“数字浪潮:工业互联网先进技术”丛书--机器学习关键技术及应用电子书

内容简介

数字浪潮工业互联网先进技术丛书 编委会

序言 FOREWORD

前言 PREFACE

第1章 绪论

1.1 工业发展与机器学习

1.2 矩阵型分类学习

1.3 多视角学习

1.4 不平衡数据分类学习

1.5 集成学习

1.6 深度学习

参考文献

第2章 矩阵型分类学习

2.1 矩阵型方法概述

2.2 局部敏感判别矩阵学习机

2.2.1 LSDMatMHKS算法

2.2.1.1 正则化项RLSD

2.2.1.2 LSDMatMHKS算法模型

2.2.1.3 LSDMatMHKS模型计算复杂度

2.2.2 实验与分析

2.2.2.1 实验设置

2.2.2.2 图像数据集分类比较

2.2.2.3 基础向量数据集分类比较

2.3 矩阵多类学习机

2.3.1 McMatMHKS模型

2.3.2 实验

2.3.2.1 实验设置

2.3.2.2 基于UCI数据集的实验

2.3.2.3 基于图像数据集的实验

2.3.3 分析讨论

2.3.3.1 收敛性分析

2.3.3.2 拉德马赫复杂度分析

2.4 基于向量分离策略的高效矩阵型分类器

2.4.1 EMatMHKS模型

2.4.2 基于向量分离策略的高效矩阵型分类器

2.4.2.1 算法模型

2.4.2.2 向量分离型求解策略

2.4.2.3 EMatMHKS与MatMHKS的比较分析

2.4.3 实验与分析

2.4.3.1 实验设置

2.4.3.2 UCI数据集对比实验结果

2.4.3.3 训练时间

2.4.3.4 矩阵模式与参数讨论

2.4.3.5 KEEL数据集对比实验结果

2.4.3.6 算法收敛性

参考文献

第3章 多视角学习

3.1 概述

3.2 先验信息融合的正则化型分类器

3.2.1 挖掘数据先验信息

3.2.2 多核学习与经验核映射

3.2.2.1 多核学习

3.2.2.2 经验核映射

3.2.3 TSMEKL模型

3.2.3.1 多经验核映射

3.2.3.2 簇结构的应用

3.2.3.3 三层多经验核学习模型

3.2.4 实验

3.2.4.1 实验设置

3.2.4.2 单视角数据下的分类性能

3.2.4.3 多视角数据集实验验证

3.2.4.4 进一步讨论

3.2.5 推广风险分析

3.3 Nyström近似矩阵的多核学习算法

3.3.1 多核学习算法

3.3.2 NMKMHKS模型

3.3.2.1 用Nyström构造融合矩阵

3.3.2.2 NMKMHKS算法模型

3.3.3 实验

3.3.3.1 实验设置

3.3.3.2 人工数据集实验验证

3.3.3.3 UCI数据集实验验证

3.3.3.4 进一步讨论

3.4 Universum的多视角分类学习算法

3.4.1 多视角学习算法

3.4.2 UMultiV-MHKS模型

3.4.3 实验

3.4.3.1 实验设置

3.4.3.2 UCI数据集实验验证

3.4.3.3 图像数据集实验验证

3.4.3.4 进一步讨论

3.4.3.5 Rademacher复杂度分析

参考文献

第4章 不平衡数据分类学习

4.1 概述

4.2 基于数据空间信息的样本选择方法

4.2.1 样本选择框架NearCount

4.2.1.1 NearCount算法框架

4.2.1.2 针对不平衡问题的NearCount-IM算法

4.2.1.3 针对平衡问题的NearCount-IS算法

4.2.1.4 NearCount算法的重要样本分析

4.2.2 实验结果分析与讨论

4.2.2.1 实验设置

4.2.2.2 可视化实验结果

4.2.2.3 KEEL及UCI数据集对比实验结果

4.3 基于二叉树结构的数据空间分治策略

4.3.1 SPT算法

4.3.1.1 算法总体框架

4.3.1.2 划分策略

4.3.1.3 算法完整流程

4.3.2 实验结果分析与讨论

4.3.2.1 实验设置

4.3.2.2 算法提升效果

4.3.2.3 参数分析

4.3.2.4 训练时间

4.3.2.5 KEEL数据集对比实验结果

4.4 基于熵和万有引力的动态半径近邻分类器

4.4.1 EGDRNN模型

4.4.1.1 EGDRNN模型框架

4.4.1.2 候选集半径R的计算方法

4.4.1.3 万有引力的计算方法

4.4.1.4 候选样本质量的计算方法

4.4.1.5 EGDRNN算法复杂度分析

4.4.2 实验

4.4.2.1 实验设置

4.4.2.2 分类正确率比较

