系統(tǒng)特征信息提取神經(jīng)網(wǎng)絡(luò)與算法

前言
第一章 緒論
1.1 特征信息提取
1.1.1 主/次成分分析與子空間跟蹤
1.1.2 主/次成分神經(jīng)網(wǎng)絡(luò)分析算法
1.1.3 該領(lǐng)域目前的研究熱點(diǎn)
1.2 特征提取與子空間跟蹤基礎(chǔ)
1.2.1 子空間概念
1.2.2 子空間跟蹤方法
1.2.3 基于優(yōu)化理論的子空間跟蹤
1.2.4 子空間跟蹤方法的性能分析
1.3 總體最小二乘技術(shù)
參考文獻(xiàn)
第二章 矩陣的奇異值與特征值分析
2.1 引言
2.2 矩陣的奇異值分析
2.2.1 奇異值分解
2.2.2 奇異值的性質(zhì)
2.3 矩陣的特征分析
2.3.1 特征值問題與特征方程
2.3.2 特征值與特征向量
2.3.3 Hermitian特征值分解
2.4 Rayleigh商及其特性
2.4.1 Rayleigh商
2.4.2 Rayleigh商迭代
2.4.3 Rayleigh商求解的梯度和共軛梯度算法
2.4.4 廣義Rayleigh商
2.5 本章小結(jié)
參考文獻(xiàn)
第三章 主成分分析神經(jīng)網(wǎng)絡(luò)與算法
3.1 引言
3.1.1 主成分分析
3.1.2 Hebbian學(xué)習(xí)規(guī)則
3.1.3 Oja學(xué)習(xí)規(guī)則
3.2 基于Hebbian規(guī)則的主成分分析
3.2.1 子空間學(xué)習(xí)算法
3.2.2 Generalized Hebbian算法
3.2.3 其他基于Hebbian規(guī)則的算法
3.3 基于優(yōu)化方法的主成分分析
3.3.1 最小均方誤差重構(gòu)算法
3.3.2 投影逼近子空間跟蹤算法和PASTd算法
3.3.3 魯棒RLS算法
3.3.4 NIC算法
3.3.5 成對(duì)的主成分分析算法
3.4 有側(cè)向連接的主成分分析
3.4.1 RubnerTavan主成分分析算法
3.4.2 APEX主成分分析算法
3.5 非線性主成分分析
3.5.1 核主成分分析算法
3.5.2 魯棒/非線性主成分分析算法
3.5.3 基于自聯(lián)想神經(jīng)網(wǎng)絡(luò)的主成分分析
3.6 其他主成分分析
3.6.1 約束主成分分析
3.6.2 局部主成分分析
3.6.3 復(fù)數(shù)域主成分分析
3.6.4 主成分分析的其他推廣
3.7 互相關(guān)非對(duì)稱網(wǎng)絡(luò)主奇異成分分析
3.7.1 提取多個(gè)主奇異成分
3.7.2 提取最大主奇異成分
3.7.3 提取非方矩陣的多個(gè)主奇異成分
3.8 本章小結(jié)
參考文獻(xiàn)
第四章 次成分分析神經(jīng)網(wǎng)絡(luò)及性能分析
4.1 引言
4.1.1 次成分神經(jīng)網(wǎng)絡(luò)算法
4.1.2 次成分神經(jīng)網(wǎng)絡(luò)算法存在的問題
4.1.3 次成分神經(jīng)網(wǎng)絡(luò)算法的發(fā)展
4.2 次成分分析神經(jīng)網(wǎng)絡(luò)與算法
4.2.1 提取第一個(gè)次成分算法
4.2.2 次子空間跟蹤算法
4.2.3 多個(gè)次成分提取
4.2.4 自穩(wěn)定次成分分析
4.2.5 正交化的Oja算法
4.2.6 其他次成分分析算法
4.3 次成分分析神經(jīng)網(wǎng)絡(luò)算法發(fā)散現(xiàn)象分析
4.3.1 普通發(fā)散現(xiàn)象
4.3.2 突然發(fā)散現(xiàn)象
4.3.3 不穩(wěn)定發(fā)散現(xiàn)象
4.3.4 數(shù)值發(fā)散現(xiàn)象
4.3.5 自穩(wěn)定特性分析
4.4 高維數(shù)據(jù)流的次子空間跟蹤神經(jīng)網(wǎng)絡(luò)算法
4.4.1 次子空間及其跟蹤算法
4.4.2 一種自穩(wěn)定的次成分分析算法
4.4.3 通過DCT方法對(duì)算法收斂性能的分析
4.4.4 算法的發(fā)散性能分析
4.4.5 通過SDT方法的算法自穩(wěn)定特性分析
