☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

本書對近年來稀疏學習、分類與識彆領域常見的理論及技術進行瞭較為全麵的闡述和總結，並結閤作者多年的研究成果，對相關理論及技術在應用領域的實踐情況進行瞭展示和報告。全書從認稀疏學習、分類與識彆三個方麵展開，主要內容包含如下方麵：機器學習理論基礎；快速密度加權低秩近似譜聚類；雙圖正則非負矩陣分解；學習魯棒低秩矩陣分解；學習譜錶示應用於半監督聚類；用低秩矩陣填充學習數據錶示；結閤約束與低秩核學習的半監督學習；基於子空間類標傳播和正則判彆分析的單標記圖像人臉識彆；基於雙綫性迴歸的單標記圖像人臉識彆；基於鏇轉擴展和稀疏錶示的魯棒遙感圖像目標識彆；壓縮感知理論基礎；基於分塊策略和過完備字典的非凸壓縮感知框架；基於協同優化的稀疏重構；幾何結構指導的協同壓縮感知；基於過完備字典的方嚮結構估計模型及重構方法；基於多特徵核稀疏錶示學習的高光譜圖像分類；基於類級稀疏錶示學習的高光譜圖像空譜聯閤分類等方法。

目錄

前言

第1章 引言
1.1 機器學習理論
1.1.1 維數約簡
1.1.2 稀疏與低秩
1.1.3 半監督學習
1.2 壓縮感知理論
1.2.1 壓縮感知的研究意義
1.2.2 壓縮感知的理論框架
1.2.3 壓縮感知的重構算法介紹
1.3 高光譜遙感技術
1.3.1 遙感技術
1.3.2 高光譜遙感技術發展現狀
1.3.3 高光譜遙感技術的應用
參考文獻

第2章 機器學習理論基礎
2.1 維數約簡的研究進展
2.1.1 子空間分割
2.1.2 稀疏錶示
2.1.3 矩陣恢復與填充
2.1.4 非綫性降維
2.2 半監督學習與核學習的研究進展
2.2.1 半監督學習
2.2.2 非參數核學習
參考文獻

第3章 快速密度加權低秩近似譜聚類
3.1 引言
3.2 背景與相關工作
3.2.1 譜聚類算法
3.2.2 近鄰傳播算法
3.2.3 Nystrom方法
3.3 全局距離測度與采樣算法
3.3.1 全局距離
3.3.2 快速采樣算法
3.4 快速兩階段譜聚類框架
3.4.1 采樣階段
3.4.2 正交化的密度加權近似譜聚類階段
3.5 算法分析
3.5.1 采樣算法比較
3.5.2 有效性分析
3.5.3 快速近鄰搜索
3.5.4 復雜度分析
3.6 實驗結果
3.6.1 雙螺鏇綫數據
3.6.2 實際數據
3.6.3 評價指標
3.6.4 比較算法
3.6.5 聚類結果
3.6.6 參數穩定性分析
3.6.7 譜嵌入
參考文獻
附錄

第4章 雙圖正則非負矩陣分解
4.1 引言
4.2 相關工作
4.2.1 非負矩陣分解
4.2.2 圖正則非負矩陣分解
4.2.3 雙正則聯閤聚類
4.3 雙圖正則非負矩陣分解方法
4.3.1 數據圖與特徵圖
4.3.2 DNMF模型
4.3.3 迭代更新規則
4.3.4 收斂性分析
4.4 雙圖正則非負矩陣三分解
4.4.1 DNMTF模型
4.4.2 迭代規則
4.4.3 收斂性分析
4.4.4 復雜度分析
4.5 實驗
4.5.1 比較算法
4.5.2 UCI數據
4.5.3 圖像數據
4.5.4 穩定性分析
4.5.5 雷達高分辨距離像數據
參考文獻
附錄A（定理4.1 的證明）
附錄B（定理4.2 的證明）

