模式分析的多核方法及其应用

第1章  核机器学习与多核学习方法  1.1  核方法基础  1.2  统计学习理论与支持向量机    1.2.1  统计学习理论    1.2.2  支持向量机  1.3  多核学习的研究现状及难点    1.3.1  多核学习方法的研究现状    1.3.2  多核方法研究的难点第2章  基于低维鲁棒特征融合的svi订目标分类  2.1  引言  2.2  模式分类问题的特征融合  2.3  合成孔径雷达图像目标分类背景  2.4  低维鲁棒组合特征的提取    2.4.1  小波矩特征提取    2.4.2  多类分类中小波矩的选择    2.4.3  全局灰度熵特征  2.5  基于svm的多类sar图像目标分类  2.6  小结第3章  基于合成核机器的快速学习与在线回归分析  3.1  引言  3.2  合成核方法概述    3.2.1  合成核的构造    3.2.2  合成核机器的学习方法  3.3  *小二乘支持向量机与合成核机器    3.3.1  *小二乘支持向量机    3.3.2  组合的特征空间与合成核机器  3.4  无偏合成核lssvr  3.5  无偏lssvr的在线学习    3.5.1  常规在线学习方法    3.5.2  无偏lssvr在线学习方法    3.5.3  样本增加    3.5.4  样本消减    3.5.5  算法复杂度分析  3.6  在线混沌时间序列预测实验    3.6.1  三种混沌时间序列预测    3.6.2  时间对比与大规模样本测试  3.7  小结第4章  基于局部多分辨分解的多尺度核方法与自动目标识别  4.1  引言  4.2  sar图像自动目标识别概述    4.2.1  sar图像自动目标识别背景    4.2.2  sar图像自动目标识别的技术现状  4.3  局部多分辨分析与特征提取    4.3.1  局部多分辨分析的来源    4.3.2  感受野模型的认知基础    4.3.3  局部多分辨特征提取  4.4  基于多尺度核方法的分类器设计    4.4.1  具有多尺度表示能力的核函数    4.4.2  多尺度核支持向量分类器    4.4.3  sar图像atr处理流程  4.5  仿真实验    4.5.1  mstar数据集实验    4.5.2  多目标场景atr仿真    4.5.3  sar  atr应用软件系统  4.6  小结第5章  基于合成核分类概率估计的大类别图像检索  5.1  引言  5.2  基于合成核支持向量机的图像分类    5.2.1  多类别图像特征的提取    5.2.2  合成核支持向量分类器的构造  5.3  基于svm分类概率估计的图像检索算法    5.3.1  基于svm分类概率估计的度量方法    5.3.2  常用图像检索算法的度量及评价准则  5.4  实验验证及算法改进    5.4.1  图像分类实验与结果分析    5.4.2  基于分类概率估计的检索实验    5.4.3  图像检索算法的改进  5.5  小结第6章  多尺度核的自适应序列学习及应用  6.1  引言  6.2  多个尺度的多核学习：多尺度核方法    6.2.1  多个尺度的特征空间    6.2.2  多尺度核的学习方法  6.3  多尺度核的自适应序列学习方法    6.3.1  基于支持向量机的多尺度核序列学习    6.3.2  多尺度核合成系数的确定    6.3.3  多尺度核自适应序列学习的算法实现  6.4  仿真实验结果与分析    6.4.1  非平坦函数估计    6.4.2  二维数据模式分类    6.4.3  多维数据的分类  6.5  小结第7章  其他多核方法应用及核机器的改进  7.1  引言  7.2  合成核与多尺度核学习方法的改进    7.2.1  改进合成核方法    7.2.2  无限核方法    7.2.3  超核(hyperkernels)  7.3  基于多尺度核目标识别的跟踪与定位    7.3.1  基于目标识别的ukf跟踪及定位方法    7.3.2  目标跟踪与定位仿真  7.4  基于合成核方法的系统辨识    7.4.1  系统辨识背景与多核方法    7.4.2  仿真实验  7.5  无偏核分类器及其在线学习    7.5.1  *小二乘分类器(lssvc)    7.5.2  无偏lssvc    7.5.3  无偏lssvc的分类及在线仿真实验  7.6  多核方法在非结构化数据模式分析中的应用    7.6.1  非结构化数据    7.6.2  非结构化数据模式分析及与多核方法的融合  7.7  多核方法展望  参考文献