4.4.2.3 分类时间比较

4.4.3 分析讨论

4.4.3.1 万有引力计算公式中参数n的讨论

4.4.3.2 EGDRNN-L1和EGDRNN-L2的讨论

4.4.3.3 EGDRNN在多类分类上的讨论

参考文献

第5章 集成学习

5.1 概述

5.2 基于视角间相似度损失的多经验核集成学习模型

5.2.1 多视角与核学习的方法

5.2.2 MVE-EK算法模型

5.2.2.1 生成多视角

5.2.2.2 样本下采样

5.2.2.3 经验核映射

5.2.2.4 MVE-EK算法流程

5.2.3 实验与分析

5.2.3.1 数据集描述

5.2.3.2 评估指标

5.2.3.3 MVE-EK的分类性能

5.2.3.4 对比实验分析与性能比较

5.2.3.5 单视角和多视角集成的分类性能比较

5.2.3.6 参数m对训练时间和分类性能的影响

5.3 基于数据全局空间特性的多平衡子集协同训练算法

5.3.1 多平衡子集协同训练算法

5.3.2 基于数据全局空间特性的多平衡子集协同训练算法

5.3.2.1 经验误差项

5.3.2.2 全局信息项

5.3.2.3 协同学习项

5.3.2.4 求解过程

5.3.3 实验与分析

5.3.3.1 实验设置

5.3.3.2 KEEL数据集对比实验结果

5.3.3.3 参数分析

5.3.3.4 图像数据集对比实验结果

5.3.3.5 训练时间

5.4 基于熵与置信度的下采样Boosting集成

5.4.1 基于熵与置信度的下采样Boosting集成方法

5.4.2 ECUBoost算法模型

5.4.2.1 ECUBoost算法流程

5.4.2.2 基于信息熵的动态下采样

5.4.2.3 ECUBoost-RF时间复杂度的分析

5.4.3 实验与分析

5.4.3.1 评价标准

5.4.3.2 数据集介绍

5.4.3.3 人工数据集实验分析

5.4.3.4 KEEL数据集实验分析

5.4.3.5 超参数分析和统计分析

参考文献

第6章 深度学习

6.1 概述

6.2 基于扰动的助推器网络驱动协同训练模型

6.2.1 归纳式半监督的方法

6.2.2 BDCT模型

6.2.2.1 BDCT总体框架

6.2.2.2 詹森-香农散度假设建模

6.2.2.3 教师模型生成

6.2.2.4 网络差异性约束

6.2.2.5 助推器网络分离

6.2.3 实验与分析

6.2.3.1 数据集描述与实验设置

6.2.3.2 半监督分类任务上的实验结果

6.2.3.3 消融实验

6.2.3.4 算法敏感性与鲁棒性验证

6.3 强制平滑的投影梯度下降对抗训练模型

6.3.1 防御对抗攻击的方法

6.3.2 SEAT模型

6.3.2.1 SEAT模型框架

6.3.2.2 对抗训练数学建模

6.3.2.3 对抗样本生成

6.3.2.4 梯度计算与复用

6.3.2.5 时间集成与偏差矫正

6.3.3 实验与分析

6.3.3.1 实验设置

6.3.3.2 MNIST、CIFAR-10和CIFAR-100数据集上自然精度和鲁棒性精度实验结果

6.3.3.3 扰动边界和重播参数分析

6.3.3.4 消融实验与可视化

6.4 面向多标签图像分类的融合先验信息的语义补充模型

6.4.1 多标签图像分类的方法

6.4.2 融合先验信息的语义补充模型（SSNP）

6.4.2.1 SSNP总体框架

6.4.2.2 先验信息网络

6.4.2.3 语义补充模块

6.4.2.4 最大池化层和损失函数

6.4.2.5 SSNP模型预定义

6.4.3 实验结果与分析

6.4.3.1 模型实验细节介绍

6.4.3.2 SSNP主要对比算法

6.4.3.3 SSNP在PASCAL VOC 2007数据集上的实验结果与分析

6.4.3.4 SSNP在MS COCO数据集上的实验结果与分析

6.4.3.5 SSNP在NUS-WIDE数据集上的实验结果分析

6.4.3.6 SSNP的复杂度分析

参考文献

第7章 应用案例

7.1 脑电信号自动情感识别

7.1.1 脑电情感识别算法的应用与发展

7.1.2 脑电信号的类别与特点

7.1.3 脑电信号自动情感识别系统

7.1.4 总结

7.2 基于语音的生物认证系统

7.2.1 语音生物认证技术的研究背景

7.2.2 基于多网络集成的声纹识别系统描述

7.2.3 总结

7.3 面向图像分类的半监督学习系统

7.3.1 图像分类技术发展

7.3.2 基于半监督学习的图像分类系统

7.3.3 总结

参考文献