- 模式分析与其核方法
- - 作者：编者:孙即祥//杜春//刘钢钦//滕书华|责编:白立军//常建丽
  - 出版社：清华大学
  - ISBN：9787302630678
  - 出版日期：2024/09/01
  - 页数：281
- 售价：27.6

内容大纲
模式分析的主要任务是了解数据源或数据集的内在结构、关系和规律，并运用学习后的分析系统对新的数据进行预测预判，或根据已有模式知识进一步了解更深层次的知识。本书第1章宏观介绍模式分析。第2章主要论述模式分析的基本原则与策略；集中度、容量、VC维、Rademacher理论，它们是模式分析的顶层思想和泛化错误率分析的基础理论。第3章给出后面各章节共用的核函数与核映射空间知识。在前面3章的基础上，续而讨论具体的模式分析与核方法，各章节首先比较详细地论述基本原理和方法，然后利用核函数有关理论或核技巧“平滑过渡”到核映射空间中的模式分析。第4章论述数据分析与模式分析，包括：矩阵奇异值分解与广义本征分解；Fisher判别分析；主成分分析；相关分析；回归分析等。第5章论述支持矢量机，包括：硬间隔支持矢量机；软间隔支持矢量机；支持矢量机的泛化错误率；训练样本具有不确定性的支持矢量机；样本类内缩聚与两类样本数不均的补偿。第6章论述支持矢量数据描述，包括：包含全部样本的最小球；包含大部分样本的最优球；样本加权的支持矢量数据描述；小球大间隔SVDD；最优椭球数据描述；基于距离学习和SVDD的判别方法。第7章论述支持矢量回归，包括：岭回归；一范数ε-不敏损失支持矢量回归；二范数ε-不敏损失支持矢量回归。第8章论述核函数的优化，包括：基于误差界的核函数参数寻优方法；核极化方法；核调准方法；根据核矩阵估计可分性与二范数SVM核调准；核映射空间的Fisher判据；基于Fisher准则的扩展数据相关核函数的优化算法；多核学习。
本书可供信息、控制、数据科学、人工智能、计算机类及其他相关专业和研究方向的研究生、本科高年级学生作为关于信息分析、检测、识别、知识发现的教材或教学参考书，也可作为有关科技人员的科研参考书。
作者介绍
孙即祥，国防科技大学教授。1965年入学哈尔滨军事工程学院雷达专业，1970年毕业，1981年获得国防科技大学无线电末制导专业硕士学位，毕业后留校长期从事智能信息处理与机器视觉科研与教学工作，是信息工程、电路与系统学科的学术带头人。在教学上，对信息处理主流领域的模式识别和图像信息相关课程进行顶层设计，构建了相对完整系统的“两纵三横”课程体系。2005年获全军教学成果二等奖，2006年获湖南省高等教育省级教学成果奖二等奖，2004年获全军育才奖金奖，2007年被评为全军优秀教师；2007年荣立三等功。长期讲授和建设的“模式识别”课程2009年被评为国家精品课程，讲授的“现代模式识别”课程被评为湖南省研究生精品课程建设项目。指导并参与完成了多项863项目、973子专题、国防预研基金项目、国防预研项目，以及学术相关的多个“横向”外协项目。曾获国防科工委科技进步二等奖两项，军队科技进步三等奖一项。相续出版了《模式识别中的特征提取与计算机视觉不变量》（国防科技图书出版基金）、《现代模式识别》教育部学位管理与研究生教育司推荐研究生教学用书）、《图像处理》（普通高等教育“十一五”国家级规划教材）、《图像分析》、《图像压缩与投影重建》、《张量投票方法及其在机器视觉中的应用》等10余部学术著作和教材。
目录
第1章  绪论
  1.1  概述
  1.2  模式识别
    1.2.1  模式识别系统
    1.2.2  模式识别的基本方法
  1.3  数据分析
    1.3.1  Fisher判别分析
    1.3.2  主成分分析
    1.3.3  典型相关分析
    1.3.4  回归分析
  1.4  本书各章主要内容及其关系
  参考文献
第2章  模式分析的原则与策略
  2.1  利用类域界面分类原理和多类分类策略
    2.1.1  特征矢量和特征空间
    2.1.2  用判别域界面方程分类的概念
    2.1.3  线性判别函数
    2.1.4  两类问题
    2.1.5  多类问题
    2.1.6  判别函数值的大小、正负的鉴别意义
    2.1.7  权空间、解矢量与解空间
    2.1.8  球面分类界面和椭球面分类界面
  2.2  模式分析的基本原则
    2.2.1  没有免费午餐定理
    2.2.2  丑小鸭定理
    2.2.3  最小描述长度原理
    2.2.4  误差中偏差和方差的分析
  2.3  集中度、容量、VC维、Rademacher理论
    2.3.1  集中度、容量、Rademacher复杂度
    2.3.2  VC维
  2.4  经验风险最小化、结构风险最小化
  2.5  错误率的实验估计
    2.5.1  交叉验证法
    2.5.2  从学习曲线估计错误率
  2.6  Akaike信息准则与贝叶斯信息准则
    2.6.1  Akaike信息准则
    2.6.2  贝叶斯信息准则
  2.7  预测器选择的统计方法
    2.7.1  小差别错误率的分类器选择的统计检验
    2.7.2  预测器可靠性度量
  参考文献
第3章  核函数与核映射空间
  3.1  核函数与核映射
    3.1.1  核函数、希尔伯特空间
    3.1.2  Mercer定理
    3.1.3  再生核理论
    3.1.4  核矩阵在核方法中的作用
  3.2  核函数的运算——构造新的核映射空间
  3.3  核映射空间中一些量值的核函数表示
  参考文献

