模式分析的多核方法及其应用

1 (p1): 第1章 核机器学习与多核学习方法
1 (p1-1): 1.1 核方法基础
6 (p1-2): 1.2 统计学习理论与支持向量机
7 (p1-2-1): 1.2.1 统计学习理论
8 (p1-2-2): 1.2.2 支持向量机
13 (p1-3): 1.3 多核学习的研究现状及难点
13 (p1-3-1): 1.3.1 多核学习方法的研究现状
16 (p1-3-2): 1.3.2 多核方法研究的难点
20 (p2): 第2章 基于低维鲁棒特征融合的SVM目标分类
20 (p2-1): 2.1 引言
20 (p2-2): 2.2 模式分类问题的特征融合
21 (p2-3): 2.3 合成孔径雷达图像目标分类背景
24 (p2-4): 2.4 低维鲁棒组合特征的提取
24 (p2-4-1): 2.4.1 小波矩特征提取
28 (p2-4-2): 2.4.2 多类分类中小波矩的选择
29 (p2-4-3): 2.4.3 全局灰度熵特征
29 (p2-5): 2.5 基于SVM的多类SAR图像目标分类
32 (p2-6): 2.6 小结
33 (p3): 第3章 基于合成核机器的快速学习与在线回归分析
33 (p3-1): 3.1 引言
35 (p3-2): 3.2 合成核方法概述
35 (p3-2-1): 3.2.1 合成核的构造
38 (p3-2-2): 3.2.2 合成核机器的学习方法
41 (p3-3): 3.3 最小二乘支持向量机与合成核机器
41 (p3-3-1): 3.3.1 最小二乘支持向量机
43 (p3-3-2): 3.3.2 组合的特征空间与合成核机器
45 (p3-4): 3.4 无偏合成核LSSVR
49 (p3-5): 3.5 无偏LSSVR的在线学习
50 (p3-5-1): 3.5.1 常规在线学习方法
51 (p3-5-2): 3.5.2 无偏LSSVR在线学习方法
52 (p3-5-3): 3.5.3 样本增加
53 (p3-5-4): 3.5.4 样本消减
54 (p3-5-5): 3.5.5 算法复杂度分析
55 (p3-6): 3.6 在线混沌时间序列预测实验
56 (p3-6-1): 3.6.1 三种混沌时间序列预测
61 (p3-6-2): 3.6.2 时间对比与大规模样本测试
62 (p3-7): 3.7 小结
64 (p4): 第4章 基于局部多分辨分解的多尺度核方法与自动目标识别
64 (p4-1): 4.1 引言
64 (p4-2): 4.2 SAR图像自动目标识别概述
64 (p4-2-1): 4.2.1 SAR图像自动目标识别背景
68 (p4-2-2): 4.2.2 SAR图像自动目标识别的技术现状
69 (p4-3): 4.3 局部多分辨分析与特征提取
69 (p4-3-1): 4.3.1 局部多分辨分析的来源
70 (p4-3-2): 4.3.2 感受野模型的认知基础
74 (p4-3-3): 4.3.3 局部多分辨特征提取
78 (p4-4): 4.4 基于多尺度核方法的分类器设计
78 (p4-4-1): 4.4.1 具有多尺度表示能力的核函数
79 (p4-4-2): 4.4.2 多尺度核支持向量分类器
80 (p4-4-3): 4.4.3 SAR图像ATR处理流程
82 (p4-5): 4.5 仿真实验
82 (p4-5-1): 4.5.1 MSTAR数据集实验
83 (p4-5-2): 4.5.2 多目标场景ATR仿真
85 (p4-5-3): 4.5.3 SAR ATR应用软件系统
89 (p4-6): 4.6 小结
90 (p5): 第5章 基于合成核分类概率估计的大类别图像检索
90 (p5-1): 5.1 引言
90 (p5-2): 5.2 基于合成核支持向量机的图像分类
91 (p5-2-1): 5.2.1 多类别图像特征的提取
93 (p5-2-2): 5.2.2 合成核支持向量分类器的构造
94 (p5-3): 5.3 基于SVM分类概率估计的图像检索算法
94 (p5-3-1): 5.3.1 基于SVM分类概率估计的度量方法
96 (p5-3-2): 5.3.2 常用图像检索算法的度量及评价准则
97 (p5-4): 5.4 实验验证及算法改进
97 (p5-4-1): 5.4.1 图像分类实验与结果分析
101 (p5-4-2): 5.4.2 基于分类概率估计的检索实验
105 (p5-4-3): 5.4.3 图像检索算法的改进
106 (p5-5): 5.5 小结
107 (p6): 第6章 多尺度核的自适应序列学习及应用
107 (p6-1): 6.1 引言
108 (p6-2): 6.2…