消息 首页 搜索 举报
  • 基于矩阵分解的信息融合方法与应用9787518959037
21年品牌 40万+商家 超1.5亿件商品

基于矩阵分解的信息融合方法与应用9787518959037

正版图书，可开发票，请放心购买。

￥ 48.92 6.3折 ￥ 78 全新

库存6件

广东广州
认证卖家担保交易快速发货售后保障

作者马园园

出版社科学技术文献出版社

ISBN9787518959037

出版时间2019-07

装帧平装

开本其他

定价78元

货号9739641

上书时间2024-12-12

亿临书店

四年老店
已实名 已认证 进店 收藏店铺
  • 店主推荐
  • 最新上架

   商品详情   

品相描述：全新
商品描述
作者简介
马园园，男，博士，主要研究领域：机器学习、复杂网络、生物信息学等，目前就职于安阳师范学院计算机与信息工程学院，从事信息分析、信息组织与检索教学、科研等工作，近3年来，在靠前主流会议和期刊上发表论文8篇，担任多个靠前SCI期刊审稿人。

目录
1绪论
1.1研究背景与研究意义
1.1.1研究背景
1.1.2研究意义
1.2国内外研究进展
1.2.1信息融合研究现状述评
1.2.2基于机器学习的信息融合研究现状述评
1.2.3存在的主要问题
1.3研究内容与本书结构
1.3.1研究内容
1.3.2本书结构
1.4本书主要贡献
2信息融合相关理论
2.1信息融合概念与原理
2.1.1信息融合概念
2.1.2信息融合原理
2.2信息融合策略
2.2.1早期融合
2.2.2中期融合
2.2.3后期融合
2.3子空间学习理论
2.3.1多视角谱聚类
2.3.2连接的多视角非负矩阵分解
2.3.3一致的多视角非负矩阵分解
2.3.4基于多、图的信息融合
2.4本章小结
3基于对称非负矩阵分解的信息融合模型
3.1对称非负矩阵分解
3.1.1相似性度量
3.1.2目标函数与优化
3.2SNMF与核K均值聚类、谱聚类的等效性
3.2.1核K均值聚类
3.2.2谱聚类
3.2.3实例
3.3基于对称非负矩阵分解的聚类融合模型
3.3.1建模思想
3.3.2基本假设和一致性矩阵表述
3.3.3基于对称非负矩阵分解的聚类融合模型的建立
3.3.4算法优化
3.4实例分析与讨论
3.4.1数据集描述与预处理
3.4.2实验结果
3.4.3分析与讨论
3.5本章小结
4考虑图正则化的对称非负矩阵分解信息融合模型
4.1正则化思想
4.1.1正则化理论
4.1.2图正则化框架
4.2基于Laplacian正则化的对称非负矩阵分解融合模型
4.2.1建模思想概述
4.2.2基本假设
4.2.3基于Laplacian正则化的对称非负矩阵分解融合模型
4.2.4算法优化
4.2.5实例分析与讨论
4.3基于Hessian正则化的对称非负矩阵分解融合模型
4.3.1建模思想概述
4.3.2基本假设和定义
4.3.3基于Hessian正则化的对称非负矩阵分解融合模型
4.3.4算法优化
4.3.5实例分析与讨论
4.4基于对称非负矩阵分解的预测模型
4.4.1基于对称非负矩阵分解的实时样本预测模型
4.4.2实验分析与讨论
4.5本章小结
……
5基于对称非负矩阵分解融合模型在跨模态检索中的应用
6其他多视角信息融合模型及应用
7总结与展望
参考文献
附录
致谢

内容摘要
《基于矩阵分解的信息融合方法及应用》共7章，大体可分为3个部分：部分包括章和第2章，介绍了信息融合的基础知识；第二部分包括第3章至第5章，介绍了一些基于矩阵分解的信息融合方法；第三部分包括第6章和第7章，介绍了一些经典的异构网络模块识别算法，并总结了该领域的若干研究趋势。该书重点是第3章至第5章，该部分内容由浅入深、逐层递进，读者在阅读这部分内容时，需具备一定的高等数学、线性代数知识。该书内容主要来源于笔者攻读博士学位期间的工作和在看文献的过程中萌生出的一系列想法，因此，有必要将该书的主要体系结构和特色做一简单说明，以区别于其他信息融合和机器学习著作。该书主要针对现有信息融合方法中的不足，分别研究了基于对称非负矩阵分解的信息融合模型、考虑图正则化的对称非负矩阵分解融合模型和基于对称非负矩阵分解的预测模型，并将其应用到跨模态信息检索任务中。

精彩内容

 
 

 


媒体评论
大数据技术的发展，累积了大量的多源异构数据，挖掘这些数据背后蕴藏的价值，有助于推动科研人员发现科学规律的步伐。本书介绍了目前流行的多视角学习融合方法，并针对现有方法的不足，研究了基于矩阵分解的信息融合模型、考虑图正则化的矩阵分解融合模型和基于矩阵分解的预测模型，并将其应用到跨模态信息检索等任务中。

   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