掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設(shè)計(下)
-
>
基于個性化設(shè)計策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡(luò)
模式分析的多核方法及其應(yīng)用 版權(quán)信息
- ISBN：9787118092868
- 條形碼：9787118092868 ; 978-7-118-09286-8
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
模式分析的多核方法及其應(yīng)用 本書特色
多核學習方法是當前核機器學習領(lǐng)域一個新的研究熱點，是解決一些復(fù)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(guān)注，并在模式分析的諸多方面，如時間序列預(yù)測、信號和圖像的濾波、壓縮和超分辨率分析、故障預(yù)報、圖像處理、目標檢測、識別與跟蹤、生物信息學等領(lǐng)域得到了廣泛應(yīng)用。 本書在介紹國內(nèi)外多核學習方法及應(yīng)用研究進展的基礎(chǔ)上，闡述了多核方法與尺度分析的融合理論及方法；基于合成核的無偏*小二乘回歸模型及其在線學習算法；基于局部多分辨分解特征提取與多尺度核有機融合的自動目標識別方法；基于合成核機器分類概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(yīng)序列學習算法；*后探討了多核方法的其它應(yīng)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應(yīng)用》內(nèi)容新穎，選材廣泛，突出實現(xiàn)與應(yīng)用，可供從事智能信息處理、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能、信息處理、模式識別與回歸分析等研究方向研究生的教材。 《模式分析的多核方法及其應(yīng)用》由汪洪橋、蔡艷寧、王仕成、付光遠、孫富春編著。
模式分析的多核方法及其應(yīng)用 內(nèi)容簡介
汪洪橋、蔡艷寧、王仕成、付光遠、孫富春編著的《模式分析的多核方法及其應(yīng)用》結(jié)合作者在航天飛行器控制系統(tǒng)仿真方面多年的工作經(jīng)驗，總結(jié)了數(shù)學仿真和半實物仿真一般方法。首先，介紹了基于蒙特卡洛法的航天飛行器控制系統(tǒng)數(shù)學仿真，包括蒙特卡洛仿真算法、系統(tǒng)不確定性分析、仿真結(jié)果的統(tǒng)計特性計算；然后，研究了半實物仿真技術(shù)在航天飛行器控制系統(tǒng)中的應(yīng)用，包括半實物仿真測量技術(shù)、加載技術(shù)和動態(tài)特性測試分析技術(shù)；*后，對仿真試驗進行了覆蓋性和有效性評估。本書中仿真方法的研究與分析既深入翔實又貼近工程實際，具有較好的應(yīng)用價值。
模式分析的多核方法及其應(yīng)用 目錄
第1章 核機器學習與多核學習方法 1.1 核方法基礎(chǔ) 1.2 統(tǒng)計學習理論與支持向量機 1.2.1 統(tǒng)計學習理論 1.2.2 支持向量機 1.3 多核學習的研究現(xiàn)狀及難點 1.3.1 多核學習方法的研究現(xiàn)狀 1.3.2 多核方法研究的難點第2章 基于低維魯棒特征融合的svi訂目標分類 2.1 引言 2.2 模式分類問題的特征融合 2.3 合成孔徑雷達圖像目標分類背景 2.4 低維魯棒組合特征的提取 2.4.1 小波矩特征提取 2.4.2 多類分類中小波矩的選擇 2.4.3 全局灰度熵特征 2.5 基于svm的多類sar圖像目標分類 2.6 小結(jié)第3章 基于合成核機器的快速學習與在線回歸分析 3.1 引言 3.2 合成核方法概述 3.2.1 