投影尋蹤方法與應(yīng)用

第一章 投影尋蹤——一類新興的統(tǒng)計(jì)方法
　1.1 投影尋蹤方法的特點(diǎn)及優(yōu)點(diǎn)
　1.2 投影尋蹤的發(fā)展簡(jiǎn)史
　1.3 本書的主要內(nèi)容
　參考文獻(xiàn)
第二章 投影指標(biāo)與投影尋蹤回歸
　2.1 常用的重要投影指標(biāo)
　 2.1.1 密度型投影指標(biāo)
　 2.1.2 非密度型投影指標(biāo)
2.2 高光譜圖像中小目標(biāo)無監(jiān)督檢測(cè)的投影尋蹤方法
　 2.2.1 投影指標(biāo)的選取
　 2.2.2 基于遺傳算法的投影方向最優(yōu)化
　 2.2.3 高光譜圖像中小目標(biāo)無監(jiān)督檢測(cè)的實(shí)例
　2.3 基于LDA投影指標(biāo)和Lr投影指標(biāo)的有監(jiān)督分類
　 2.3.1 Lr投影指標(biāo)
　 2.3.2 基于模擬退火方法的投影指標(biāo)最優(yōu)化
　 2.3.3 模擬數(shù)據(jù)分類
　2.4 投影指標(biāo)小波核估計(jì)的統(tǒng)計(jì)性質(zhì)
　 2.4.1 預(yù)備知識(shí)
　 2.4.2 兩類投影指標(biāo)的小波核估計(jì)
2.5 投影指標(biāo)的Bootstrap估計(jì)及其統(tǒng)計(jì)性質(zhì)
　2.5.1 預(yù)備知識(shí)
　2.5.2 投影指標(biāo)的Bootstrap估計(jì)
　2.5.3 擬最佳投影方向
2.6 SAR圖像與極化SAR圖像分類的序列投影尋蹤方法
　2.6.1 預(yù)備知識(shí)
　2.6.2 極化SAR數(shù)據(jù)的相似性參數(shù)與極化SAR圖像分類
　2.6.3 序列投影尋蹤模型與計(jì)算方法
　2.6.4 SAR圖像分類的序列投影尋蹤模型方法
　2.6.5 基于相似性參數(shù)序列投影尋蹤的極化SAR圖像分類
　2.6.6 基于擬最佳投影方向的極化SAR圖像分類
2.7 投影尋蹤回歸的L2收斂性和全向攻擊導(dǎo)彈數(shù)據(jù)處理
　2.7.1 投影尋蹤回歸
　2.7.2 嶺函數(shù)為多項(xiàng)式形式時(shí)投影尋蹤回歸的L。收斂性
　2.7.3 全向攻擊導(dǎo)彈數(shù)據(jù)處理
2.8 非線性系統(tǒng)高維特征量的穩(wěn)健投影尋蹤回歸建模
　2.8.1 穩(wěn)健投影尋蹤建模方法
　2.8.2 航空發(fā)動(dòng)機(jī)低壓轉(zhuǎn)子轉(zhuǎn)速的穩(wěn)健投影尋蹤模型
參考文獻(xiàn)
第三章 投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的統(tǒng)計(jì)性質(zhì)與應(yīng)用
　3.1 投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
3.1.1 投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的數(shù)學(xué)模型和計(jì)算步驟
3.1.2 回歸函數(shù)投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近的Lp收斂性
3.2 非線性自回歸過程的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近
3.2.1 非線性自回歸過程的投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)逼近的收斂性
　　3.2.2 基于投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的非線性自回歸過程的建模與預(yù)報(bào)
　3.3 多維非線性時(shí)間序列的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近
　3.3.1 多維非線性自回歸過程的投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)逼近的收斂性
　　3.3.2 應(yīng)用實(shí)例
　3.4 用于分類的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法
　3.4.1 線性Hebb學(xué)習(xí)和非線性Hebb學(xué)習(xí)方法
　3.4.2 用于分類的一維投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法
　3.4.3 用于分類的二維投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法
　3.4.4 應(yīng)用實(shí)例
　3.4.5 目標(biāo)信號(hào)高維特征量的提取與分類
　……
第四章　小波神經(jīng)風(fēng)絡(luò)的應(yīng)用
第五章　投影尋蹤小波神經(jīng)網(wǎng)絡(luò)及應(yīng)用
參考文獻(xiàn)