图书介绍
基于智能计算的降维技术研究与应用PDF|Epub|txt|kindle电子书版本网盘下载
- 皋军著 著
- 出版社： 北京：中国水利水电出版社
- ISBN：9787517013853
- 出版时间：2013
- 标注页数：178页
- 文件大小：38MB
- 文件页数：188页
- 主题词：智能计算机－研究
PDF下载
下载说明
基于智能计算的降维技术研究与应用PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 课题研究背景1
1.1.1 特征选择技术2
1.1.2 特征提取技术3
1.2 特征降维技术面临的几个挑战4
1.3 课题的主要研究内容和组织安排6
第2章 广义的势支持特征选择方法9
2.1 引言9
2.2 势支持向量机P-SVM10
2.3 广义的势支持特征选择方法：GPSFM13
2.3.1 类内离散度13
2.3.2 广义的势支持特征选择方法14
2.4 实验研究18
2.4.1 真实数据19
2.4.2 基因数据26
2.4.3 人脸图像数据28
2.5 本章小结29
第3章 具有特征排序功能的鲁棒性模糊聚类30
3.1 引言30
3.2 模糊C均值聚类方法31
3.3 具有特征排序功能的模糊聚类方法32
3.3.1 具有特征排序功能的FCA方法32
3.3.2 基于几何意义的权参数的选取37
3.4 实验研究38
3.4.1 加噪的IRIS数据38
3.4.2 加噪纹理图像数据集42
3.4.3 真实数据集44
3.5 本章小结45
第4章 基于语境距离度量的拉普拉斯最大间距判别准则46
4.1 引言46
4.2 线性拉普拉斯判别准则48
4.3 基于语境距离度量的拉普拉斯最大间距判别准则50
4.3.1 CLMMC准则50
4.3.2 CLMMC准则的QR分解法53
4.4 语境距离度量的设定54
4.5 实验研究57
4.5.1 低维非线性流形空间距离度量学习57
4.5.2 CLMMC与CL-LLD内在联系58
4.5.3 小样本问题60
4.5.4 高维非线性流形空间小样本问题和距离度量学习62
4.6 本章小结64
第5章 基于模糊最大散度差判别准则的聚类方法65
5.1 引言65
5.2 最大散度差判别准则65
5.3 基于模糊最大散度差判别准则的聚类方法66
5.3.1 模糊最大散度差判别准则66
5.3.2 设定模糊最大散度判别准则中的参数69
5.4 实验研究71
5.4.1 基本的聚类功能72
5.4.2 大数据聚类鲁棒性74
5.4.3 特征提取75
5.5 本章小结76
第6章 具有模糊聚类功能的双向二维无监督特征提取方法77
6.1 引言77
6.2 相关工作78
6.2.1 最大间距判别分析方法：MMC78
6.2.2 双向二维线性判别分析：（2D）2LDA79
6.3 具有模糊聚类功能的双向二维无监督特征 提取方法：（2D）2UFFCA79
6.3.1 矩阵模式的模糊最大间距判别准则：MFMMC80
6.3.2 实现矩阵模式数据的双向特征提取81
6.3.3 实现矩阵模式数据的模糊聚类83
6.3.4 确定数据集？的模糊聚类中心85
6.4 实验87
6.4.1 测试基本的聚类能力87
6.4.2 测试大数据集的聚类效果90
6.4.3 测试特征提取能力92
6.5 本章小结94
第7章 基于局部加权均值的领域适应学习框架96
7.1 引言96
7.2 相关工作100
7.2.1 最大均值差异：MMD100
7.2.2 最大均值差异嵌入：MMDE100
7.3 投影最大局部加权均值差异：PMLWD102
7.4 最大局部加权均值差异嵌入MWME104
7.4.1 线性最大局部加权均值嵌入：LMWME104
7.4.2 核化的最大局部加权均值嵌入方法：Ker-MWME109
7.5 基于局部加权均值的领域学习框架：LDAF109
7.5.1 LDAF_MLC110
7.5.2 LDAF_SVM113
7.5.3 算法时间复杂度分析116
7.6 实验116
7.6.1 测试人造数据集117
7.6.2 测试高维文本数据集122
7.6.3 测试人脸数据集127
7.7 本章小结130
第8章 基于矩阵模式的最小类内散度支持向量机132
8.1 引言132
8.2 最小类内散度支持向量机133
8.3 基于矩阵模式的最小类内散度支持向量机135
8.3.1 线性的矩阵模式最小类内散度支持向量机135
8.3.2 非线性的基于矩阵模式的最小类内散度支持向量机139
8.4 实验研究141
8.4.1 矢量数据的矩阵模式分类142
8.4.2 Ker-MCSVMsmatrix方法中使用v＊的合理性143
8.4.3 矩阵模式数据的分类144
8.5 本章小结146
第9章 基于全局和局部保持的半监督支持向量机147
9.1 引言147
9.2 流形正则化框架148
9.3 基于全局和局部保持的半监督支持向量机150
9.3.1 线性的GLSSVMs方法150
9.3.2 非线性的Ker-GLSSVMs方法152
9.4 实验研究155
9.4.1 人造团状数据155
9.4.2 人造流形结构数据156
9.4.3 UCI真实数据159
9.4.4 图像数据160
9.5 本章小结162
结束语163
参考文献166