本书较为全面地介绍了模式识别的一个分支——机器学习的最新进展，深入分析了机器学习中的多个关键问题及多种快速稀疏学习方法，具体描述了机器学习在大规模数据识别与分类的工程设计与实现问题。
全书共10章，内容包括：绪论，统计学习理论、再生核技术与支撑矢量机算法，支撑矢量机理论基础，先进支撑矢量机，核学习机，稀疏核支撑矢量机，快速大规模支撑矢量机，高分辨距离像识别，谱集成学习机，基于核学习的图像识别。
本书可作为高等院校计算机、信号与信息处理、应用数学、信息管理与信息系统、电子商务等专业研究生和高年级本科生的教材，也可供计算机应用软件开发人员和人工智能与模式识别方面的研究人员参考。
样章试读
目录
- 《智能科学技术著作丛书》序
前言
第1章 绪论
1.1 人工神经网络的发展
1.2 Bayes网络的发展
1.3 正则技术的发展
1.4 统计学习理论的发展
1.5 核机器学习方法的发展
1.5.1 有监督核机器学习方法
1.5.2 非监督核机器学习方法
1.6 本书的主要内容
参考文献
第2章 统计学习理论、再生核技术与支撑矢量机算法
2.1 统计学习理论
2.1.1 学习问题的模型
2.1.2 学习过程的一致性理论
2.1.3 学习机推广能力的界
2.1.4 控制学习过程的推广能力
2.1.5 构造学习算法
2.2 再生核与再生核Hilbert空间
2.2.1 再生核
2.2.2 特征空间和经验特征空间
2.2.3 再生核Hilbert空间与经验再生核Hilbert空间
2.2.4 再生核与再生核Hilbert空间实例
2.2.5 Mercer容许核的构造
2.2.6 再生核作为距离测度
2.2.7 再生核Hilbert空间的函数表示理论
2.3 支撑矢量机算法
2.3.1 模式识别支撑矢量机
2.3.2 回归支撑矢量机
参考文献
第3章 支撑矢量机理论基础
3.1 支撑矢量机几何特性分析
3.1.1 模式识别支撑矢量机几何特性分析
3.1.2 回归估计支撑矢量机几何特性分析
3.1.3 小结与讨论
3.2 支撑矢量预选取的中心距离比值法
3.2.1 中心距离比值法
3.2.2 算法性能仿真
3.2.3 一种新的推广能力衡量准则
3.2.4 Mercer核参数的选择
3.2.5 仿真实验
3.2.6 小结与讨论
参考文献
附录
第4章 先进支撑矢量机
4.1 线性规划支撑矢量机
4.1.1 线性规划线性支撑矢量机
4.1.2 线性规划非线性支撑矢量机
4.1.3 仿真实验
4.1.4 小结与讨论
4.2 无约束二次规划回归估计支撑矢量机
4.2.1 无约束二次规划回归估计支撑矢量机
4.2.2 仿真实验
4.2.3 小结与讨论
4.3 复值支撑矢量机
4.3.1 模式识别复值支撑矢量机
4.3.2 回归估计复值支撑矢量机
4.3.3 小结与讨论
4.4 基于微分容量控制的学习机
4.4.1 推广能力及微分容量控制
4.4.2 基于微分容量控制的学习机
4.4.3 仿真实验
4.4.4 小结与讨论
4.5 基于决策树的支撑矢量机多分类方法
4.5.1 支撑矢量机的多分类方法
4.5.2 基于决策树的支撑矢量机多分类方法
4.5.3 仿真实验
4.5.4 小结与讨论
参考文献
附录
第5章 核学习机
5.1 隐空间核机器
5.1.1 隐空间
5.1.2 隐空间主分量分析
5.1.3 隐空间支撑矢量机
5.1.4 最小二乘隐空间支撑矢量机
5.1.5 稀疏隐空间支撑矢量机
5.2 核函数的构造
5.2.1 坐标变换核
5.2.2 子波核函数
5.2.3 尺度核函数
5.2.4 性能仿真
5.2.5 小结与讨论
5.3 基于父子波正交投影核的支撑矢量机
5.3.1 父子波正交投影核
5.3.2 基于父子波正交投影核的支撑矢量机
5.3.3 算法性能分析和父子波正交投影核的参数选择
5.3.4 仿真实验
5.3.5 小结与讨论
5.4 子波核函数网络
5.4.1 子波核函数网络模型
5.4.2 子波核函数网络学习算法
5.4.3 仿真实验
5.4.4 小结与讨论
5.5 核聚类算法
5.5.1 聚类分析
5.5.2 核聚类算法
5.5.3 仿真实验
5.5.4 小结与讨论
参考文献
附录
第6章 稀疏核支撑矢量机
6.1 Bayes核机器
6.1.1 Bayes学习
6.1.2 基于有效子集选择的Bayes学习
6.2 贪婪分阶段支撑矢量机
6.2.1 支撑矢量机
6.2.2 再生核Hilbert空间范数和支撑矢量机
6.2.3 贪婪分阶段支撑矢量机
