評論(0

智能目標識別與分類

標籤: 暫無標籤

1 智能目標識別與分類 -簡介

  作 者: 焦李成 等 著

  叢 書 名:智能科學技術著作叢書

智能目標識別與分類

出 版 社: 科學出版社

  ISBN:9787030265470

  出版時間:2010-01-01

  版 次:1

  頁 數:551

  裝 幀:平裝

  開 本:16開

  所屬分類:圖書 > 計算機與互聯網 > 計算機控制與模擬

2 智能目標識別與分類 -內容簡介

  《智能目標識別與分類》較為全面地介紹了模式識別的一個分支——機器學習的最新進展,深入分析了機器學習中的多個關鍵問題及多種快速稀疏學習方法,具體描述了機器學習在大規模數據識別與分類的工程設計與實現問題。

  全書共10章,內容包括:緒論,統計學習理論、再生核技術與支撐矢量機演算法,支撐矢量機理論基礎,先進支撐矢量機,核學習機,稀疏核支撐矢量機,快速大規模支撐矢量機,高分辨距離像識別,譜集成學習機,基於核學習的圖像識別。

  《智能目標識別與分類》可作為高等院校計算機、信號與信息處理、應用數學、信息管理與信息系統、電子商務等專業研究生和高年級本科生的教材,也可供計算機應用軟體開發人員和人工智慧與模式識別方面的研究人員參考。

3 智能目標識別與分類 -前言

  20世紀50年代以來,計算機技術的發展使通過機器學習實現識別與分類成為可能,並且取得了很好的目標識別效果。眾所周知,機器學習是人工智慧的一個重要研究和應用領域。因此,通過引入智能信息處理的方法構造能夠處理大規模數據的目標識別與分類的新方法已成為人們急切關注的熱點之一。目標識別與分類問題的任務是對目標的類別、屬性作出某種判決。識別與分類技術可應用於圖像識別、醫療診斷、生物識別、信號識別和預測、雷達信號識別、經濟分析,以及在智能交通管理、機動車檢測、停車場管理等場合的車牌識別等很廣泛的領域。

  目標識別與分類技術主要經歷了從傳統模式識別技術到近10年來發展起來的基於模型的智能識別技術。傳統模式識別方法主要包括:模板匹配、最近鄰和決策樹等;智能模式識別研究的方法主要包括:神經網路、進化計算分類方法、核分類方法(支撐矢量機、核匹配追蹤、譜學習等)、隱Markov模型分類器、集成方法等,這些方法在紅外、光電、雷達等感測器的目標識別與分類中得到了廣泛的應用。針對分類演算法各自的優缺點,又出現了許多混合模式識別方法,如基於SOM的空間子集支撐矢量機、子波核函數網路等,就是結合支撐矢量與神經網路各自優點的新的分類演算法。這些基於智能互補思想提出的新方法,豐富了模式識別方法的內容,促進了模式識別的發展。然而,受各個分類演算法自身的優缺點,以及各種感測器獲得內容的複雜性、目標的不完備性等因素的影響,需要研究更為先進的識別與分類演算法,並加強它們的實用化進程。

