多核學習方法是當前核機器學習領域一個新的研究熱點，是解決一些復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注，并在模式分析的諸多方面，如時間序列預測、信號和圖像的濾波、壓縮和超分辨率分析、故障預報、圖像處理、目標檢測、識別與跟蹤、生物信息學等領域得到了廣泛應用。
本書在介紹國內外多核學習方法及應用研究進展的基礎上，闡述了多核方法與尺度分析的融合理論及方法；基于合成核的無偏最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序列學習算法；最后探討了多核方法的其它應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用》內容新穎，選材廣泛，突出實現(xiàn)與應用，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用》由汪洪橋、蔡艷寧、王仕成、付光遠、孫富春編著。
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用》結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、仿真結果的統(tǒng)計特性計算；然后，研究了半實物仿真技術在航天飛行器控制系統(tǒng)中的應用，包括半實物仿真測量技術、加載技術和動態(tài)特性測試分析技術；最后，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，具有較好的應用價值。
第1章 核機器學習與多核學習方法 1.1 核方法基礎 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 第1章 核機器學習與多核學習方法 1.1 核方法基礎 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 合成核的構造 3.2.2 合成核機器的學習方法 3.3 最小二乘支持向量機與合成核機器 3.3.1 最小二乘支持向量機 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 算法復雜度分析 3.6 在線混沌時間序列預測實驗 3.6.1 三種混沌時間序列預測 3.6.2 時間對比與大規(guī)模樣本測試 3.7 小結第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 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應用軟件系統(tǒng) 4.6 小結第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 小結第6章 多尺度核的自適應序列學習及應用 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 多尺度核自適應序列學習的算法實現(xiàn) 6.4 仿真實驗結果與分析 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 小結第7章 其他多核方法應用及核機器的改進 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 最小二乘分類器(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 多核方法在非結構化數(shù)據(jù)模式分析中的應用 7.6.1 非結構化數(shù)據(jù) 7.6.2 非結構化數(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
書單推薦