第5章 學習魯棒低秩矩陣分解
5.1 引言
5.2 相關工作及研究進展
5.3 魯棒低秩矩陣分解框架
5.3.1 單子空間模型
5.3.2 多子空間模型
5.4 基於交替方嚮法的迭代算法
5.4.1 引入輔助變量
5.4.2 迭代求解算法
5.4.3 求解單子空間模型
5.4.4 拓展應用於矩陣填充
5.4.5 復雜度分析
5.5 實驗
5.5.1 人工數據聚類
5，5.2 人臉聚類
5.5.3 背景建模
5.5.4 圖像修復
參考文獻

第6章 學習譜錶示應用於半監督聚類
6.1 引言
6.2 圖的創建與譜錶示
6.2.1 對稱偏好圖
6.2.2 圖拉普拉斯譜嵌入
6.3 問題模型與求解
6.3.1 目標函數
6.3.2 問題求解
6.4 算法
6.4.1 半監督聚類
6.4.2 直推式分類
6.4.3 復雜度分析
6.5 實驗
6.5.1 比較算法與參數設置
6.5.2 人工數據集
6.5.3 嚮量型數據
6.5.4 圖結構數據
6.5.5 半監督聚類應用
6.5.6 直推式分類應用
參考文獻

第7章 應用低秩矩陣填充學習數據錶示
7.1 引言
7.2 學習譜錶示框架
7.2.1 核矩陣填充
7.2.2 提升矩陣學習模型
7.3 特徵值迭代閾值算法
7.3.1 改進的不動點算法
7.3.2 加速策略
7.3.3 半監督聚類
7.3.4 推廣到分類問題
7.3.5 復雜度分析
7.4 收斂性分析
7.5 實驗
7.5.1 學習譜錶示
7.5.2 比較算法與參數設置
7.5.3 嚮量型數據
7.5.4 圖結構數據
7.5.5 分類應用
參考文獻
附錄A（定理7.2 的證明）
附錄B（定理7.3 的證明）
附錄C（定理7.4 的證明）
附錄D（定理7.6 的證明）

第8章 結閤約束與低秩核學習的半監督學習
8.1 引言
8.2 符號與相關工作
8.3 復閤信息半監督學習框架
8.3.1 基本框架
8.3.2 核範數正則模型
8.4 半監督學習算法
8.4.1 改進的不動點迭代算法
8.4.2 連續性策略和BB步長技術
8.4.3 標簽傳播
8.5 算法分析
8.5.1 收斂性分析
8.5.2 閤法核
8.5.3 復雜度分析
8.5.4 歸納分類
8.6 實驗
8.6.1 比較算法與參數設置
8.6.2 交叉螺鏇綫數據
8.6.3 實際數據
8.6.4 直推式分類
8.6.5 歸納分類
參考文獻

……
第9章 基於子空間類標傳播和正則判彆分析的單標記圖像人臉識彆
第10章 基於雙綫性迴歸的單標記圖像人臉識彆
第11章 基於鏇轉擴展和稀疏錶示的魯棒遙感圖像目標識彆
第12章 壓縮感知理論基礎
第13章 基於分塊策略和過完備字典的非凸壓縮感知框
第14章 基於協同優化的稀疏重構
第15章 基於過完備字典的方嚮結構估計模型及重構方法
第16章 基於光譜信息散度與稀疏錶示的高光譜圖像分類
第17章 基於多特徵核稀疏錶示學習的高光譜圖像分類
稀疏學習、分類與識彆 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

內容詳盡，例子淺顯易懂

評分☆☆☆☆☆

物美價廉，物流神速！必須五星！

評分☆☆☆☆☆

書很好，脈絡清晰，理論知識講解由淺入深！

評分☆☆☆☆☆

書很好，脈絡清晰，理論知識講解由淺入深！

評分☆☆☆☆☆

稀疏學習、分類與識彆

評分☆☆☆☆☆

很好很好很好！！很好很好很好！！

評分☆☆☆☆☆

內容詳盡，例子淺顯易懂

評分☆☆☆☆☆

非常好，大傢很喜歡，下次繼續購買！！！

評分☆☆☆☆☆

工具書，挺不錯，就是有點貴～如果這類書有更大優惠就好瞭。

類似圖書 點擊查看全場最低價