模式識別中的核自適應(yīng)學習及應(yīng)用

第1章 緒論
1.1 機器學習概念
1.1.1 學習的定義
1.1.2 學習問題的一般描述
1.1.3 學習的實現(xiàn)
1.1.4 學習的基本形式
1.1.5 學習在數(shù)據(jù)降維上的應(yīng)用
1.2 機器學習中的核學習
1.2.1 線性特征提取算法及存在的問題
1.2.2 核的引入
1.2.3 主要核學習算法
1.3 核學習的研究現(xiàn)狀
1.4 核學習存在的問題
第2章 核學習的數(shù)學基礎(chǔ)
2.1 核理論基礎(chǔ)
2.1.1 再生核理論
2.1.2 Mercer定理
2.2 多項式空間和多項式核函數(shù)
2.2.1 有序齊次多項式空間
2.2.2 有序多項式空間
2.2.3 無序多項式空間
2.3 Mercer 核
2.3.1 半正定矩陣的特征展開
2.3.2 半正定積分算子的特征展開
2.4 正定核
2.5 核函數(shù)的構(gòu)造
第3章 自適應(yīng)多核學習
3.1 多核學習
3.1.1 基于多核學習的特征提取方法的應(yīng)用
3.1.2 存在的問題
3.2 基于圖嵌入的特征提取原理
3.2.1 直接圖嵌入
3.2.2 直接圖嵌入的核擴展形式
3.3 多核學習原理
3.3.1 核函數(shù)定義及性質(zhì)
3.3.2 多核函數(shù)構(gòu)造原理
3.4 基于多核的圖嵌入特征提取算法原理
3.4.1 多核矩陣的構(gòu)造
3.4.2 圖嵌入方法的多核擴展
3.5 基于多核映射的圖像識別算法程序設(shè)計
3.5.1 訓練樣本預(yù)處理和讀入定制參數(shù)
3.5.2 樣本訓練
3.5.3 測試分類
3.6 對比圖像分類算法程序設(shè)計
3.7 實驗對比與分析
3.7.1 ORL數(shù)據(jù)庫
3.7.2 Yalefaces數(shù)據(jù)庫
3.7.3 Iris（UCI）數(shù)據(jù)庫
3.7.4 Image Segmentation（UCI）數(shù)據(jù)庫
3.8 算法效率比較和分析
第4章 核自適應(yīng)遞歸分析
4.1 核函數(shù)對Online SVR算法性能的影響分析
4.1.1 SVR算法基本原理
4.1.2 基于增量學習的Online SVR算法
4.1.3 基于Online SVR的在線時間序列預(yù)測
4.1.4 核函數(shù)類型及其參數(shù)影響分析
4.2 基于核函數(shù)組合的Online SVR算法
4.2.1 基于核函數(shù)組合的Online SVR在線
時間序列預(yù)測算法
4.2.2 仿真實驗和算法評估
4.3 基于殘差修正的局部Online SVR算法
4.3.1 離線與在線算法分析
4.3.2 基于殘差修正的局部Online SVR在線時間
序列預(yù)測算法
4.3.3 仿真實驗和算法評估
4.3.4 兩種核函數(shù)組合Online SVR算法對比分析
第5章 核函數(shù)優(yōu)化及構(gòu)造
5.1 高斯核函數(shù)及核函數(shù)優(yōu)化的意義
5.2 數(shù)據(jù)相關(guān)核及其擴展
5.3 核函數(shù)優(yōu)化算法
5.3.1 基于Fisher準則的核函數(shù)優(yōu)化算法
5.3.2 基于最大間隔準則的核函數(shù)優(yōu)化算法
5.3.3 算法比較與分析
5.3.4 仿真實驗
5.4 基于圖像矩陣的高斯核函數(shù)及改進
5.4.1 基于圖像矩陣的高斯核函數(shù)
5.4.2 基于圖像矩陣的數(shù)據(jù)相關(guān)高斯核函數(shù)
5.4.3 仿真實驗
第6章 核自適應(yīng)判別分析
6.1 核自適應(yīng)判別分析算法
6.1.1 核判別分析算法
6.1.2 改進算法
6.1.3 仿真實驗
6.2 無參數(shù)核判別分析算法
6.2.1 算法框架
6.2.2 仿真結(jié)果與分析
6.3 自適應(yīng)多核圖嵌入判別分析
6.3.1 多核圖嵌入目標方程求解
6.3.2 核函數(shù)選擇
6.3.3 基本核函數(shù)參數(shù)優(yōu)化
6.3.4 仿真實驗與分析
第7章 核自適應(yīng)流形學習算法
7.1 流形學習
7.2 基于核自適應(yīng)學習的局部判別分析
7.2.1 局部保持映射算法
7.2.2 監(jiān)督局部保持映射算法
7.2.3 核監(jiān)督局部保持映射算法
7.2.4 核自適應(yīng)局部保持判別分析
7.2.5 實驗仿真與結(jié)果分析
第8章 核自適應(yīng)主成分分析
8.1 主成分分析算法
8.2 稀疏核主成分分析算法
8.3 核自適應(yīng)稀疏主成分分析算法
8.4 仿真實驗
第9章 核自適應(yīng)學習機應(yīng)用
9.1 三維碎片分類
9.1.1 算法
9.1.2 仿真實驗
9.2 乳腺X射線圖像分類
9.2.1 算法步驟
9.2.2 仿真實驗
9.3 人臉識別
9.3.1 算法描述
9.3.2 仿真實驗
9.4 基于Gabor小波和CKFD結(jié)合的人臉圖像特征提取算法
9.4.1 算法描述
9.4.2 仿真實驗
9.5 KPCA和PCA自融合的人臉圖像特征提取算法
9.5.1 算法描述
9.5.2 仿真實驗
參考文獻