返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版新书]新型特征抽取算法研究范自柱 著9787312040498
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 范自柱 著著 | 范自柱 著编 | 范自柱 著译 | 范自柱 著绘
    • 出版社: 中国科学技术大学出版社
    • 出版时间:2016-12-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 范自柱 著著| 范自柱 著编| 范自柱 著译| 范自柱 著绘
    • 出版社:中国科学技术大学出版社
    • 出版时间:2016-12-01
    • 版次:1
    • 印次:1
    • 印刷时间:2016-12-01
    • 字数:212000
    • 页数:155
    • 开本:16开
    • ISBN:9787312040498
    • 版权提供:中国科学技术大学出版社
  • 作者: 范自柱 著
  • 著: 范自柱 著
  • 装帧: 平装
  • 印次: 1
  • 定价: 32
  • ISBN: 9787312040498
  • 出版社: 中国科学技术大学出版社
  • 开本: 16开
  • 印刷时间: 2016-12-01
  • 语种: 中文
  • 出版时间: 2016-12-01
  • 页数: 155
  • 外部编号: 五三B184411
  • 版次: 1
  • 成品尺寸: 暂无
  • 前言
    第1章引论
    1.1背景
    1.2研究目的和意义
    1.3特征抽取方法概述
    1.3.1线性特征抽取方法
    1.3.2非线性特征抽取方法
    1.3.3基于增量学习的特征抽取
    1.3.4基于表示理论的特征抽取
    1.4实验常用数据集
    第2章扩展主成分分析
    2.1引言
    2.2PCA简介
    2.3相似子空间学习框架
    2.3.1相似子空间框架的基本思想
    2.3.2相似子空间模型
    2.3.3基于特征选择的子空间集成
    2.4实验
    2.4.1人脸库AR上的实验
    2.4.2人脸库CMU PIE上的实验
    2.4.3特征选择
    2.4.4聚类
    2.4.5人脸重建
    2.4.6相似子空间在分类中的作用
    2.5本章小结
    第3章基于样本近邻的局部线性鉴别分析框架
    3.1引言
    3.2局部鉴别分析框架的基本思想
    3.3基于向量形式的LDA(VLDA)和基于矩阵形式的LDA(MLDA)
    3.3.1基于向量形式的LDA(VLDA)
    3.3.2基于矩阵形式的LDA(MLDA)
    3.4LLDA框架
    3.4.1基于向量的LLDA(VLLDA)算法
    3.4.2基于矩阵的LLDA(MLLDA)算法
    3.4.3LLDA算法框架
    3.4.4LLDA框架分析
    3.4.5近邻个数的选择
    3.4.6计算复杂度分析
    3.5实验结果
    3.5.1在二维模拟数据集上的实验
    3.5.2在ORL人脸库上的实验
    3.5.3在Yale人脸库上的实验
    3.5.4在AR人脸库上的实验
    3.6本章小结
    第4章基于局部最小均方误差的分类算法
    4.1引言
    4.2最小均方误差算法简介
    4.2.1MSE的二分类模型
    4.2.2MSE的多类分类模型
    4.3LMSE的提出
    4.4局部最小均方误差模型
    4.4.1二元分类的LMSE
    4.4.2多元分类的LMSE
    4.4.3LMSE算法复杂度及相关讨论
    4.5实验
    4.5.1AR数据集上的实验
    4.5.2在CMU PIE数据集上的实验
    4.5.3在MNIST数据集上的实验
    4.5.4在两类数据集上的实验
    4.6本章小结
    第5章基于个性化学习的核线性鉴别分析
    5.1引言
    5.2一般个性化学习的主要思想
    5.3个性化KFDA(IKFDA)
    5.3.1确定学习区域
    5.3.2使用KFDA的学习模型
    5.3.3计算复杂性分析
    5.4实验
    5.4.1在AR人脸数据集上的实验
    5.4.2在YaleB人脸数据集上的实验
    5.4.3在AR+ORL人脸数据集上的实验
    5.4.4在MNIST数据集上的实验
    5.4.5学习区域参数尺与分类结果之间的联系
    5.5本章小结
    第6章高效KPCA特征抽取方法
    6.1引言
    6.2核主成分分析(KPCA)
    6.3高效的核主成分分析(EKPCA)
    6.3.1EKPCA的基本思想
    6.3.2确定基本模式
    6.3.3复杂度分析
    6.4实验结果
    6.5本章小结
    第7章快速核最小均方误差算法
    7.1问题的提出
    7.2KMSE模型
    7.3快速KMSE(FKMSE)算法
    7.4实验
    7.4.1实验1
    7.4.2实验2
    7.4.3实验3
    7.5本章小结
    第8章核函数参数的自动选择
    8.1引言
    8.2基于通用熵的核函数参数选择
    8.2.1通用熵
    8.2.2余弦矩阵和核矩阵之间的关系
    8.3实验
    8.3.1高斯核函数参数选择
    8.3.2多项式核函数参数选择
    8.4本章小结
    第9章基于样本表示的特征抽取
    9.1基于L2范数的表示方法
    9.1.1协同表示分类(CRC)方法
    9.1.2线性回归分类(LRC)方法
    9.1.3两阶段测试样本的稀疏表示(TPTSR)方法
    9.2基于L1范数的表示方法
    9.3基于L0范数的表示方法
    9.3.1引言
    9.3.2GASRC
    9.3.3实验
    9.4本章小结
    参考文献