4 智能目標識別與分類 -目錄

  《智能科學技術著作叢書》序

前言

第1章 緒論

  1.1 人工神經網路的發展

  1.2 Bayes網路的發展

  1.3 正則技術的發展

  1.4 統計學習理論的發展

  1.5 核機器學習方法的發展

  1.5.1 有監督核機器學習方法

  1.5.2 非監督核機器學習方法

  1.6 本書的主要內容

  參考文獻

第2章

  統計學習理論、再生核技術與支撐矢量機演算法

  2.1 統計學習理論

  2.1.1 學習問題的模型

  2.1.2 學習過程的一致性理論

  2.1.3 學習機推廣能力的界

  2.1.4 控制學習過程的推廣能力

  2.1.5 構造學習演算法

  2.2 再生核與再生核Hilbert空間

  2.2.1 再生核

  2.2.2 特徵空間和經驗特徵空間

  2.2.3 再生核Hilbert空間與經驗再生核Hilbert空間

  2.2.4 再生核與再生核Hilbert空間實例

  2.2.5 mercer容許核的構造

  2.2.6 再生核作為距離測度

  2.2.7 再生核Hilbert空間的函數表示理論

  2.3 支撐矢量機演算法

  2.3.1 模式識別支撐矢量機

  2.3.2 回歸支撐矢量機

  參考文獻

第3章 支撐矢量機理論基礎

  3.1 支撐矢量機幾何特性分析

  3.1.1 模式識別支撐矢量機幾何特性分析

  3.1.2 回歸估計支撐矢量機幾何特性分析

  3.1.3 小結與討論

  3.2 支撐矢量預選取的中心距離比值法

  3.2.1 中心距離比值法

  3.2.2 演算法性能模擬

  3.2.3 一種新的推廣能力衡量準則

  3.2.4 Mercer核參數的選擇

  3.2.5 模擬實驗

  3.2.6 小結與討論

  參考文獻

  附錄

第4章 先進支撐矢量機

  4.1 線性規劃支撐矢量機

  4.1.1 線性規劃線性支撐矢量機

  4.1.2 線性規劃非線性支撐矢量機

  4.1.3 模擬實驗

  4.1.4 小結與討論

  4.2 無約束二次規劃回歸估計支撐矢量機

  4.2.1 無約束二次規劃回歸估計支撐矢量機

  4.2.2 模擬實驗

  4.2.3 小結與討論

  4.3 復值支撐矢量機

  4.3.1 模式識別復值支撐矢量機

  4.3.2 回歸估計復值支撐矢量機

  4.3.3 小結與討論

  4.4 基於微分容量控制的學習機,

  4.4.1 推廣能力及微分容量控制

  4.4.2 基於微分容量控制的學習機

  4.4.3 模擬實驗

  4.4.4 小結與討論

  4.5 基於決策樹的支撐矢量機多分類方法

  4.5.1 支撐矢量機的多分類方法

  4.5.2 基於決策樹的支撐矢量機多分類方法

  4.5.3 模擬實驗

  4.5.4 小結與討論

  參考文獻

  附錄

第5章 核學習機

  5.1 隱空間核機器

  5.1.1 隱空間

  5.1.2 隱空間主分量分析

  5.1.3 隱空間支撐矢量機

  5.1.4 最小二乘隱空間支撐矢量機

  5.1.5 稀疏隱空間支撐矢量機

  5.2 核函數的構造

  5.2.1 坐標變換核

  5.2.2 子波核函數

  5.2.3 尺度核函數

  5.2.4 性能模擬

  5.2.5 小結與討論

  5.3 基於父子波正交投影核的支撐矢量機

  5.3.1 父子波正交投影核

  5.3.2 基於父子波正交投影核的支撐矢量機

  5.3.3 演算法性能分析和父子波正交投影核的參數選擇

  5.3.4 模擬實驗

  5.3.5 小結與討論

  5.4 子波核函數網路

  5.4.1 子波核函數網路模型

  5.4.2 子波核函數網路學習演算法

  5.4.3 模擬實驗

  5.4.4 小結與討論

  5.5 核聚類演算法

  5.5.1 聚類分析

  5.5.2 核聚類演算法

  5.5.3 模擬實驗

  5.5.4 小結與討論

  參考文獻

  附錄

第6章 稀疏核支撐矢量機

  6.1 Bayes核機器

  6.1.1 Bayes學習

  6.1.2 基於有效子集選擇的Bayes學習

  6.2 貪婪分階段支撐矢量機

  6.2.1 支撐矢量機

  6.2.2 再生核Hnbert空間范數和支撐矢量機

  6.2.3 貪婪分階段支撐矢量機

  6.2.4 性能評價

  6.2.5 模擬實驗

  6.2.6 演算法機理與性能分析

  6.2.7 小結與討論

  6.3 特徵標度核Fisher判別分析

  6.3.1 核Fisher判斷分析

  6.3.2 光滑留一交叉驗證誤差

  6.3.3 擴展到多分類

  6.3.4 模擬實驗

  6.3.5 小結與討論

  6.4 序列稀疏貪婪優化

  6.4.1 最小二乘支撐矢量機

  6.4.2 序列稀疏貪婪優化

  6.4.3 模型選擇

  6.4.4 模擬實驗

  6.4.5 小結與討論

  參考文獻

  附錄

第7章 快速大規模支撐矢量機

  7.1 基本域大規模支撐矢量回歸

  7.1.1 基本域支撐矢量回歸

  7.1.2不敏感Huber損失函數和有限牛頓演算法

  7.1.3 遞歸有限牛頓演算法

  7.1.4 模擬實驗

  ……

第8章 高分辨距離像識別

第9章 譜集成學習機

第10章 基於核學習的圖像識別

  參考文獻

5 智能目標識別與分類 -精彩書摘

  從實驗結果可以看出,在這兩個數據集上貪婪分階段支撐矢量機的速度要明顯快於LIBSVM2.83。特別是對大的C值,LIBSVM2.83的核評價次數有大幅增加。另一個重要的觀察是LIBSVM2.83能夠從大的緩存規模上獲益。當再次使用核矩陣中的元素時,演算法可以從緩存中獲得,因而避免了許多耗時的核評價。這解釋了訓練時間不匹配核評價次數的原因。然而,由於存儲核矩陣所需的內存隨樣本數的平方增長,對於大規模數據集,將核矩陣中的大部分元素存放到內存中是不現實的。

  從表6.4和表6.5中可以看到,對不同的正則參數,貪婪分階段支撐矢量機獲得了2~10倍不等的加速。如果使用網格搜索來選擇超參數,由於貪婪分階段支撐矢量機不需要選擇正則參數,它的訓練次數將遠遠少於支撐矢量機的訓練次數。例如,如果嘗試10個不同的C和值,那麼當執行10倍交叉驗證時,貪婪分階段支撐矢量機僅需要重新訓練100次,然而,支撐矢量機需要重新訓練1000次。這樣實際上貪婪分階段支撐矢量機的訓練速度比支撐矢量機的訓練速度快20~100倍。此外,還可以看出貪婪分階段支撐矢量機和uBSVM2.83的測試誤差非常接近。因此可以得出結論:貪婪分階段支撐矢量機在推廣性能和支撐矢量機相當的情況下,速度比uBSVM2.83快得多。

相關評論

同義詞:暫無同義詞