• 新型特征抽取算法研究
图书条目标准图
21年品牌 40万+商家 超1.5亿件商品

新型特征抽取算法研究

正版全新,绝无盗版,可开发票

19 5.9折 32 全新

仅1件

北京海淀
认证卖家担保交易快速发货售后保障

作者范自柱

出版社中国科学技术大学出版社

出版时间2016-12

版次1

装帧其他

上书时间2024-05-28

SeasonSun书肆

九年老店
已实名 已认证 进店 收藏店铺

   商品详情   

品相描述:全新
图书标准信息
  • 作者 范自柱
  • 出版社 中国科学技术大学出版社
  • 出版时间 2016-12
  • 版次 1
  • ISBN 9787312040498
  • 定价 32.00元
  • 装帧 其他
  • 开本 16开
  • 纸张 胶版纸
【内容简介】
范自柱*的《新型特征抽取算法研究》的主要内 容是特征抽取方法在人脸识别和其他分类任务中的应 用。首先介绍了改进的特征抽取方法以提高经典特征 抽取方法的分类精度。接着介绍了几种特征抽取方法 ,它们的目的是提高特征抽取算法的计算效率。*后 从一个新颖的角度去描述特征抽取方法,即从样本表 示的角度来阐述特征抽取,这源自目前备受关注的压 缩感知理论。

  本书既可作为自动化、计算机、电子工程和信息 管理等专业本科生、研究生和研究人员的科研用书, 又可作为从事模式识别、机器学习、计算机视觉和图 像处理等工作的开管人员的参考资料。
【目录】
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  2.2  PCA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)  3.4  LLDA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    3.4.3  LLDA算法框架    3.4.4  LLDA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    4.2.1  MSE的二分类模型    4.2.2  MSE的多类分类模型  4.3  LMSE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    4.4.3  LMSE算法复杂度及相关讨论  4.5  实验    4.5.1  AR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)    6.3.1  EKPCA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  7.2  KMSE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    9.3.2  GASRC      9.3.3  实验  9.4  本章小结参考文献
点击展开 点击收起

—  没有更多了  —

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP