智能目標(biāo)識(shí)別與分類

前言

20世紀(jì)50年代以來(lái)，計(jì)算機(jī)技術(shù)的發(fā)展使通過(guò)機(jī)器學(xué)習(xí)實(shí)現(xiàn)識(shí)別與分類成為可能，并且取得了很好的目標(biāo)識(shí)別效果。眾所周知，機(jī)器學(xué)習(xí)是人工智能的一個(gè)重要研究和應(yīng)用領(lǐng)域。因此，通過(guò)引入智能信息處理的方法構(gòu)造能夠處理大規(guī)模數(shù)據(jù)的目標(biāo)識(shí)別與分類的新方法已成為人們急切關(guān)注的熱點(diǎn)之一。目標(biāo)識(shí)別與分類問(wèn)題的任務(wù)是對(duì)目標(biāo)的類別、屬性作出某種判決。識(shí)別與分類技術(shù)可應(yīng)用于圖像識(shí)別、醫(yī)療診斷、生物識(shí)別、信號(hào)識(shí)別和預(yù)測(cè)、雷達(dá)信號(hào)識(shí)別、經(jīng)濟(jì)分析，以及在智能交通管理、機(jī)動(dòng)車檢測(cè)、停車場(chǎng)管理等場(chǎng)合的車牌識(shí)別等很廣泛的領(lǐng)域。目標(biāo)識(shí)別與分類技術(shù)主要經(jīng)歷了從傳統(tǒng)模式識(shí)別技術(shù)到近10年來(lái)發(fā)展起來(lái)的基于模型的智能識(shí)別技術(shù)。傳統(tǒng)模式識(shí)別方法主要包括：模板匹配、最近鄰和決策樹(shù)等；智能模式識(shí)別研究的方法主要包括：神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算分類方法、核分類方法（支撐矢量機(jī)、核匹配追蹤、譜學(xué)習(xí)等）、隱Markov模型分類器、集成方法等，這些方法在紅外、光電、雷達(dá)等傳感器的目標(biāo)識(shí)別與分類中得到了廣泛的應(yīng)用。針對(duì)分類算法各自的優(yōu)缺點(diǎn)，又出現(xiàn)了許多混合模式識(shí)別方法，如基于SOM的空間子集支撐矢量機(jī)、子波核函數(shù)網(wǎng)絡(luò)等，就是結(jié)合支撐矢量與神經(jīng)網(wǎng)絡(luò)各自優(yōu)點(diǎn)的新的分類算法。這些基于智能互補(bǔ)思想提出的新方法，豐富了模式識(shí)別方法的內(nèi)容，促進(jìn)了模式識(shí)別的發(fā)展。然而，受各個(gè)分類算法自身的優(yōu)缺點(diǎn)，以及各種傳感器獲得內(nèi)容的復(fù)雜性、目標(biāo)的不完備性等因素的影響，需要研究更為先進(jìn)的識(shí)別與分類算法，并加強(qiáng)它們的實(shí)用化進(jìn)程。

內(nèi)容概要

本書(shū)較為全面地介紹了模式識(shí)別的一個(gè)分支——機(jī)器學(xué)習(xí)的最新進(jìn)展，深入分析了機(jī)器學(xué)習(xí)中的多個(gè)關(guān)鍵問(wèn)題及多種快速稀疏學(xué)習(xí)方法，具體描述了機(jī)器學(xué)習(xí)在大規(guī)模數(shù)據(jù)識(shí)別與分類的工程設(shè)計(jì)與實(shí)現(xiàn)問(wèn)題?！　∪珪?shū)共10章，內(nèi)容包括：緒論，統(tǒng)計(jì)學(xué)習(xí)理論、再生核技術(shù)與支撐矢量機(jī)算法，支撐矢量機(jī)理論基礎(chǔ)，先進(jìn)支撐矢量機(jī)，核學(xué)習(xí)機(jī)，稀疏核支撐矢量機(jī)，快速大規(guī)模支撐矢量機(jī)，高分辨距離像識(shí)別，譜集成學(xué)習(xí)機(jī)，基于核學(xué)習(xí)的圖像識(shí)別?！　”緯?shū)可作為高等院校計(jì)算機(jī)、信號(hào)與信息處理，應(yīng)用數(shù)學(xué)、信息管理與信息系統(tǒng)、電子商務(wù)等專業(yè)研究生和高年級(jí)本科生的教材，也可供計(jì)算機(jī)應(yīng)用軟件開(kāi)發(fā)人員和人工智能與模式識(shí)別方面的研究人員參考。

