.1　引言

3.2　合成核方法概述

3.2.1　合成核的構造

3.2.2　合成核機器的學習方法

3.3　最小二乘支持向量機與合成核機器

3.3.1　最小二乘支持向量機

3.3.2　組合的特徵空間與合成核機器

3.4　無偏合成核LSSVR

3.5　無偏LSSVR的線上學習

3.5.1　常規線上學習方法

3.5.2　無偏LSSVR線上學習方法

3.5.3　樣本增加

3.5.4　樣本消減

3.5.5　算法複雜度分析

3.6　線上混沌時間序列預測實驗

3.6.1　三種混沌時間序列預測

3.6.2　時間對比與大規模樣本測試

3.7　小結

第4章　基於局部多分辨分解的多尺度核方法與自動目標識別

模式分析的多核方法及其套用

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條