中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
模式識別之特征選擇 版權信息
- ISBN：9787121282683
- 條形碼：9787121282683 ; 978-7-121-28268-3
- 裝幀：暫無
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
模式識別之特征選擇 本書特色
本書系統(tǒng)深入地論述用于模式識別的特征選擇的理論與方法。在內容上注重系統(tǒng)、全面地論述特征選擇理論和方法，并力求反映國內、外特征選擇領域的*新發(fā)展趨勢。 全書重點論述各種有監(jiān)督和無監(jiān)督特征選擇理論及方法。全面涵蓋特征選擇原理、特征選擇方法分類、各類特征選擇方法特點及特征選擇算法性能評價方法等知識。論述各種特征評價方法。論述各種濾波式、封裝式特征選擇方法的原理、工作流程及算法步驟。論述特征選擇集成方法、特征選擇方法與樣本選擇及分類器集成的融合方法。還包括用于無監(jiān)督模式識別的基于圖譜理論的特征選擇方法，用于優(yōu)化深度學習網(wǎng)絡的特征選擇方法等的*新研究成果。 本書提供用于大型數(shù)據(jù)集和高維數(shù)據(jù)分析的特征選擇算法及生物信息學應用的*新資料，涵蓋了水聲目標識別、字符識別、基于腦功能磁共振成像和單核苷酸多態(tài)性等生物信息分析的疾病診斷的多種應用實例。 本書可作為高等院校研究生和高年級本科生的教材外，也可供計算機信息處理、水聲信號處理、生物信息處理等領域中從事人工智能、模式識別、機器學習、數(shù)據(jù)挖掘工作的廣大科技人員和高校師生參考。
模式識別之特征選擇 內容簡介
本書系統(tǒng)深入地論述用于模式識別的特征選擇的理論與方法。在內容上注重系統(tǒng)、全面地論述特征選擇理論和方法，并力求反映國內、外特征選擇領域的*新發(fā)展趨勢。 全書重點論述各種有監(jiān)督和無監(jiān)督特征選擇理論及方法。全面涵蓋特征選擇原理、特征選擇方法分類、各類特征選擇方法特點及特征選擇算法性能評價方法等知識。論述各種特征評價方法。論述各種濾波式、封裝式特征選擇方法的原理、工作流程及算法步驟。論述特征選擇集成方法、特征選擇方法與樣本選擇及分類器集成的融合方法。還包括用于無監(jiān)督模式識別的基于圖譜理論的特征選擇方法，用于優(yōu)化深度學習網(wǎng)絡的特征選擇方法等的*新研究成果。 本書提供用于大型數(shù)據(jù)集和高維數(shù)據(jù)分析的特征選擇算法及生物信息學應用的*新資料，涵蓋了水聲目標識別、字符識別、基于腦功能磁共振成像和單核苷酸多態(tài)性等生物信息分析的疾病診斷的多種應用實例。 本書可作為高等院校研究生和高年級本科生的教材外，也可供計算機信息處理、水聲信號處理、生物信息處理等領域中從事人工智能、模式識別、機器學習、數(shù)據(jù)挖掘工作的廣大科技人員和高校師生參考。
模式識別之特征選擇 目錄
目 錄
第1章 緒論 1
1.1 概述 1
1.2 本書章節(jié)安排 3
參考文獻 4
第2章 特征選擇原理 5
2.1 定義 5
2.1.1 特征相關性定義 5
2.1.2 特征選擇定義 5
2.2 特征選擇過程 6
2.2.1 特征子集的搜索 6
2.2.2 特征子集的評價 8
2.2.3 特征子集搜索的終止 9
2.2.4 選擇結果確認 9
2.3 特征選擇方法分類 9
2.3.1 濾波式（filters） 9
2.3.2 封裝式（wrappers） 10
2.3.3 混合式（hybrid algorithm） 11
