智能目標識別與分類

前言

20世紀50年代以來，計算機技術的發(fā)展使通過機器學習實現(xiàn)識別與分類成為可能，并且取得了很好的目標識別效果。眾所周知，機器學習是人工智能的一個重要研究和應用領域。因此，通過引入智能信息處理的方法構造能夠處理大規(guī)模數(shù)據(jù)的目標識別與分類的新方法已成為人們急切關注的熱點之一。目標識別與分類問題的任務是對目標的類別、屬性作出某種判決。識別與分類技術可應用于圖像識別、醫(yī)療診斷、生物識別、信號識別和預測、雷達信號識別、經濟分析，以及在智能交通管理、機動車檢測、停車場管理等場合的車牌識別等很廣泛的領域。目標識別與分類技術主要經歷了從傳統(tǒng)模式識別技術到近10年來發(fā)展起來的基于模型的智能識別技術。傳統(tǒng)模式識別方法主要包括：模板匹配、最近鄰和決策樹等；智能模式識別研究的方法主要包括：神經網絡、進化計算分類方法、核分類方法（支撐矢量機、核匹配追蹤、譜學習等）、隱Markov模型分類器、集成方法等，這些方法在紅外、光電、雷達等傳感器的目標識別與分類中得到了廣泛的應用。針對分類算法各自的優(yōu)缺點，又出現(xiàn)了許多混合模式識別方法，如基于SOM的空間子集支撐矢量機、子波核函數(shù)網絡等，就是結合支撐矢量與神經網絡各自優(yōu)點的新的分類算法。這些基于智能互補思想提出的新方法，豐富了模式識別方法的內容，促進了模式識別的發(fā)展。然而，受各個分類算法自身的優(yōu)缺點，以及各種傳感器獲得內容的復雜性、目標的不完備性等因素的影響，需要研究更為先進的識別與分類算法，并加強它們的實用化進程。

內容概要

本書較為全面地介紹了模式識別的一個分支——機器學習的最新進展，深入分析了機器學習中的多個關鍵問題及多種快速稀疏學習方法，具體描述了機器學習在大規(guī)模數(shù)據(jù)識別與分類的工程設計與實現(xiàn)問題?！　∪珪?0章，內容包括：緒論，統(tǒng)計學習理論、再生核技術與支撐矢量機算法，支撐矢量機理論基礎，先進支撐矢量機，核學習機，稀疏核支撐矢量機，快速大規(guī)模支撐矢量機，高分辨距離像識別，譜集成學習機，基于核學習的圖像識別?！　”緯勺鳛楦叩仍盒Ｓ嬎銠C、信號與信息處理，應用數(shù)學、信息管理與信息系統(tǒng)、電子商務等專業(yè)研究生和高年級本科生的教材，也可供計算機應用軟件開發(fā)人員和人工智能與模式識別方面的研究人員參考。