    范自柱,男,1975年08月生,副教授,博士。1992年原安徽无为师范学校毕业,2003年合肥工业大学计算机软件与理论专业硕士研究生毕业,2014年1月哈尔滨工业大学计算机应用技术专业博士研究生毕业。 现主持国家自然基金2项(一项面上项目和一项地区项目)和江西省教育厅科研基金1项。已经主持完成江西省自然科学基金1项、江西省教育厅科研基金2项和华东交通大学校立基金2项。以排名第二身份完成国家自然科学基金1项和江西省教育厅科研基金1项。获得多项省市级科研奖励。担任多个靠前学术期刊如IEEE Transaction on neural network and learning systems, Neurocomputing和Neural Computing & Applications 等期刊审稿人以及多个靠前会议论文审阅人。


    《新型特征抽取算法研究》:  主成分分析的目的是寻找一个子空间,即PCA子空间,使得在这个子空间里,数据的方差达到最大。PCA子空间是由样本协方差矩阵的那些最大特征值所对应的特征向量张成的。PCA既能够用于有监督学习,又可以用于无监督学习。它已经被成功用于很多应用场合和研究领域。自从Turk和Pentland将PCA(即传统的PCA)用于人脸识别以来,人们提出了对PCA的各种改进方法,以提高它的效果或效率。在传统的PCA(为简单起见,后面就称它为PCA)中,需要将图像数据转变为向量表示形式,这样有可能会使包含在图像里面的空间信息损坏,从而降低对图像数据的特征抽取效果。为解决这个问题,杨健等人提出了二维主成分分析(2DPCA),它不需要将图像数据转化为向量形式,可以列二维图像数据直接使用主成分分析。一般情况下,二维主成分分析的计算效率比一维传统的主成分分析高很多,它又可以看作多线性主成分分析的一种特殊形式。近年来,学者们又提出了多种基于L1范数的主成分分析方法,例如PCA_L1、稀疏PCA、鲁棒PCA和基于L1范数的2DPCA等,它们都对异常数据的处理有较好的鲁棒性。然而,当对现实世界中非线性数据分类时,上述PCA方法可能得不到很好的分类效果。由于非线性PCA和核PCA以及由它们演变得到的方法能够有效地获取非线性信息,因此,它们具有较强的处理现实世界中非线性数据的能力。此外,独立分量分析(ICA)、概率PCA、半二次PCA和双线性概率PCA都是基于概率相似度量方法,它们也可以看作PCA的扩展。  ……

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购