2.3.4 嵌入式（embedded solutions） 12
2.4 特征選擇算法的評價 12
2.4.1 特征選擇算法的兩個重要參數(shù) 12
2.4.2 特征選擇算法的穩(wěn)定性評價 12
2.5 本章小結 14
參考文獻 15
第3章 特征評價方法 17
3.1 概述 17
3.2 基于距離的評價準則 17
3.2.1 質心距離準則 17
3.2.2 類類間*小距離準則 17
3.2.3 類內間距離準則 17
3.2.4 混合距離準則 18
3.3 基于互信息理論的特征評價準則 18
3.3.1 特征選擇問題中的信息熵 18
3.3.2 特征選擇問題中的互信息 21
3.3.3 互信息特征評價準則 23
3.3.4 連續(xù)特征的離散化 24
3.4 基于支持向量機的特征評價準則 26
3.4.1 svm的工作原理 26
3.4.2 svm分類器分類性能估計及設計 33
3.4.3 基于svm分類性能估計的特征評價準則 37
3.5 本章小結 38
參考文獻 38
第4章 濾波式特征選擇算法 40
4.1 順序搜索特征選擇算法 40
4.1.1 順序向前特征選擇算法 40
4.1.2 順序向后特征選擇算法 41
4.1.3 順序雙向特征選擇算法 41
4.2 relief特征選擇算法 41
4.3 *近鄰收縮規(guī)則 42
4.4 simba算法 43
4.5 實驗及結果 44
4.5.1 實驗數(shù)據(jù)及實驗設置 44
4.5.2 實驗及討論 44
4.6 本章小結 47
參考文獻 47
第5章 基于人工免疫系統(tǒng)的特征選擇算法 49
5.1 人工免疫系統(tǒng)的研究歷史和現(xiàn)狀 49
5.2 基于免疫機理的特征選擇算法 50
5.2.1 算法原理 50
5.2.2 編碼與初始種群的生成 50
5.2.3 適應度函數(shù) 50
5.2.4 免疫操作 51
5.3 基于免疫克隆機理的特征選擇方法 52
5.3.1 算法原理 52
5.3.2 問題編碼 53
5.3.3 親合度函數(shù) 53
5.3.4 抗體克隆數(shù) 53
5.3.5 免疫克隆算子 53
5.4 遺傳算法 55
5.4.1 遺傳算法基本概念 55
5.4.2 遺傳算法用于特征選擇原理 55
5.5 實驗與討論 57
5.5.1 實驗目的 57
5.5.2 實驗數(shù)據(jù) 57
5.5.3 實驗結果及討論 57
5.6 本章小結 64
參考文獻 65
第6章 特征選擇、樣本選擇與分類器集成融合 67
6.1 概述 67
6.2 樣本選擇原理 67
6.2.1 樣本選擇的定義 67
6.2.2 樣本選擇的必要性 67
6.2.3 樣本選擇方法分類 68
6.2.4 加權*近鄰收縮樣本選擇算法 69
6.2.5 加權免疫克隆樣本選擇算法 70
6.3 分類器集成 72
6.3.1 分類器集成 72
6.3.2 經典分類器集成方法 73
6.3.3 分類器選擇性集成算法 76
6.4 樣本選擇與特征選擇融合方法 79
6.4.1 wrnn-fsa融合算法 79
6.4.2 wicis -fsa融合算法 80
6.4.3 實驗與討論 81
6.5 樣本、特征與分類器集成的融合方法 85
6.5.1 樣本選擇、特征選擇與分類器集成融合原理 85
6.5.2 misffs算法 86
6.5.3 wrnnif-svme算法 87
6.5.4 wicif-svme算法 87
6.5.5 實驗與討論 88
6.6 本章小結 96
參考文獻 96
第7章 無監(jiān)督特征選擇算法 101
7.1 基于特征相關性的無監(jiān)督特征選擇 101