書(shū)籍目錄

《智能科學(xué)技術(shù)著作叢書(shū)》序 前言 第1章　緒論 　1.1　人工神經(jīng)網(wǎng)絡(luò)的發(fā)展 　1.2　Bayes網(wǎng)絡(luò)的發(fā)展 　1.3　正則技術(shù)的發(fā)展 　1.4　統(tǒng)計(jì)學(xué)習(xí)理論的發(fā)展 　1.5　核機(jī)器學(xué)習(xí)方法的發(fā)展 　1.6　本書(shū)的主要內(nèi)容 　參考文獻(xiàn) 第2章　統(tǒng)計(jì)學(xué)習(xí)理論、再生核技術(shù)與支撐矢量機(jī)算法 　2.1　統(tǒng)計(jì)學(xué)習(xí)理論 　2.2　再生核與再生核Hilbert空間 　2.3　支撐矢量機(jī)算法 　參考文獻(xiàn) 第3章　支撐矢量機(jī)理論基礎(chǔ) 　3.1　支撐矢量機(jī)幾何特性分析 　3.2　支撐矢量預(yù)選取的中心距離比值法 　參考文獻(xiàn) 　附錄 第4章　先進(jìn)支撐矢量機(jī) 　4.1　線性規(guī)劃支撐矢量機(jī) 　4.2　無(wú)約束二次規(guī)劃回歸估計(jì)支撐矢量機(jī) 　4.3　復(fù)值支撐矢量機(jī) 　4.4　基于微分容量控制的學(xué)習(xí)機(jī) 　4.5　基于決策樹(shù)的支撐矢量機(jī)多分類方法 　參考文獻(xiàn) 　附錄 第5章　核學(xué)習(xí)機(jī) 　5.1　隱空間核機(jī)器 　5.2　核函數(shù)的構(gòu)造 　5.3　基于父子波正交投影核的支撐矢量機(jī) 　5.4　子波核函數(shù)網(wǎng)絡(luò) 　5.5　核聚類算法 　參考文獻(xiàn) 　附錄 第6章　稀疏核支撐矢量機(jī) 　6.1　Bayes核機(jī)器 　6.2　貪婪分階段支撐矢量機(jī) 　6.3　特征標(biāo)度核Fisher判別分析 　6.4　序列稀疏貪婪優(yōu)化 　參考文獻(xiàn) 　附錄 第7章　快速大規(guī)模支撐矢量機(jī)； 　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(jī)器CLAR—LASSO 　7.3　快速稀疏逼近最小二乘支撐矢量機(jī) 　7.4　模糊核匹配追蹤學(xué)習(xí)機(jī) 　7.5　集成核匹配追蹤學(xué)習(xí)機(jī) 　參考文獻(xiàn) 第8章　高分辨距離像識(shí)別 　8.1　平移不變的特征提取 　8.2　MCPVC算法 　8.3　性能評(píng)價(jià) 　8.4　小結(jié)與討論 　參考文獻(xiàn) 第9章　譜集成學(xué)習(xí)機(jī) 　9.1　基于免疫克隆算法的選擇性支撐矢量機(jī)集成 　9.2　基于特征選擇的支撐矢量機(jī)集成 　9.3　譜聚類集成學(xué)習(xí) 　9.4　基于分水嶺—譜聚類的圖像分割 　9.5　譜協(xié)同神經(jīng)網(wǎng)絡(luò)分類 　參考文獻(xiàn) 第10章　基于核學(xué)習(xí)的圖像識(shí)別 　10.1　基于核匹配追蹤的圖像識(shí)別 　10.2　基于免疫克隆與核匹配追蹤的快速圖像目標(biāo)識(shí)別 　10.3　基于協(xié)同神經(jīng)網(wǎng)絡(luò)的SAR圖像識(shí)別 　10.4　基于聚類學(xué)習(xí)的SAR圖像識(shí)別 　10.5　基于集成學(xué)習(xí)的SAR圖像識(shí)別 　參考文獻(xiàn)