書籍目錄

《智能科學技術著作叢書》序 前言 第1章　緒論 　1.1　人工神經網絡的發(fā)展 　1.2　Bayes網絡的發(fā)展 　1.3　正則技術的發(fā)展 　1.4　統(tǒng)計學習理論的發(fā)展 　1.5　核機器學習方法的發(fā)展 　1.6　本書的主要內容 　參考文獻 第2章　統(tǒng)計學習理論、再生核技術與支撐矢量機算法 　2.1　統(tǒng)計學習理論 　2.2　再生核與再生核Hilbert空間 　2.3　支撐矢量機算法 　參考文獻 第3章　支撐矢量機理論基礎 　3.1　支撐矢量機幾何特性分析 　3.2　支撐矢量預選取的中心距離比值法 　參考文獻 　附錄 第4章　先進支撐矢量機 　4.1　線性規(guī)劃支撐矢量機 　4.2　無約束二次規(guī)劃回歸估計支撐矢量機 　4.3　復值支撐矢量機 　4.4　基于微分容量控制的學習機 　4.5　基于決策樹的支撐矢量機多分類方法 　參考文獻 　附錄 第5章　核學習機 　5.1　隱空間核機器 　5.2　核函數(shù)的構造 　5.3　基于父子波正交投影核的支撐矢量機 　5.4　子波核函數(shù)網絡 　5.5　核聚類算法 　參考文獻 　附錄 第6章　稀疏核支撐矢量機 　6.1　Bayes核機器 　6.2　貪婪分階段支撐矢量機 　6.3　特征標度核Fisher判別分析 　6.4　序列稀疏貪婪優(yōu)化 　參考文獻 　附錄 第7章　快速大規(guī)模支撐矢量機； 　7.1　基本域大規(guī)模支撐矢量回歸 　7.2　大規(guī)模稀疏核機器CLAR—LASSO 　7.3　快速稀疏逼近最小二乘支撐矢量機 　7.4　模糊核匹配追蹤學習機 　7.5　集成核匹配追蹤學習機 　參考文獻 第8章　高分辨距離像識別 　8.1　平移不變的特征提取 　8.2　MCPVC算法 　8.3　性能評價 　8.4　小結與討論 　參考文獻 第9章　譜集成學習機 　9.1　基于免疫克隆算法的選擇性支撐矢量機集成 　9.2　基于特征選擇的支撐矢量機集成 　9.3　譜聚類集成學習 　9.4　基于分水嶺—譜聚類的圖像分割 　9.5　譜協(xié)同神經網絡分類 　參考文獻 第10章　基于核學習的圖像識別 　10.1　基于核匹配追蹤的圖像識別 　10.2　基于免疫克隆與核匹配追蹤的快速圖像目標識別 　10.3　基于協(xié)同神經網絡的SAR圖像識別 　10.4　基于聚類學習的SAR圖像識別 　10.5　基于集成學習的SAR圖像識別 　參考文獻

章節(jié)摘錄

插圖：從實驗結果可以看出，在這兩個數(shù)據(jù)集上貪婪分階段支撐矢量機的速度要明顯快于LIBSVM2.83。特別是對大的C值，LIBSVM2.83的核評價次數(shù)有大幅增加。另一個重要的觀察是LIBSVM2.83能夠從大的緩存規(guī)模上獲益。當再次使用核矩陣中的元素時，算法可以從緩存中獲得，因而避免了許多耗時的核評價。這解釋了訓練時間不匹配核評價次數(shù)的原因。然而，由于存儲核矩陣所需的內存隨樣本數(shù)的平方增長，對于大規(guī)模數(shù)據(jù)集，將核矩陣中的大部分元素存放到內存中是不現(xiàn)實的。從表6.4和表6.5中可以看到，對不同的正則參數(shù)，貪婪分階段支撐矢量機獲得了2～10倍不等的加速。如果使用網格搜索來選擇超參數(shù)，由于貪婪分階段支撐矢量機不需要選擇正則參數(shù)，它的訓練次數(shù)將遠遠少于支撐矢量機的訓練次數(shù)。例如，如果嘗試10個不同的C和值，那么當執(zhí)行10倍交叉驗證時，貪婪分階段支撐矢量機僅需要重新訓練100次，然而，支撐矢量機需要重新訓練1000次。這樣實際上貪婪分階段支撐矢量機的訓練速度比支撐矢量機的訓練速度快20～100倍。此外，還可以看出貪婪分階段支撐矢量機和uBSVM2.83的測試誤差非常接近。因此可以得出結論：貪婪分階段支撐矢量機在推廣性能和支撐矢量機相當?shù)那闆r下，速度比uBSVM2.83快得多。

編輯推薦

《智能目標識別與分類》特點：視角新穎、學術水平高：《智能目標識別與分類》全面、系統(tǒng)地論述了計算智能方法在目標識別與分類領域的應用，反映了這一領域的國際最新進展。實用性強、深入淺出：《智能目標識別與分類》既具有極強的理論性，又具有充分的實驗例證，文字敘述簡潔，對算法的敘述標準規(guī)范，系統(tǒng)性強、覆蓋面廣、理論緊密結合實際。內容精煉、分析獨到：《智能目標識別與分類》緊緊圍繞智能信息處理與機器學習兩大主題進行論述，分析深入、實例充分，為目標識別，特別是復雜圖像目標的識別，提供了較新的思路和方法。

圖書封面

評論、評分、閱讀與下載

---

    智能目標識別與分類 PDF格式下載

---