7.1.1 基于互信息的無監(jiān)督特征選擇 101
7.1.2 基于非參數(shù)互信息的無監(jiān)督特征選擇 105
7.1.3 基于特征相似性的無監(jiān)督特征選擇 107
7.2 基于譜圖理論的無監(jiān)督特征選擇 110
7.2.1 基于譜的無監(jiān)督特征選擇 111
7.2.2 譜聚類無監(jiān)督特征選擇 114
7.3 本章小結 118
參考文獻 118
第8章 特征選擇算法集成 121
8.1 概述 121
8.2 特征選擇算法集成 121
8.2.1 基本概念 121
8.2.2 個體特征選擇器的生成方法 122
8.2.3 特征選擇算法集成方法 124
8.3 基于特征排序表的特征選擇算法集成方法 125
8.3.1 特征排序表集成概念 125
8.3.2 特征排序表集成方法 126
8.4 特征選擇算法集成實驗及討論 127
8.4.1 實驗數(shù)據(jù)介紹 127
8.4.2 基于bagging的特征選擇算法集成實驗 127
8.4.3 ifsa算法的集成實驗結果及討論 128
8.4.4 順序向前特征選擇算法集成的實驗結果及討論 130
8.4.5 實驗結論 131
8.5 特征選擇算法集成的應用實例——基于fmri圖像及基因的疾病診斷 131
8.5.1 應用背景 131
8.5.2 利用特征選擇與svm集成融合fmri和snp數(shù)據(jù)進行疾病診斷 134
8.6 本章小結 142
參考文獻 142
第9章 特征選擇用于深度學習 146
9.1 深度置信網(wǎng)絡基礎模型——受限玻爾茲曼機 146
9.1.1 受限玻爾茲曼機模型 147
9.1.2 高斯-伯努利受限玻爾茲曼機 148
9.1.3 受限玻爾茲曼機的訓練 148
9.2 深度置信網(wǎng)絡及其特征學習 150
9.2.1 深度置信網(wǎng)絡的提出 150
9.2.2 深度置信網(wǎng)絡的訓練 150
9.2.3 用于分類識別的深度置信網(wǎng)絡 153
9.2.4 特征學習結果分析 153
9.3 基于互信息的深度特征優(yōu)化選擇 155
9.3.1 平均互信息無監(jiān)督深度特征優(yōu)化選擇 156
9.3.2 非參數(shù)互信息無監(jiān)督深度特征優(yōu)化選擇 161
9.3.3 信息增益有監(jiān)督深度特征優(yōu)化選擇 165
9.3.4 聯(lián)合互信息有監(jiān)督深度特征優(yōu)化選擇 170
9.4 基于特征選擇優(yōu)化的dbn模型 173
9.4.1 基于特征選擇優(yōu)化的dbn結構 173
9.4.2 基于平均互信息特征選擇優(yōu)化的dbn模型 174
9.4.3 基于非參數(shù)互信息特征選擇優(yōu)化的dbn模型 176
9.5 本章小結 178
參考文獻 178
第1章 緒論 1
1.1 概述 1
1.2 本書章節(jié)安排 3
參考文獻 4
第2章 特征選擇原理 5
2.1 定義 5
2.1.1 特征相關性定義 5
2.1.2 特征選擇定義 5
2.2 特征選擇過程 6
2.2.1 特征子集的搜索 6
2.2.2 特征子集的評價 8
2.2.3 特征子集搜索的終止 9
2.2.4 選擇結果確認 9
2.3 特征選擇方法分類 9
2.3.1 濾波式（filters） 9
2.3.2 封裝式（wrappers） 10
2.3.3 混合式（hybrid algorithm） 11
2.3.4 嵌入式（embedded solutions） 12
2.4 特征選擇算法的評價 12
2.4.1 特征選擇算法的兩個重要參數(shù) 12
