智能火災煙霧預警中的機器學習算法

第1章 緒 論
1.1 智能火災煙霧檢測的背景與意義
1.2 國內外研究現(xiàn)狀
1.2.1 基于傳感器火焰與煙霧檢測的火警
1.2.2 基于傳統(tǒng)機器學習算法的煙霧檢測
1.2.3 基于深度學習的煙霧檢測與火警
1.3 智能火災煙霧檢測的基礎任務
1.4 智能火災煙霧檢測的研究目標、內容及技術路線
1.4.1 研究目標
1.4.2 研究內容
1.4.3 技術路線
1.5 本書結構安排
參考文獻
第2章 單幀煙霧識別中的機器學習技術
2.1 局部特征表示
2.1.1 局部二值特征表示
2.1.2 局部特征基礎擴展
2.1.3 高階信息擴展
2.1.4 變換域擴展
2.1.5 特征學習擴展
2.2 局部特征學習與表示中的關鍵問題和解決方案
2.3 基于監(jiān)督學習的單幀煙霧識別模型
2.3.1 判別模型與生成模型
2.3.2 高斯過程回歸與煙霧識別任務
本章小結
參考文獻
第3章 全局學習的高階局部特征表示
3.1 引言
3.2 基于差分的高階特征底層表示
4.3 多尺度特征的緊湊表示
4.3.1 辨別特征映射模型學習
4.3.2 特征映射與緊湊表示
4.4 圖內與圖間編碼的多階特征表示
4.5 算法框架與層級擴展
4.5.1 算法框架與特征表示流程
4.5.2 可視化與多層級擴展
4.6 對比實驗結果及分析
4.6.1 煙霧識別對比
4.6.2 紋理分類對比
本章小結
參考文獻
第5章 用于多層級特征表示的Gabor網(wǎng)絡
5.1 引言
5.2 基于Gabor濾波的局部特征底層表示
5.2.1 多尺度與多方向的局部特征表示
5.2.2 尺度不變與方向不變的響應濃縮
5.3 特征圖的編碼與特征表示
5.3.1 跨通道編碼的特征表示
5.3.2 通道內編碼的特征表示
5.4 基于Gabor模塊的算法框架
5.5 局部特征的擴展表示
5.5.1 強紋理區(qū)域的穩(wěn)定成分提取擴展
5.5.2 全局學習的特征模式擴展
5.6 Gabor網(wǎng)絡與層級特征表示
5.7 對比實驗結果及分析
5.7.1 煙霧識別好比
5.7.2 紋理分類對比
本章小結
參考文獻
第6章 結合非線性映射與高斯過程回歸的煙霧預警
6.1 引言
6.2 特征映射模型與特征低維表示
6.2.1 基于KLDA的映射模型
6.2.2 基于KPCA的映射模型
6.3 ()PR模型的先驗項優(yōu)勢
6.4 GPR模型學習與單幀識別后驗計算
6.5 基于非線性映射與GPR的煙霧識別
6.6 對比實驗結果及分析
6.6.1 煙霧識別對比
6.6.2 紋理分類對比
本章小結
參考文獻
第7章 結論與展望
7.1 研究工作總結
7.2 研究展望
附錄A 與本書相關科研成果