模式識(shí)別中的核自適應(yīng)學(xué)習(xí)及應(yīng)用

第1章 緒論
1.1 機(jī)器學(xué)習(xí)概念
1.1.1 學(xué)習(xí)的定義
1.1.2 學(xué)習(xí)問(wèn)題的一般描述
1.1.3 學(xué)習(xí)的實(shí)現(xiàn)
1.1.4 學(xué)習(xí)的基本形式
1.1.5 學(xué)習(xí)在數(shù)據(jù)降維上的應(yīng)用
1.2 機(jī)器學(xué)習(xí)中的核學(xué)習(xí)
1.2.1 線(xiàn)性特征提取算法及存在的問(wèn)題
1.2.2 核的引入
1.2.3 主要核學(xué)習(xí)算法
1.3 核學(xué)習(xí)的研究現(xiàn)狀
1.4 核學(xué)習(xí)存在的問(wèn)題
第2章 核學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
2.1 核理論基礎(chǔ)
2.1.1 再生核理論
2.1.2 Mercer定理
2.2 多項(xiàng)式空間和多項(xiàng)式核函數(shù)
2.2.1 有序齊次多項(xiàng)式空間
2.2.2 有序多項(xiàng)式空間
2.2.3 無(wú)序多項(xiàng)式空間
2.3 Mercer 核
2.3.1 半正定矩陣的特征展開(kāi)
2.3.2 半正定積分算子的特征展開(kāi)
2.4 正定核
2.5 核函數(shù)的構(gòu)造
第3章 自適應(yīng)多核學(xué)習(xí)
3.1 多核學(xué)習(xí)
3.1.1 基于多核學(xué)習(xí)的特征提取方法的應(yīng)用
3.1.2 存在的問(wèn)題
3.2 基于圖嵌入的特征提取原理
3.2.1 直接圖嵌入
3.2.2 直接圖嵌入的核擴(kuò)展形式
3.3 多核學(xué)習(xí)原理
3.3.1 核函數(shù)定義及性質(zhì)
3.3.2 多核函數(shù)構(gòu)造原理
3.4 基于多核的圖嵌入特征提取算法原理
3.4.1 多核矩陣的構(gòu)造
3.4.2 圖嵌入方法的多核擴(kuò)展
3.5 基于多核映射的圖像識(shí)別算法程序設(shè)計(jì)
3.5.1 訓(xùn)練樣本預(yù)處理和讀入定制參數(shù)
3.5.2 樣本訓(xùn)練
3.5.3 測(cè)試分類(lèi)
3.6 對(duì)比圖像分類(lèi)算法程序設(shè)計(jì)
3.7 實(shí)驗(yàn)對(duì)比與分析
3.7.1 ORL數(shù)據(jù)庫(kù)
3.7.2 Yalefaces數(shù)據(jù)庫(kù)
3.7.3 Iris（UCI）數(shù)據(jù)庫(kù)
3.7.4 Image Segmentation（UCI）數(shù)據(jù)庫(kù)
3.8 算法效率比較和分析
第4章 核自適應(yīng)遞歸分析
4.1 核函數(shù)對(duì)Online SVR算法性能的影響分析
4.1.1 SVR算法基本原理
4.1.2 基于增量學(xué)習(xí)的Online SVR算法
4.1.3 基于Online SVR的在線(xiàn)時(shí)間序列預(yù)測(cè)
4.1.4 核函數(shù)類(lèi)型及其參數(shù)影響分析
4.2 基于核函數(shù)組合的Online SVR算法
4.2.1 基于核函數(shù)組合的Online SVR在線(xiàn)
時(shí)間序列預(yù)測(cè)算法
4.2.2 仿真實(shí)驗(yàn)和算法評(píng)估
4.3 基于殘差修正的局部Online SVR算法
4.3.1 離線(xiàn)與在線(xiàn)算法分析
4.3.2 基于殘差修正的局部Online SVR在線(xiàn)時(shí)間
序列預(yù)測(cè)算法
4.3.3 仿真實(shí)驗(yàn)和算法評(píng)估
4.3.4 兩種核函數(shù)組合Online SVR算法對(duì)比分析
第5章 核函數(shù)優(yōu)化及構(gòu)造
5.1 高斯核函數(shù)及核函數(shù)優(yōu)化的意義
5.2 數(shù)據(jù)相關(guān)核及其擴(kuò)展
5.3 核函數(shù)優(yōu)化算法
5.3.1 基于Fisher準(zhǔn)則的核函數(shù)優(yōu)化算法
5.3.2 基于最大間隔準(zhǔn)則的核函數(shù)優(yōu)化算法
5.3.3 算法比較與分析
5.3.4 仿真實(shí)驗(yàn)
5.4 基于圖像矩陣的高斯核函數(shù)及改進(jìn)
5.4.1 基于圖像矩陣的高斯核函數(shù)
5.4.2 基于圖像矩陣的數(shù)據(jù)相關(guān)高斯核函數(shù)
5.4.3 仿真實(shí)驗(yàn)
第6章 核自適應(yīng)判別分析
6.1 核自適應(yīng)判別分析算法
6.1.1 核判別分析算法
6.1.2 改進(jìn)算法
6.1.3 仿真實(shí)驗(yàn)
6.2 無(wú)參數(shù)核判別分析算法
6.2.1 算法框架
6.2.2 仿真結(jié)果與分析
6.3 自適應(yīng)多核圖嵌入判別分析
6.3.1 多核圖嵌入目標(biāo)方程求解
6.3.2 核函數(shù)選擇
6.3.3 基本核函數(shù)參數(shù)優(yōu)化
6.3.4 仿真實(shí)驗(yàn)與分析
第7章 核自適應(yīng)流形學(xué)習(xí)算法
7.1 流形學(xué)習(xí)
7.2 基于核自適應(yīng)學(xué)習(xí)的局部判別分析
7.2.1 局部保持映射算法
7.2.2 監(jiān)督局部保持映射算法
7.2.3 核監(jiān)督局部保持映射算法
7.2.4 核自適應(yīng)局部保持判別分析
7.2.5 實(shí)驗(yàn)仿真與結(jié)果分析
第8章 核自適應(yīng)主成分分析
8.1 主成分分析算法
8.2 稀疏核主成分分析算法
8.3 核自適應(yīng)稀疏主成分分析算法
8.4 仿真實(shí)驗(yàn)
第9章 核自適應(yīng)學(xué)習(xí)機(jī)應(yīng)用
9.1 三維碎片分類(lèi)
9.1.1 算法
9.1.2 仿真實(shí)驗(yàn)
9.2 乳腺X射線(xiàn)圖像分類(lèi)
9.2.1 算法步驟
9.2.2 仿真實(shí)驗(yàn)
9.3 人臉識(shí)別
9.3.1 算法描述
9.3.2 仿真實(shí)驗(yàn)
9.4 基于Gabor小波和CKFD結(jié)合的人臉圖像特征提取算法
9.4.1 算法描述
9.4.2 仿真實(shí)驗(yàn)
9.5 KPCA和PCA自融合的人臉圖像特征提取算法
9.5.1 算法描述
9.5.2 仿真實(shí)驗(yàn)
參考文獻(xiàn)