新型特征抽取算法研究
全新正版 极速发货
￥ 14.88 4.7折 ￥ 32 全新
仅1件
广东广州
认证卖家担保交易快速发货售后保障
作者范自柱 著
出版社中国科学技术大学出版社
ISBN9787312040498
出版时间2016-12
装帧平装
开本16开
定价32元
货号1201471376
上书时间2024-07-01
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
范自柱，男，1975年08月生，副教授，博士。1992年原安徽无为师范学校毕业，2003年合肥工业大学计算机软件与理论专业硕士研究生毕业，2014年1月哈尔滨工业大学计算机应用技术专业博士研究生毕业。 现主持国家自然基金2项（一项面上项目和一项地区项目）和江西省教育厅科研基金1项。已经主持完成江西省自然科学基金1项、江西省教育厅科研基金2项和华东交通大学校立基金2项。以排名第二身份完成国家自然科学基金1项和江西省教育厅科研基金1项。获得多项省市级科研奖励。担任多个靠前学术期刊如IEEE Transaction on neural network and learning systems, Neurocomputing和Neural Computing & Applications 等期刊审稿人以及多个靠前会议论文审阅人。
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
2.2PCA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)
3.4LLDA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
3.4.3LLDA算法框架
3.4.4LLDA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
4.2.1MSE的二分类模型
4.2.2MSE的多类分类模型
4.3LMSE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
4.4.3LMSE算法复杂度及相关讨论
4.5实验
4.5.1AR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)
6.3.1EKPCA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
7.2KMSE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
9.3.2GASRC
9.3.3实验
9.4本章小结
参考文献
内容摘要
本书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。很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。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价