6.2.4 性能评价
6.2.5 仿真实验
6.2.6 算法机理与性能分析
6.2.7 小结与讨论
6.3 特征标度核Fisher判别分析
6.3.1 核Fisher判别分析
6.3.2 光滑留一交叉验证误差
6.3.3 扩展到多分类
6.3.4 仿真实验
6.3.5 小结与讨论
6.4 序列稀疏贪婪优化
6.4.1 最小二乘支撑矢量机
6.4.2 序列稀疏贪婪优化
6.4.3 模型选择
6.4.4 仿真实验
6.4.5 小结与讨论
参考文献
附录
第7章 快速大规模支撑矢量机
7.1 基本域大规模支撑矢量回归
7.1.1 基本域支撑矢量回归
7.1.2 不敏感Huber损失函数和有限牛顿算法
7.1.3 递归有限牛顿算法
7.1.4 仿真实验
7.1.5 基本域稀疏支撑矢量回归
7.1.6 仿真实验
7.1.7 小结与讨论
7.2 大规模稀疏核机器CLAR-LASSO
7.2.1 LAR-LASSO算法
7.2.2 CLAR-LASSO算法
7.2.3 时空复杂度
7.2.4 相关工作
7.2.5 仿真实验
7.2.6 小结与讨论
7.3 快速稀疏逼近最小二乘支撑矢量机
7.3.1 最小二乘支撑矢量机分类
7.3.2 最小二乘支撑矢量机和再生核Hilbert空间
7.3.3 基于反向拟合的快速稀疏逼近策略
7.3.4 仿真实验
7.3.5 小结与讨论
7.4 模糊核匹配追踪学习机
7.4.1 模糊核匹配追踪
7.4.2 自适应参数的选取
7.4.3 仿真实验
7.4.4 小结与讨论
7.5 集成核匹配追踪学习机
7.5.1 集成学习系统
7.5.2 集成核匹配追踪学习机的理论分析
7.5.3 建立集成核匹配追踪学习机
7.5.4 仿真实验
7.5.5 小结与讨论
参考文献
第8章 高分辨距离像识别
8.1 平移不变的特征提取
8.1.1 中心矩特征
8.1.2 谱特征
8.2 MCPVC算法
8.3 性能评价
8.3.1 实测数据上的性能比较
8.3.2 混合数据上的性能比较
8.4 小结与讨论
参考文献
第9章 谱集成学习机
9.1 基于免疫克隆算法的选择性支撑矢量机集成
9.1.1 选择性集成学习的研究动机
9.1.2 集成系统中个体支撑矢量机的构造
9.1.3 基于免疫克隆算法的支撑矢量机选择性集成
9.1.4 仿真实验
9.1.5 小结与讨论
9.2 基于特征选择的支撑矢量机集成
9.2.1 基于特征选择的支撑矢量机集成系统的构造
9.2.2 集成系统中个体支撑矢量机的评价
9.2.3 免疫克隆算法在支撑矢量机集成系统特征选择中的应用
9.2.4 仿真实验
9.3 谱聚类集成学习
9.3.1 改进的谱聚类及其相关技术
9.3.2 非监督集成问题
9.3.3 具有多样性的个体谱聚类的构造
9.3.4 多个谱聚类结果的合并
9.3.5 仿真实验
9.3.6 小结与讨论
9.4 基于分水岭-谱聚类的图像分割
9.4.1 分水岭分割策略
9.4.2 基于特征值尺度化特征向量的multiway谱聚类
9.4.3 仿真实验
9.4.4 小结与讨论
9.5 谱协同神经网络分类
9.5.1 协同神经网络
9.5.2 谱协同神经网络分类算法
9.5.3 算法复杂度分析
9.5.4 仿真实验
9.5.5 小结与讨论
参考文献
第10章 基于核学习的图像识别
10.1 基于核匹配追踪的图像识别
10.1.1 核匹配追踪
10.1.2 基于多尺度几何分析与核匹配追踪的图像识别
10.1.3 仿真实验
10.1.4 小结与讨论
10.2 基于免疫克隆与核匹配追踪的快速图像目标识别
10.2.1 免疫克隆算法
10.2.2 免疫克隆选择核匹配追踪算法
10.2.3 ICSA-KMP图像目标识别算法流程
10.2.4 ICSA-KMP算法时间复杂度分析
10.2.5 仿真实验
10.2.6 小结与讨论
10.3 基于协同神经网络的SAR图像识别
10.3.1 协同神经网络
10.3.2 免疫克隆规划协同神经网络
10.3.3 基于协同神经网络的免疫克隆集成算法
10.4 基于聚类学习的SAR图像识别
10.4.1 聚类算法
10.4.2 基于聚类的核匹配追踪字典学习算法
10.4.3 免疫克隆聚类协同神经网络的SAR图像识别
10.5 基于集成学习的SAR图像识别
10.5.1 集成学习系统构造
10.5.2 核匹配追踪集成分类器
10.5.3 基于免疫克隆选择的核匹配追踪集成图像识别
参考文献
京公网安备 11010102004214号