图书介绍
核方法与累积量随机学习方法研究PDF|Epub|txt|kindle电子书版本网盘下载
- 赵峰，刘淑娥，安志勇等著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121108075
- 出版时间：2010
- 标注页数：174页
- 文件大小：13MB
- 文件页数：185页
- 主题词：模式识别
PDF下载
下载说明
核方法与累积量随机学习方法研究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
第一章 绪论1
1.1 模式分类概述1
1.1.1 基本概念1
1.1.2 模式分类的基本方法3
1.1.3 模式分类系统5
1.1.4 模式分类系统性能评价6
1.2 模式分类中的核方法概要7
1.2.1 核方法的基本思想7
1.2.2 核函数的构建9
1.2.3 核方法的研究现状及趋势14
1.2.4 核方法的应用16
1.3 累积量随机学习方法简述18
1.3.1 概率密度估计方法介绍18
1.3.2 累积量随机学习方法简述19
1.4 本书内容概要21
1.4.1 本书研究工作概述21
1.4.2 本书的章节安排22
第二章 特征空间中数据的几何结构表示24
2.1 基本思想24
2.2 子空间标准正交基的确定25
2.2.1 子空间基的确定25
2.2.2 子空间标准正交基的确定28
2.2.3 投影坐标的显式表示28
2.3 本章小结29
第三章 KPCA的关键问题研究30
3.1 KPCA算法描述31
3.1.1 PCA的数学描述31
3.1.2 KPCA简介34
3.2 KPCA快速算法描述36
3.2.1 KPCA复杂度分析36
3.2.2 核Hebbian算法（Kernel Hebbian Algorithm,KHA）38
3.2.3 分块核主成分40
3.2.4 基于张成子空间的简化KPCA43
3.2.5 实验分析46
3.3 KPCA的核参数优化49
3.3.1 核参数优化思路50
3.3.2 高斯性测度的核参数优化算法51
3.3.3 实验53
3.4 小结56
第四章 KFDA的关键问题研究58
4.1 KFDA算法描述59
4.1.1 Fisher判别分析简述59
4.1.2 核Fisher判别分析简述61
4.2 KFDA的奇异性分析63
4.2.1 KFDA的奇异性问题63
4.2.2 KDDA算法64
4.2.3 OKFDA算法67
4.2.4 NKFDA算法70
4.2.5 OKDV算法71
4.3 KFDA的快速算法73
4.3.1 KFDA计算复杂度分析73
4.3.2 KFDA的快速算法描述74
4.3.3 实验分析76
4.4 KFDA的核参数优化78
4.4.1 KFDA的二次规划形式79
4.4.2 优化核参数方法的推导79
4.5 小结82
第五章 SVDD的关键问题研究83
5.1 支撑向量域描述（SVDD）算法介绍83
5.1.1 研究背景83
5.1.2 SVDD算法描述84
5.2 SVDD的简化算法89
5.2.1 简化算法介绍89
5.2.2 乘性规则算法（SVDCM）90
5.2.3 增量学习算法92
5.3 SVDD的核参数优化95
5.3.1 SVDD的核参数优化问题95
5.3.2 核参数优化算法的思路95
5.3.3 核参数优化测度的构造96
5.3.4 最优化核参数的算法步骤98
5.3.5 实验及结果分析98
5.4 本章小结102
第六章 新的核方法的构造106
6.1 基本思想107
6.2 最优变换和聚类中心算法描述109
6.2.1 最优变换109
6.2.2 最优聚类中心的选择110
6.3 核最优变换和聚类中心算法112
6.3.1 KOT-CC算法推导113
6.3.2 性能比较分析115
6.4 核最优变换和聚类中心的简化算法115
6.5 实验分析117
6.5.1 鉴别特征提取能力分析117
6.5.2 计算性能分析119
6.5.3 与核Fisher鉴别分析的比较121
6.6 本章小结123
第七章 基于累积量随机学习方法的 雷达目标识别125
7.1 HRRP的特性分析126
7.1.1 HRRP的获取126
7.1.2 HRRP的敏感性及其预处理127
7.1.3 帧内HRRP的统计特性分析131
7.2 基于累积量随机学习方法的雷达目标识别133
7.2.1 方法提出的背景133
7.2.2 累积量随机学习方法（SLC）135
7.2.3 SLC的主要步骤137
7.2.4 运用SLC进行识别的基本步骤137
7.2.5 基于外场实测数据的实验分析138
7.2.6 结论142
7.3 基于“Gamma—SLC”混合密度估计的雷达目标识别143
7.3.1 方法提出的背景143
7.3.2 密度估计方法的描述145
7.3.3 密度估计方法的选择146
7.3.4 采用“Gamma-TCL”进行识别的基本步骤147
7.3.5 基于外场实测数据的实验分析148
7.3.6 结论150
7.4 本章小结151
参考文献153