章節(jié)摘錄

插圖：從實(shí)驗(yàn)結(jié)果可以看出，在這兩個(gè)數(shù)據(jù)集上貪婪分階段支撐矢量機(jī)的速度要明顯快于LIBSVM2.83。特別是對(duì)大的C值，LIBSVM2.83的核評(píng)價(jià)次數(shù)有大幅增加。另一個(gè)重要的觀察是LIBSVM2.83能夠從大的緩存規(guī)模上獲益。當(dāng)再次使用核矩陣中的元素時(shí)，算法可以從緩存中獲得，因而避免了許多耗時(shí)的核評(píng)價(jià)。這解釋了訓(xùn)練時(shí)間不匹配核評(píng)價(jià)次數(shù)的原因。然而，由于存儲(chǔ)核矩陣所需的內(nèi)存隨樣本數(shù)的平方增長(zhǎng)，對(duì)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(nèi)存中是不現(xiàn)實(shí)的。從表6.4和表6.5中可以看到，對(duì)不同的正則參數(shù)，貪婪分階段支撐矢量機(jī)獲得了2～10倍不等的加速。如果使用網(wǎng)格搜索來(lái)選擇超參數(shù)，由于貪婪分階段支撐矢量機(jī)不需要選擇正則參數(shù)，它的訓(xùn)練次數(shù)將遠(yuǎn)遠(yuǎn)少于支撐矢量機(jī)的訓(xùn)練次數(shù)。例如，如果嘗試10個(gè)不同的C和值，那么當(dāng)執(zhí)行10倍交叉驗(yàn)證時(shí)，貪婪分階段支撐矢量機(jī)僅需要重新訓(xùn)練100次，然而，支撐矢量機(jī)需要重新訓(xùn)練1000次。這樣實(shí)際上貪婪分階段支撐矢量機(jī)的訓(xùn)練速度比支撐矢量機(jī)的訓(xùn)練速度快20～100倍。此外，還可以看出貪婪分階段支撐矢量機(jī)和uBSVM2.83的測(cè)試誤差非常接近。因此可以得出結(jié)論：貪婪分階段支撐矢量機(jī)在推廣性能和支撐矢量機(jī)相當(dāng)?shù)那闆r下，速度比uBSVM2.83快得多。

編輯推薦

《智能目標(biāo)識(shí)別與分類》特點(diǎn)：視角新穎、學(xué)術(shù)水平高：《智能目標(biāo)識(shí)別與分類》全面、系統(tǒng)地論述了計(jì)算智能方法在目標(biāo)識(shí)別與分類領(lǐng)域的應(yīng)用，反映了這一領(lǐng)域的國(guó)際最新進(jìn)展。實(shí)用性強(qiáng)、深入淺出：《智能目標(biāo)識(shí)別與分類》既具有極強(qiáng)的理論性，又具有充分的實(shí)驗(yàn)例證，文字?jǐn)⑹龊?jiǎn)潔，對(duì)算法的敘述標(biāo)準(zhǔn)規(guī)范，系統(tǒng)性強(qiáng)、覆蓋面廣、理論緊密結(jié)合實(shí)際。內(nèi)容精煉、分析獨(dú)到：《智能目標(biāo)識(shí)別與分類》緊緊圍繞智能信息處理與機(jī)器學(xué)習(xí)兩大主題進(jìn)行論述，分析深入、實(shí)例充分，為目標(biāo)識(shí)別，特別是復(fù)雜圖像目標(biāo)的識(shí)別，提供了較新的思路和方法。

圖書(shū)封面

評(píng)論、評(píng)分、閱讀與下載

---

    智能目標(biāo)識(shí)別與分類 PDF格式下載

---