2.4.2 特征選擇算法的穩(wěn)定性評價 12
2.5 本章小結 14
參考文獻 15
第3章 特征評價方法 17
3.1 概述 17
3.2 基于距離的評價準則 17
3.2.1 質心距離準則 17
3.2.2 類類間*小距離準則 17
3.2.3 類內間距離準則 17
3.2.4 混合距離準則 18
3.3 基于互信息理論的特征評價準則 18
3.3.1 特征選擇問題中的信息熵 18
3.3.2 特征選擇問題中的互信息 21
3.3.3 互信息特征評價準則 23
3.3.4 連續(xù)特征的離散化 24
3.4 基于支持向量機的特征評價準則 26
3.4.1 svm的工作原理 26
3.4.2 svm分類器分類性能估計及設計 33
3.4.3 基于svm分類性能估計的特征評價準則 37
3.5 本章小結 38
參考文獻 38
第4章 濾波式特征選擇算法 40
4.1 順序搜索特征選擇算法 40
4.1.1 順序向前特征選擇算法 40
4.1.2 順序向后特征選擇算法 41
4.1.3 順序雙向特征選擇算法 41
4.2 relief特征選擇算法 41
4.3 *近鄰收縮規(guī)則 42
4.4 simba算法 43
4.5 實驗及結果 44
4.5.1 實驗數(shù)據(jù)及實驗設置 44
4.5.2 實驗及討論 44
4.6 本章小結 47
參考文獻 47
第5章 基于人工免疫系統(tǒng)的特征選擇算法 49
5.1 人工免疫系統(tǒng)的研究歷史和現(xiàn)狀 49
5.2 基于免疫機理的特征選擇算法 50
5.2.1 算法原理 50
5.2.2 編碼與初始種群的生成 50
5.2.3 適應度函數(shù) 50
5.2.4 免疫操作 51
5.3 基于免疫克隆機理的特征選擇方法 52
5.3.1 算法原理 52
5.3.2 問題編碼 53
5.3.3 親合度函數(shù) 53
5.3.4 抗體克隆數(shù) 53
5.3.5 免疫克隆算子 53
5.4 遺傳算法 55
5.4.1 遺傳算法基本概念 55
5.4.2 遺傳算法用于特征選擇原理 55
5.5 實驗與討論 57
5.5.1 實驗目的 57
5.5.2 實驗數(shù)據(jù) 57
5.5.3 實驗結果及討論 57
5.6 本章小結 64
參考文獻 65
第6章 特征選擇、樣本選擇與分類器集成融合 67
6.1 概述 67
6.2 樣本選擇原理 67
6.2.1 樣本選擇的定義 67
6.2.2 樣本選擇的必要性 67
6.2.3 樣本選擇方法分類 68
6.2.4 加權*近鄰收縮樣本選擇算法 69
6.2.5 加權免疫克隆樣本選擇算法 70
6.3 分類器集成 72
6.3.1 分類器集成 72
6.3.2 經典分類器集成方法 73
6.3.3 分類器選擇性集成算法 76
6.4 樣本選擇與特征選擇融合方法 79
6.4.1 wrnn-fsa融合算法 79
6.4.2 wicis -fsa融合算法 80
6.4.3 實驗與討論 81
6.5 樣本、特征與分類器集成的融合方法 85
6.5.1 樣本選擇、特征選擇與分類器集成融合原理 85
6.5.2 misffs算法 86
6.5.3 wrnnif-svme算法 87
6.5.4 wicif-svme算法 87
6.5.5 實驗與討論 88
6.6 本章小結 96
參考文獻 96
第7章 無監(jiān)督特征選擇算法 101
7.1 基于特征相關性的無監(jiān)督特征選擇 101
7.1.1 基于互信息的無監(jiān)督特征選擇 101
7.1.2 基于非參數(shù)互信息的無監(jiān)督特征選擇 105
7.1.3 基于特征相似性的無監(jiān)督特征選擇 107
