万本电子书0元读

万本电子书0元读

顶部广告

超限学习机:理论、技术与应用电子书

首先,本书由相关专业领域的国内外知名教授参与撰写,概念与理论分析一脉相承、深浅出,技术与方法介绍脉络清晰、准确详尽,应用与实现案例与时俱、眼界阔;其次,本书是国内对超限学习机理论、技术和应用行全方位阐述的中文书籍,对国内相关领域的学习与研究人员具有重要意义。

售       价:¥

纸质售价:¥129.70购买纸书

13人正在读 | 0人评论 9.8

作       者:邓宸伟、周士超

出  版  社:人民邮电出版社有限公司

出版时间:2020-08-01

字       数:16.3万

所属分类: 科技 > 工业技术 > 航空/电子

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书对超限学习机近年来取得的各方面成果行详细的阐述与分析。本书分为4个部分:第1部分(第1~2章)主要介绍超限学习机的基本概念与核心理论;第2部分(第3~4章)系统介绍超限学习机理论为应对数据分类、回归以及特征学习等重要机器学习任务所做的技术性调整;第3部分(第5~6章)主要介绍超限学习机的工程实现与领域应用案例;第4部分(第7章)对全书行总结,并归纳出若干挑战性问题以待后续研究。本书附录部分为与超限学习机相关的数学基础知识,以便读者查阅。 本书可供对超限学习机感兴趣的研究人员阅读,也可为信号处理领域的工程技术人员提供技术参考。<br/>【推荐语】<br/>首先,本书由相关专业领域的国内外知名教授参与撰写,概念与理论分析一脉相承、深浅出,技术与方法介绍脉络清晰、准确详尽,应用与实现案例与时俱、眼界阔;其次,本书是国内对超限学习机理论、技术和应用行全方位阐述的中文书籍,对国内相关领域的学习与研究人员具有重要意义。<br/>【作者】<br/>邓宸伟 北京理工大学教授、博士生导师,IEEE高级会员。近年来,紧密围绕“高分辨率对地观测”领域国家重大需求,展航空、航天遥感图像处理方向的基础和应用研究。相关研究成果获2018年军队科技步奖二等奖,2017年国家自然科学基金委遥感影像智能处理大赛特等奖,选2013年北京市优秀人才培养资助计划。担任多个国际期刊的副编辑和IEEE视觉计算与内容管理兴趣小组联合主席。出版英文著作一部,以/通信作者发表SCI论文30余篇,SCI引用700余次,获授权发明专利10余项。 ? 周士超 北京理工大学在读博士。主要研究方向包括机器学习、模式识别和高分辨遥感图像处理。先后在国内外学术期刊发表SCI论文1篇,EI论文3篇,申请发明专利2项。<br/>
目录展开

扉页

目录

内容提要

前言

第1章 绪论

1.1 引言

1.2 ELM研究背景

1.3 ELM概念与内涵

1.3.1 快速前馈神经网络

1.3.2 通用机器学习单元

1.3.3 可信生物学习机制

1.4 ELM的发展历程

1.4.1 第一阶段(2006—2010年):新型神经网络结构与理论

1.4.2 第二阶段(2011—2015年):通用学习模型构建与解释

1.4.3 第三阶段(2016—至今):生物学习机制研究与硬件实现

1.5 本书内容具体安排

参考文献

第2章 超限学习机理论

2.1 ELM网络模型

2.1.1 网络结构描述

2.1.2 网络参数学习

2.2 ELM网络性能分析

2.2.1 有效拟合:随机投影与通用逼近

2.2.2 快速学习:等式约束优化

2.3 ELM学习机制通用性分析

2.3.1 显式映射形式与参数求解策略

2.3.2 核化映射形式与参数对偶表示

2.3.3 “显式”与“核化”的统一

2.4 本章小结

参考文献

第3章 超限学习机分类与回归

3.1 分类与回归——ELM的统一性解决策略

3.1.1 均方误差代价函数:分类与回归的统一

3.1.2 等式优化约束项:二分类与多分类的统一

3.2 标签不平衡——加权ELM

3.2.1 加权ELM模型构建

3.2.2 加权ELM机理分析

3.2.3 加权ELM性能评估

3.3 标签缺失——弱监督ELM

3.3.1 弱监督ELM模型构建

3.3.2 弱监督ELM机理分析

3.3.3 弱监督ELM性能评估

3.4 样本动态更迭——在线序贯ELM

3.4.1 在线序贯ELM模型构建

3.4.2 在线序贯ELM机理分析

3.4.3 在线序贯ELM性能评估

3.5 样本含噪——滤波型ELM

3.5.1 滤波型ELM模型构建

3.5.2 滤波型ELM机理分析

3.5.3 滤波型ELM性能评估

3.6 本章小结

参考文献

第4章 超限学习机特征学习

4.1 ELM特征选择

4.1.1 ELM包裹式特征选择

4.1.2 ELM嵌入式特征选择

4.2 ELM单隐藏层特征映射学习

4.2.1 有监督随机特征映射

4.2.2 无监督特征自编码器

4.3 ELM层次化特征映射学习

4.3.1 随机特征映射递归

4.3.2 特征自编码器栈式堆叠

4.4 ELM层次化特征映射学习与深度学习的联系

4.4.1 特征映射建模:普适性与自适应性

4.4.2 特征优化方法:凸优化与非凸寻优

4.5 本章小结

参考文献

第5章 超限学习机工程实现

5.1 面向模型训练的并行加速技术

5.1.1 分布式软件架构加速

5.1.2 GPU平台加速

5.1.3 云端集群计算平台加速

5.2 面向模型测试的嵌入式实时处理系统设计

5.2.1 基于FPGA平台的ELM模拟验证系统

5.2.2 基于ASIC平台的ELM实际架构系统

5.3 本章小结

参考文献

第6章 超限学习机领域应用

6.1 智能安防应用实例

6.1.1 监控系统的目标跟踪

6.1.2 门禁系统的人脸识别

6.1.3 报警系统的行为识别

6.2 卫星遥感应用实例

6.2.1 SAR图像在轨变化检测

6.2.2 高光谱图像农作物分类

6.2.3 可见光气象影像云图分类识别

6.3 生物医药应用实例

6.3.1 运动想像脑电信号分类

6.3.2 骨髓细胞分类

6.3.3 基因表达数据分类

6.4 本章小结

参考文献

第7章 研究总结与未来展望

7.1 研究总结与结论

7.2 发展趋势分析

7.2.1 应用前景

7.2.2 技术走向

7.2.3 难点与挑战

7.3 本章小结

参考文献

附录A 矩阵与最优化

A.1 范数及最小化

A.2 流形假设与图拉普拉斯矩阵

A.2.1 流形假设

A.2.2 图拉普拉斯矩阵

附录B 概率与不等式

B.1 高斯分布与投影结果分析

B.2 不等式与投影结果的稳定性描述

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部