序言
第1部分 深度學習應用
1 圖像分類
1.1 圖像分類任務
1.2 支持向量機和卷積神經網絡
1.3 神經網絡逼近核函數(shù)混合連接的圖像分類方法
1.4 應用示例
2 時間序列分析
2.1 統(tǒng)計方法
2.2 神經網絡學習方法
3 目標檢測
3.1 基本概念
3.2 核心原理
3.3 經典模型
3.4 目標檢測數(shù)據集
3.5 圖像標注
3.6 目標檢測應用——輪轂焊縫精確識別與快速定位
4 文本檢測
4.1 研究基礎
4.2 基于多尺度特征融合的自然場景文本檢測算法
5 冠狀動脈分割
5.1 研究基礎
5.2 基于分形分析的噪聲圖像超分辨率重建
5.3 基于多特征融合的MFM R-CNN網絡
6 單幅圖像去雨
6.1 基于物理模型的單幅圖像去雨算法
6.2 基于學習的單幅圖像去雨算法
6.3 基于擠壓激勵塊的多階段去雨算法
7 單幅圖像去霧
7.1 大氣散射模型
7.2 經典的圖像去霧算法
7.3 基于迭代去霧模型和CycleGAN的單幅圖像去霧算法
7.4 混合透射率迭代估計的單幅圖像去霧算法
7.5 基于注意力機制的半監(jiān)督圖像去霧算法
8 異構圖文本數(shù)據分類
8.1 基本概念與原理
8.2 提出算法
8.3 實驗
第Ⅱ部分 集成學習模型及應用
9 基于自適應策略粒子群優(yōu)化的XGBoost模型
9.1 極限梯度提升樹算法(XGBoost)
9.2 基于自適應策略粒子群優(yōu)化的XGBoost金融信貸預測模型
9.3 實驗結果及分析
10 基于神經網絡和集成學習的期權定價模型
10.1 經典算法與模型
10.2 基于神經網絡和集成學習的期權定價模型
10.3 實驗結果及分析
第Ⅲ部分 遷移學習及應用
11 遷移學習基礎知識
11.1 基本概念
11.2 遷移學習的分類
11.3 遷移學習方法
11.4 深度遷移學習
11.5 深度域適應
12 基于遷移學習的水下圖像增強
12.1 研究現(xiàn)狀
12.2 算法描述
12.3 實驗結果及分析
第Ⅳ部分 強化學習及應用
13 強化學習基礎知識
13.1 馬爾科夫決策過程
13.2 深度強化學習算法介紹
14 基于深度強化學習的股票量化交易
14.1 研究現(xiàn)狀
14.2 算法的提出
14.3 實驗結果及分析
第Ⅴ部分 多模態(tài)融合及應用
15 股票漲跌預測
15.1 基本概念與原理
15.2 基于Transfomer注意力網絡的股票漲跌預測方法1
16 語音分離
16.1 語音分離算法的基本概念與分類
16.2 基于聽覺信息的傳統(tǒng)語音分離算法
16.3 基于深度學習的語音分離算法
16.4 音視頻結合的語音分離算法
16.5 基于多模態(tài)融合開展的工作
第Ⅵ部分 參數(shù)優(yōu)化算法
17 粒子群優(yōu)化算法
17.1 基本概念與原理
17.2 基于控制參數(shù)調整的粒子群優(yōu)化算法
17.3 基于鄰域拓撲的粒子群優(yōu)化算法
17.4 基于輔助搜索技術的粒子群優(yōu)化算法
18 自適應粒子群優(yōu)化算法及其應用
18.1 基于自適應學習策略的粒子群優(yōu)化算法
18.2 基于自適應演化狀態(tài)分析的粒子群優(yōu)化算法
18.3 基于自適應變異粒子群優(yōu)化支持向量機的信用評估方法
后記