7.2 基于譜圖理論的無監(jiān)督特征選擇 110
7.2.1 基于譜的無監(jiān)督特征選擇 111
7.2.2 譜聚類無監(jiān)督特征選擇 114
7.3 本章小結 118
參考文獻 118
第8章 特征選擇算法集成 121
8.1 概述 121
8.2 特征選擇算法集成 121
8.2.1 基本概念 121
8.2.2 個體特征選擇器的生成方法 122
8.2.3 特征選擇算法集成方法 124
8.3 基于特征排序表的特征選擇算法集成方法 125
8.3.1 特征排序表集成概念 125
8.3.2 特征排序表集成方法 126
8.4 特征選擇算法集成實驗及討論 127
8.4.1 實驗數(shù)據(jù)介紹 127
8.4.2 基于bagging的特征選擇算法集成實驗 127
8.4.3 ifsa算法的集成實驗結果及討論 128
8.4.4 順序向前特征選擇算法集成的實驗結果及討論 130
8.4.5 實驗結論 131
8.5 特征選擇算法集成的應用實例——基于fmri圖像及基因的疾病診斷 131
8.5.1 應用背景 131
8.5.2 利用特征選擇與svm集成融合fmri和snp數(shù)據(jù)進行疾病診斷 134
8.6 本章小結 142
參考文獻 142
第9章 特征選擇用于深度學習 146
9.1 深度置信網(wǎng)絡基礎模型——受限玻爾茲曼機 146
9.1.1 受限玻爾茲曼機模型 147
9.1.2 高斯-伯努利受限玻爾茲曼機 148
9.1.3 受限玻爾茲曼機的訓練 148
9.2 深度置信網(wǎng)絡及其特征學習 150
9.2.1 深度置信網(wǎng)絡的提出 150
9.2.2 深度置信網(wǎng)絡的訓練 150
9.2.3 用于分類識別的深度置信網(wǎng)絡 153
9.2.4 特征學習結果分析 153
9.3 基于互信息的深度特征優(yōu)化選擇 155
9.3.1 平均互信息無監(jiān)督深度特征優(yōu)化選擇 156
9.3.2 非參數(shù)互信息無監(jiān)督深度特征優(yōu)化選擇 161
9.3.3 信息增益有監(jiān)督深度特征優(yōu)化選擇 165
9.3.4 聯(lián)合互信息有監(jiān)督深度特征優(yōu)化選擇 170
9.4 基于特征選擇優(yōu)化的dbn模型 173
9.4.1 基于特征選擇優(yōu)化的dbn結構 173
9.4.2 基于平均互信息特征選擇優(yōu)化的dbn模型 174
9.4.3 基于非參數(shù)互信息特征選擇優(yōu)化的dbn模型 176
9.5 本章小結 178
參考文獻 178
展開全部
模式識別之特征選擇 作者簡介
楊宏暉，博士，西北工業(yè)大學航海學院環(huán)境工程系副教授，系教學主任，環(huán)境工程專業(yè)負責人，中船重工第760研究所國防科技重點實驗室客座專家，電子學會會員。主持2013年度陜西普通本科高校省級“專業(yè)綜合改革試點”項目；主持西北工業(yè)大學校教學改革項目“聲環(huán)境監(jiān)測課程建設的創(chuàng)新研究與實踐”；承擔西北工業(yè)大學校教學改革項目“聲信號處理課程教學改革”；陜西省精品課程《噪聲與振動控制》骨干教師之一；陜西省教學團隊重要成員之一；多次國家重大基礎研究項目；國家重點實驗室基金項目；國防預研項目。
書友推薦
- >
經典常談
- >
二體千字文
- >
月亮與六便士
- >
小考拉的故事-套裝共3冊
- >
煙與鏡
- >
推拿
- >
我從未如此眷戀人間
- >
伊索寓言-世界文學名著典藏-全譯本
本類暢銷
