消息 首页 搜索 举报
  • 新型特征抽取算法研究 范自柱 中国科学技术大学出版社 9787312040498 正版旧书
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 范自柱 中国科学技术大学出版社 9787312040498 正版旧书

正版旧书 里面部分笔记 内容完好 可正常使用 旧书不附带光盘

￥ 3.54 九五品

仅1件

江西南昌
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

ISBN9787312040498

出版时间2016-12

装帧线装

货号3978084

上书时间2024-04-19

辉煌二手教材专营店

七年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：九五品
商品描述
温馨提示：亲！旧书库存变动比较快，有时难免会有断货的情况，为保证您的利益，拍前请务必联系卖家咨询库存情况！谢谢！
书名：新型特征抽取算法研究
编号：3978084
ISBN：9787312040498[十位:]
作者：范自柱
出版社：中国科学技术大学出版社
出版日期：2016年12月
页数：0
定价：32.00 元
参考重量：0.250Kg
-------------------------
新旧程度：6-9成新左右，不影响阅读，详细情况请咨询店主
如图书附带、磁带、学习卡等请咨询店主是否齐全* 图书目录 *
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*小均方误差的分类算法 4.1 引言 4.2 *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*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*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
  • 新型特征抽取算法研究 范自柱 中国科学技术大学出版社 9787312040498 正版旧书

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

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