合成核的構(gòu)造 3.2.2 合成核機器的學習方法 3.3 *小二乘支持向量機與合成核機器 3.3.1 *小二乘支持向量機 3.3.2 組合的特征空間與合成核機器 3.4 無偏合成核lssvr 3.5 無偏lssvr的在線學習 3.5.1 常規(guī)在線學習方法 3.5.2 無偏lssvr在線學習方法 3.5.3 樣本增加 3.5.4 樣本消減 3.5.5 算法復(fù)雜度分析 3.6 在線混沌時間序列預(yù)測實驗 3.6.1 三種混沌時間序列預(yù)測 3.6.2 時間對比與大規(guī)模樣本測試 3.7 小結(jié)第4章 基于局部多分辨分解的多尺度核方法與自動目標識別 4.1 引言 4.2 sar圖像自動目標識別概述 4.2.1 sar圖像自動目標識別背景 4.2.2 sar圖像自動目標識別的技術(shù)現(xiàn)狀 4.3 局部多分辨分析與特征提取 4.3.1 局部多分辨分析的來源 4.3.2 感受野模型的認知基礎(chǔ) 4.3.3 局部多分辨特征提取 4.4 基于多尺度核方法的分類器設(shè)計 4.4.1 具有多尺度表示能力的核函數(shù) 4.4.2 多尺度核支持向量分類器 4.4.3 sar圖像atr處理流程 4.5 仿真實驗 4.5.1 mstar數(shù)據(jù)集實驗 4.5.2 多目標場景atr仿真 4.5.3 sar atr應(yīng)用軟件系統(tǒng) 4.6 小結(jié)第5章 基于合成核分類概率估計的大類別圖像檢索 5.1 引言 5.2 基于合成核支持向量機的圖像分類 5.2.1 多類別圖像特征的提取 5.2.2 合成核支持向量分類器的構(gòu)造 5.3 基于svm分類概率估計的圖像檢索算法 5.3.1 基于svm分類概率估計的度量方法 5.3.2 常用圖像檢索算法的度量及評價準則 5.4 實驗驗證及算法改進 5.4.1 圖像分類實驗與結(jié)果分析 5.4.2 基于分類概率估計的檢索實驗 5.4.3 圖像檢索算法的改進 5.5 小結(jié)第6章 多尺度核的自適應(yīng)序列學習及應(yīng)用 6.1 引言 6.2 多個尺度的多核學習：多尺度核方法 6.2.1 多個尺度的特征空間 6.2.2 多尺度核的學習方法 6.3 多尺度核的自適應(yīng)序列學習方法 6.3.1 基于支持向量機的多尺度核序列學習 6.3.2 多尺度核合成系數(shù)的確定 6.3.3 多尺度核自適應(yīng)序列學習的算法實現(xiàn) 6.4 仿真實驗結(jié)果與分析 6.4.1 非平坦函數(shù)估計 6.4.2 二維數(shù)據(jù)模式分類 6.4.3 多維數(shù)據(jù)的分類 6.5 小結(jié)第7章 其他多核方法應(yīng)用及核機器的改進 7.1 引言 7.2 合成核與多尺度核學習方法的改進 7.2.1 改進合成核方法 7.2.2 無限核方法 7.2.3 超核(hyperkernels) 7.3 基于多尺度核目標識別的跟蹤與定位 7.3.1 基于目標識別的ukf跟蹤及定位方法 7.3.2 目標跟蹤與定位仿真 7.4 基于合成核方法的系統(tǒng)辨識 7.4.1 系統(tǒng)辨識背景與多核方法 7.4.2 仿真實驗 7.5 無偏核分類器及其在線學習 7.5.1 *小二乘分類器(lssvc) 7.5.2 無偏lssvc 7.5.3 無偏lssvc的分類及在線仿真實驗 7.6 多核方法在非結(jié)構(gòu)化數(shù)據(jù)模式分析中的應(yīng)用 7.6.1 非結(jié)構(gòu)化數(shù)據(jù) 7.6.2 非結(jié)構(gòu)化數(shù)據(jù)模式分析及與多核方法的融合 7.7 多核方法展望 參考文獻
展開全部
書友推薦
- >
名家?guī)阕x魯迅:朝花夕拾
- >
羅曼·羅蘭讀書隨筆-精裝
- >
有舍有得是人生
- >
詩經(jīng)-先民的歌唱
- >
莉莉和章魚
- >
月亮虎
- >
唐代進士錄
- >
煙與鏡
本類暢銷
