智能目標識別與分類

《智能科學技術著作叢書》序
前言
第1章 緒論
1.1 人工神經網(wǎng)絡的發(fā)展
1.2 Bayes網(wǎng)絡的發(fā)展
1.3 正則技術的發(fā)展
1.4 統(tǒng)計學習理論的發(fā)展
1.5 核機器學習方法的發(fā)展
1.5.1 有監(jiān)督核機器學習方法
1.5.2 非監(jiān)督核機器學習方法
1.6 本書的主要內容
參考文獻
第2章 統(tǒng)計學習理論、再生核技術與支撐矢量機算法
2.1 統(tǒng)計學習理論
2.1.1 學習問題的模型
2.1.2 學習過程的一致性理論
2.1.3 學習機推廣能力的界
2.1.4 控制學習過程的推廣能力
2.1.5 構造學習算法
2.2 再生核與再生核Hilbert空間
2.2.1 再生核
2.2.2 特征空間和經驗特征空間
2.2.3 再生核Hilbert空間與經驗再生核Hilbert空間
2.2.4 再生核與再生核Hilbert空間實例
2.2.5 Mercer容許核的構造
2.2.6 再生核作為距離測度
2.2.7 再生核Hilbert空間的函數(shù)表示理論
2.3 支撐矢量機算法
2.3.1 模式識別支撐矢量機
2.3.2 回歸支撐矢量機
參考文獻
第3章 支撐矢量機理論基礎
3.1 支撐矢量機幾何特性分析
3.1.1 模式識別支撐矢量機幾何特性分析
3.1.2 回歸估計支撐矢量機幾何特性分析
3.1.3 小結與討論
3.2 支撐矢量預選取的中心距離比值法
3.2.1 中心距離比值法
3.2.2 算法性能仿真
3.2.3 一種新的推廣能力衡量準則
3.2.4 Mercer核參數(shù)的選擇
3.2.5 仿真實驗
3.2.6 小結與討論
參考文獻
附錄
第4章 先進支撐矢量機
4.1 線性規(guī)劃支撐矢量機
4.1.1 線性規(guī)劃線性支撐矢量機
4.1.2 線性規(guī)劃非線性支撐矢量機
4.1.3 仿真實驗
4.1.4 小結與討論
4.2 無約束二次規(guī)劃回歸估計支撐矢量機
4.2.1 無約束二次規(guī)劃回歸估計支撐矢量機
4.2.2 仿真實驗
4.2.3 小結與討論
4.3 復值支撐矢量機
4.3.1 模式識別復值支撐矢量機
4.3.2 回歸估計復值支撐矢量機
4.3.3 小結與討論
4.4 基于微分容量控制的學習機，
4.4.1 推廣能力及微分容量控制
4.4.2 基于微分容量控制的學習機
4.4.3 仿真實驗
4.4.4 小結與討論
4.5 基于決策樹的支撐矢量機多分類方法
4.5.1 支撐矢量機的多分類方法
4.5.2 基于決策樹的支撐矢量機多分類方法
4.5.3 仿真實驗
4.5.4 小結與討論
參考文獻
附錄
第5章 核學習機
5.1 隱空間核機器
5.1.1 隱空間
5.1.2 隱空間主分量分析
5.1.3 隱空間支撐矢量機
5.1.4 最小二乘隱空間支撐矢量機
5.1.5 稀疏隱空間支撐矢量機
5.2 核函數(shù)的構造
5.2.1 坐標變換核
5.2.2 子波核函數(shù)
5.2.3 尺度核函數(shù)
5.2.4 性能仿真
5.2.5 小結與討論
5.3 基于父子波正交投影核的支撐矢量機
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撐矢量機
5.3.3 算法性能分析和父子波正交投影核的參數(shù)選擇
5.3.4 仿真實驗
5.3.5 小結與討論
5.4 子波核函數(shù)網(wǎng)絡
5.4.1 子波核函數(shù)網(wǎng)絡模型
5.4.2 子波核函數(shù)網(wǎng)絡學習算法
5.4.3 仿真實驗
5.4.4 小結與討論
5.5 核聚類算法
5.5.1 聚類分析
5.5.2 核聚類算法
5.5.3 仿真實驗
5.5.4 小結與討論
參考文獻
附錄
第6章 稀疏核支撐矢量機
6.1 Bayes核機器
6.1.1 Bayes學習
6.1.2 基于有效子集選擇的Bayes學習
6.2 貪婪分階段支撐矢量機
6.2.1 支撐矢量機
6.2.2 再生核Hnbert空間范數(shù)和支撐矢量機
6.2.3 貪婪分階段支撐矢量機
6.2.4 性能評價
6.2.5 仿真實驗
6.2.6 算法機理與性能分析
6.2.7 小結與討論
6.3 特征標度核Fisher判別分析
6.3.1 核Fisher判斷分析
6.3.2 光滑留一交叉驗證誤差
6.3.3 擴展到多分類
6.3.4 仿真實驗
6.3.5 小結與討論
6.4 序列稀疏貪婪優(yōu)化
6.4.1 最小二乘支撐矢量機
6.4.2 序列稀疏貪婪優(yōu)化
6.4.3 模型選擇
6.4.4 仿真實驗
6.4.5 小結與討論
參考文獻
附錄
第7章 快速大規(guī)模支撐矢量機
7.1 基本域大規(guī)模支撐矢量回歸
7.1.1 基本域支撐矢量回歸
7.1.2不敏感Huber損失函數(shù)和有限牛頓算法
7.1.3 遞歸有限牛頓算法
7.1.4 仿真實驗
……
第8章 高分辨距離像識別
第9章 譜集成學習機
第10章 基于核學習的圖像識別
參考文獻