模式识别中的核自适应学习及应用出版时间：2013年版内容简介 《模式识别中的核自适应学习及应用》以模式识别领域的重要前沿课题——核学习为研究对象，介绍了核自适应学习及在人脸识别、医学图像分类和三维碎片分类等各个方面的应用。主要包括基本原理、数学基础、参数选择、递归分析方法、函数构造方法、判别分析方法、主成分分析方法及核自适应学习机的典型应用。《模式识别中的核自适应学习及应用》可供计算机专业的本科生、研究生参考阅读，旨在帮助读者透彻理解和掌握模式识别中的核自适应学习基本原理和方法，并初步了解核自适应学习在人脸识别、医学图像分类及三维目标碎片分类中的应用。目录第1章 绪论1.1 机器学习概念1.1.1 学习的定义1.1.2 学习问题的一般描述1.1.3 学习的实现1.1.4 学习的基本形式1.1.5 学习在数据降维上的应用1.2 机器学习中的核学习1.2.1 线性特征提取算法及存在的问题1.2.2 核的引入1.2.3 主要核学习算法1.3 核学习的研究现状1.4 核学习存在的问题第2章 核学习的数学基础2.1 核理论基础2.1.1 再生核理论2.1.2 Mercer定理2.2 多项式空间和多项式核函数2.2.1 有序齐次多项式空间2.2.2 有序多项式空间2.2.3 无序多项式空间2.3 Mercer 核2.3.1 半正定矩阵的特征展开2.3.2 半正定积分算子的特征展开2.4 正定核2.5 核函数的构造第3章 自适应多核学习3.1 多核学习3.1.1 基于多核学习的特征提取方法的应用3.1.2 存在的问题3.2 基于图嵌入的特征提取原理3.2.1 直接图嵌入3.2.2 直接图嵌入的核扩展形式3.3 多核学习原理3.3.1 核函数定义及性质3.3.2 多核函数构造原理3.4 基于多核的图嵌入特征提取算法原理3.4.1 多核矩阵的构造3.4.2 图嵌入方法的多核扩展3.5 基于多核映射的图像识别算法程序设计3.5.1 训练样本预处理和读入定制参数3.5.2 样本训练3.5.3 测试分类3.6 对比图像分类算法程序设计3.7 实验对比与分析3.7.1 ORL数据库3.7.2 Yalefaces数据库3.7.3 Iris（UCI）数据库3.7.4 Image Segmentation（UCI）数据库3.8 算法效率比较和分析第4章 核自适应递归分析4.1 核函数对Online SVR算法性能的影响分析4.1.1 SVR算法基本原理4.1.2 基于增量学习的Online SVR算法4.1.3 基于Online SVR的在线时间序列预测4.1.4 核函数类型及其参数影响分析4.2 基于核函数组合的Online SVR算法4.2.1 基于核函数组合的Online SVR在线时间序列预测算法4.2.2 仿真实验和算法评估4.3 基于残差修正的局部Online SVR算法4.3.1 离线与在线算法分析4.3.2 基于残差修正的局部Online SVR在线时间序列预测算法4.3.3 仿真实验和算法评估4.3.4 两种核函数组合Online SVR算法对比分析第5章 核函数优化及构造5.1 高斯核函数及核函数优化的意义5.2 数据相关核及其扩展5.3 核函数优化算法5.3.1 基于Fisher准则的核函数优化算法5.3.2 基于最大间隔准则的核函数优化算法5.3.3 算法比较与分析5.3.4 仿真实验5.4 基于图像矩阵的高斯核函数及改进5.4.1 基于图像矩阵的高斯核函数5.4.2 基于图像矩阵的数据相关高斯核函数5.4.3 仿真实验第6章 核自适应判别分析6.1 核自适应判别分析算法6.1.1 核判别分析算法6.1.2 改进算法6.1.3 仿真实验6.2 无参数核判别分析算法6.2.1 算法框架6.2.2 仿真结果与分析6.3 自适应多核图嵌入判别分析6.3.1 多核图嵌入目标方程求解6.3.2 核函数选择6.3.3 基本核函数参数优化6.3.4 仿真实验与分析第7章 核自适应流形学习算法7.1 流形学习7.2 基于核自适应学习的局部判别分析7.2.1 局部保持映射算法7.2.2 监督局部保持映射算法7.2.3 核监督局部保持映射算法7.2.4 核自适应局部保持判别分析7.2.5 实验仿真与结果分析第8章 核自适应主成分分析8.1 主成分分析算法8.2 稀疏核主成分分析算法8.3 核自适应稀疏主成分分析算法8.4 仿真实验第9章 核自适应学习机应用9.1 三维碎片分类9.1.1 算法9.1.2 仿真实验9.2 乳腺X射线图像分类9.2.1 算法步骤9.2.2 仿真实验9.3 人脸识别9.3.1 算法描述9.3.2 仿真实验9.4 基于Gabor小波和CKFD结合的人脸图像特征提取算法9.4.1 算法描述9.4.2 仿真实验9.5 KPCA和PCA自融合的人脸图像特征提取算法9.5.1 算法描述9.5.2 仿真实验参考文献 上一篇: 时滞递归神经网络的状态估计理论与应用 下一篇: 复杂动态系统的模糊滑模控制、观测及其应用（英文版）