第4章  数据分析
  4.1  矩阵奇异值分解与矩阵广义本征分解
    4.1.1  矩阵奇异值分解
    4.1.2  矩阵广义本征分解
  4.2  Fisher判别分析
    4.2.1  Fisher判别分析的原理
    4.2.2  FDA的奇异问题
    4.2.3  多类问题中Fisher方法的其他几种准则
    4.2.4  多类问题行比准则的Fisher分析方法
    4.2.5  采用型比准则的Fisher迭代算法
    4.2.6  采用迹比准则的Fisher迭代算法
    4.2.7  采用差迹准则的Fisher迭代算法
    4.2.8  核映射空间中的Fisher方法
    4.2.9  正则化核Fisher判别分析
  4.3  局部均值判别分析
    4.3.1  局部均值判别
    4.3.2  加权LMDA
    4.3.3  核局部均值判别
    4.3.4  加权KLMDA
  4.4  主成分分析
    4.4.1  主成分分析原理与性质
    4.4.2  核映射空间中的主成分分析
    4.4.3  KPCA性能稳定性分析
    4.4.4  PCA的应用
  4.5  两个数据集间的相关分析
    4.5.1  基于协方差和双PCA的两数据集相关分析
    4.5.2  典型相关分析
  4.6  回归分析
    4.6.1  线性回归
    4.6.2  主成分回归
    4.6.3  基于两数据集协方差阵奇异值分解的回归
    4.6.4  偏最小二乘回归
  4.7  聚类分析
    4.7.1  概述
    4.7.2  C-均值算法
    4.7.3  改进的C-均值算法
    4.7.4  核映射空间中C-均值聚类
    4.7.5  最大间隔聚类方法
  4.8  基于流形学习的数据降维
    4.8.1  数据降维
    4.8.2  流形与流形学习
    4.8.3  拉普拉斯本征映射
    4.8.4  局部保持映射算法
    4.8.5  核局部保持映射算法
  参考文献
第5章  支持矢量机
  5.1  概述
  5.2  硬问隔支持矢量机
    5.2.1  线性支持矢量机
    5.2.2  非线性支持矢量机

    5.2.3  硬间隔支持矢量机泛化错误率
  5.3  软间隔支持矢量机
    5.3.1  软间隔线性支持矢量机
    5.3.2  l1-软间隔支持矢量机
    5.3.3  l1-软间隔支持矢量机的泛化错误率
    5.3.4  l1-软间隔支持矢量机及其泛化界
  5.4  训练样本具有不确定性的支持矢量机
  5.5  样本类内缩聚与两类样本数不均的补偿
    5.5.1  核映射空间中样本类内缩聚
    5.5.2  两类训练样本数目不均情况下的惩罚系数补偿
  参考文献
第6章  支持矢量数据描述
  6.1  概述
  6.2  包含全部点集的最小球
    6.2.1  包含全部样本的最小球
    6.2.2  包含核映射空间中全部样本的最小球
    6.2.3  基于SVDD异常检测的统计特性
  6.3  包含大部分点集的最优球
    6.3.1  包含大部分样本的最优球
    6.3.2  包含核映射空间大部分样本的最优球
    6.3.3  v-软界最优球
    6.3.4  软界最优球算法的检测性能
    6.3.5  软界最优球面与广义最优平面的关系
  6.4  样本加权的支持矢量数据描述
    6.4.1  样本加权SVDD
    6.4.2  样本的权重
  6.5  小球大间隔SVDD
  6.6  数据域最优椭球描述
    6.6.1  最优椭球数据描述
    6.6.2  核映射空间中椭球数据描述与检测
  6.7  基于距离学习和SVDD的判别方法
    6.7.1  距离测度学习
    6.7.2  新类的设定
    6.7.3  最优球面作为已给类别的边界描述
    6.7.4  描述球重叠情况下的样本识别
    6.7.5  从新类候选样本集发现新类子集
  6.8  支持矢量数据描述的研究概要
  参考文献
第7章  支持矢量回归
  7.1  岭回归
    7.1.1  基本岭回归方法
    7.1.2  核岭回归方法
  7.2  一范数ε-不敏损失支持矢量回归
    7.2.1  ε-不敏损失函数
    7.2.2  一范数ε-不敏损失的SVR
    7.2.3  ε-不敏损失的SVR的另一种表达
    7.2.4  一范数ε-不敏损失的v-SVR
    7.2.5  一范数ε-不敏损失的SVR的泛化性能
  7.3  二范数ε-不敏损失支持矢量回归
  参考文献

第8章  核函数的优化
  8.1  核函数的基本性质
    8.1.1  高斯核函数
    8.1.2  多项式核函数
    8.1.3  ANOVA核函数
  8.2  基于误差界的核函数参数寻优方法
    8.2.1  留一法错误率的上界
    8.2.2  SVM中核函数参数梯度法寻优
    8.2.3  SVR中核函数参数梯度法寻优
  8.3  核极化方法
  8.4  核调准方法
  8.5  根据核矩阵估计可分性与二范数SVM核调准
  8.6  核映射空间的Fisher判据
  8.7  基于Fisher准则的数据相关核函数的优化方法
    8.7.1  数据相关核函数
    8.7.2  经验特征空间
    8.7.3  基于Fisher准则的扩展数据相关核函数的优化算法
  8.8  多核学习
  参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目