4.4.6 次子空間跟蹤算法
4.5 本章小結(jié)
參考文獻(xiàn)
第五章 特征信息網(wǎng)絡(luò)確定性離散時(shí)間系統(tǒng)
5.1 引言
5.2 神經(jīng)網(wǎng)絡(luò)確定性離散時(shí)間系統(tǒng)
5.3 Hebbian神經(jīng)元網(wǎng)絡(luò)確定性離散時(shí)間系統(tǒng)行為分析
5.3.1 DCT近似及局限性
5.3.2 Oja算法DDT系統(tǒng)及局部性能分析
5.3.3 Oja算法DDT系統(tǒng)的全局性能分析
5.4 一種新的自穩(wěn)定次成分分析算法及確定性離散時(shí)間系統(tǒng)分析
5.4.1 新的自穩(wěn)定次成分分析算法的提出
5.4.2 通過確定性DDT系統(tǒng)對(duì)算法的收斂性能分析
5.4.3 通過確定性DDT系統(tǒng)對(duì)算法的穩(wěn)定性能分析
5.4.4 計(jì)算機(jī)仿真實(shí)驗(yàn)
5.5 統(tǒng)一的主/次成分分析學(xué)習(xí)算法及確定性離散時(shí)間學(xué)習(xí)分析
5.5.1 算法的收斂特性分析
5.5.2 計(jì)算機(jī)仿真
5.6 本章小結(jié)
參考文獻(xiàn)
第六章 雙目的主/次子空間神經(jīng)網(wǎng)絡(luò)跟蹤算法
6.1 引言
6.2 雙目的特征提取神經(jīng)網(wǎng)絡(luò)方法
6.2.1 雙目的特征提取的必要性
6.2.2 Chen雙目的特征提取方法
6.2.3 其他幾種雙目的方法的簡(jiǎn)要分析
6.3 一種新的雙目的特征提取神經(jīng)網(wǎng)絡(luò)算法
6.3.1 預(yù)備知識(shí)
6.3.2 一個(gè)新穎的信息準(zhǔn)則及其前景
6.3.3 新的雙目的主/次子空間梯度流
6.3.4 計(jì)算機(jī)仿真實(shí)驗(yàn)
6.3.5 定理的證明與推導(dǎo)
6.3.6 算法小結(jié)
6.4 本章小結(jié)
參考文獻(xiàn)
第七章 總體最小二乘與神經(jīng)網(wǎng)絡(luò)迭代求取算法
7.1 引言
7.2 總體最小二乘方法
7.2.1 經(jīng)典總體最小二乘
7.2.2 加權(quán)總體最小二乘
7.2.3 結(jié)構(gòu)總體最小二乘
7.3 總體最小二乘遞歸類方法
7.3.1 Davila RTLS算法
7.3.2 Feng 快速RTLS算法
7.3.3 Feng AIP算法
7.4 總體最小二乘神經(jīng)網(wǎng)絡(luò)方法
7.4.1 總體最小二乘神經(jīng)網(wǎng)絡(luò)方法
7.4.2 GAO TLS神經(jīng)元方法
7.4.3 EXIN TLS神經(jīng)元方法
7.4.4 Bruce混合LSTLS算法
7.5 一個(gè)新的總體最小二乘線性核及其自穩(wěn)定算法
7.5.1 采用DCT對(duì)所提算法的性能分析
7.5.2 采用SDT對(duì)所提算法的瞬態(tài)行為分析
7.5.3 計(jì)算機(jī)仿真實(shí)驗(yàn)
7.6 本章小結(jié)
參考文獻(xiàn)
第八章 特征信息提取神經(jīng)網(wǎng)絡(luò)與算法應(yīng)用
8.1 引言
8.2 主成分提取神經(jīng)網(wǎng)絡(luò)與算法的應(yīng)用
8.2.1 通信中的特征提取與降維
8.2.2 圖像處理中的數(shù)據(jù)壓縮
8.2.3 多重信號(hào)分類和波達(dá)方向估計(jì)
8.3 次成分提取神經(jīng)網(wǎng)絡(luò)與算法的應(yīng)用
8.3.1 曲線與曲面匹配應(yīng)用
8.3.2 Pisarenko法譜估計(jì)
8.4 總體最小二乘神經(jīng)網(wǎng)絡(luò)與算法的應(yīng)用
8.4.1 FIR自適應(yīng)濾波的總體最小二乘算法
8.4.2 在線參數(shù)估計(jì)中的應(yīng)用
8.4.3 在自適應(yīng)控制中的應(yīng)用
8.4.4 在復(fù)雜系統(tǒng)故障診斷中的應(yīng)用
8.5 本章小結(jié)
參考文獻(xiàn)