投影尋蹤方法與應(yīng)用

內(nèi)容概要

　　投影尋蹤是處理和分析高維數(shù)據(jù)的一類新興的統(tǒng)計(jì)方法，其基本思想是將高維數(shù)據(jù)投影到低維（1～3維）子空間上，尋找出反映原高維數(shù)據(jù)的結(jié)構(gòu)或特征的投影，以達(dá)到研究和分析高維數(shù)據(jù)的目的。1974年，美國(guó)Stan—ford大學(xué)的Friedman和Tukey首次將該方法命名為Projection Pursuit，即投影尋蹤。　　《投影尋蹤方法與應(yīng)用》是在國(guó)家自然科學(xué)基金（項(xiàng)目批準(zhǔn)號(hào)：60375003）、3項(xiàng)航空科學(xué)基金（項(xiàng)目批準(zhǔn)號(hào)分別為：03153059，981123，951127）以及模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室和圖像信息處理與智能控制教育部重點(diǎn)實(shí)驗(yàn)室等多個(gè)項(xiàng)目的資助下所完成的關(guān)于投影尋蹤理論、方法與應(yīng)用方面的研究成果。

書籍目錄

第一章　投影尋蹤——一類新興的統(tǒng)計(jì)方法1.1　投影尋蹤方法的特點(diǎn)及優(yōu)點(diǎn)1.2　投影尋蹤的發(fā)展簡(jiǎn)史1.3　本書的主要內(nèi)容參考文獻(xiàn)第二章　投影指標(biāo)與投影尋蹤回歸2.1　常用的重要投影指標(biāo)2.1.1　密度型投影指標(biāo)2.1.2　非密度型投影指標(biāo)2.2　高光譜圖像中小目標(biāo)無(wú)監(jiān)督檢測(cè)的投影尋蹤方法2.2.1　投影指標(biāo)的選取2.2.2　基于遺傳算法的投影方向最優(yōu)化2.2.3　高光譜圖像中小目標(biāo)無(wú)監(jiān)督檢測(cè)的實(shí)例2.3　基于LDA投影指標(biāo)和Lr投影指標(biāo)的有監(jiān)督分類2.3.1　Lr投影指標(biāo)2.3.2　基于模擬退火方法的投影指標(biāo)最優(yōu)化2.3.3　模擬數(shù)據(jù)分類2.4　投影指標(biāo)小波核估計(jì)的統(tǒng)計(jì)性質(zhì)2.4.1　預(yù)備知識(shí)2.4.2　兩類投影指標(biāo)的小波核估計(jì)2.5　投影指標(biāo)的Bootstrap估計(jì)及其統(tǒng)計(jì)性質(zhì)2.5.1　預(yù)備知識(shí)2.5.2　投影指標(biāo)的Bootstrap估計(jì)2.5.3　擬最佳投影方向2.6　SAR圖像與極化SAR圖像分類的序列投影尋蹤方法2.6.1　預(yù)備知識(shí)2.6.2　極化SAR數(shù)據(jù)的相似性參數(shù)與極化SAR圖像分類2.6.3　序列投影尋蹤模型與計(jì)算方法2.6.4　SAR圖像分類的序列投影尋蹤模型方法2.6.5　基于相似性參數(shù)序列投影尋蹤的極化SAR圖像分類2.6.6　基于擬最佳投影方向的極化SAR圖像分類2.7　投影尋蹤回歸的L2收斂性和全向攻擊導(dǎo)彈數(shù)據(jù)處理2.7.1　投影尋蹤回歸2.7.2　嶺函數(shù)為多項(xiàng)式形式時(shí)投影尋蹤回歸的L。收斂性2.7.3　全向攻擊導(dǎo)彈數(shù)據(jù)處理2.8　非線性系統(tǒng)高維特征量的穩(wěn)健投影尋蹤回歸建模2.8.1　穩(wěn)健投影尋蹤建模方法2.8.2　航空發(fā)動(dòng)機(jī)低壓轉(zhuǎn)子轉(zhuǎn)速的穩(wěn)健投影尋蹤模型參考文獻(xiàn)第三章　投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的統(tǒng)計(jì)性質(zhì)與應(yīng)用3.1　投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)3.1.1　投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的數(shù)學(xué)模型和計(jì)算步驟3.1.2　回歸函數(shù)投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近的Lp收斂性3.2　非線性自回歸過(guò)程的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近3.2.1　非線性自回歸過(guò)程的投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)逼近的收斂性3.2.2　基于投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)的非線性自回歸過(guò)程的建模與預(yù)報(bào)3.3　多維非線性時(shí)間序列的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)逼近3.3.1　多維非線性自回歸過(guò)程的投影尋蹤學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)逼近的收斂性3.3.2　應(yīng)用實(shí)例3.4　用于分類的投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法3.4.1　線性Hebb學(xué)習(xí)和非線性Hebb學(xué)習(xí)方法3.4.2　用于分類的一維投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法3.4.3　用于分類的二維投影尋蹤學(xué)習(xí)網(wǎng)絡(luò)方法3.4.4　應(yīng)用實(shí)例3.4.5　目標(biāo)信號(hào)高維特征量的提取與分類……第四章　小波神經(jīng)風(fēng)絡(luò)的應(yīng)用第五章　投影尋蹤小波神經(jīng)網(wǎng)絡(luò)及應(yīng)用參考文獻(xiàn)

圖書封面

評(píng)論、評(píng)分、閱讀與下載

---

    投影尋蹤方法與應(yīng)用 PDF格式下載

---