新書推薦：
《
药食同源中药鉴别图典
》
售價：HK$
67.0
《
设计中的比例密码：建筑与室内设计
》
售價：HK$
87.4
《
冯友兰和青年谈心系列：看似平淡的坚持
》
售價：HK$
55.8
《
汉字理论与汉字阐释概要 《说解汉字一百五十讲》作者李守奎新作
》
售價：HK$
76.2
《
汗青堂丛书144·决战地中海
》
售價：HK$
168.0
《
逝去的武林（十周年纪念版 武学宗师 口述亲历 李仲轩亲历一九三零年代武人言行录）
》
售價：HK$
54.9
《
唐代冠服图志（百余幅手绘插画 图解唐代各类冠服 涵盖帝后 群臣 女官 士庶 军卫等 展现唐代社会风貌）
》
售價：HK$
87.4
《
知宋·宋代之科举
》
售價：HK$
99.7
|
| 編輯推薦： |
|
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、深入浅出，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进、眼界开阔；其次，本书是国内首部对超限学习机理论、技术和应用进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。
|
| 內容簡介： |
|
本书对超限学习机近年来取得的各方面成果进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）对全书进行总结，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。
|
| 關於作者： |
|
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，开展航空、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年军队科技进步奖二等奖，2017年国家自然科学基金委遥感影像智能处理大赛特等奖，入选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，以第一通信作者发表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。
|
| 目錄：
|
第1章 绪论 1
1.1 引言 1
1.2 ELM研究背景 2
1.3 ELM概念与内涵 3
1.3.1 快速前馈神经网络 3
1.3.2 通用机器学习单元 4
1.3.3 可信生物学习机制 5
1.4 ELM的发展历程 6
1.4.1 第一阶段（20062010年）：新型神经网络结构与理论 6
1.4.2 第二阶段（20112015年）：通用学习模型构建与解释 7
1.4.3 第三阶段（2016至今）：生物学习机制研究与硬件实现 7
1.5 本书内容具体安排 8
参考文献 8
第2章 超限学习机理论 11
2.1 ELM网络模型 11
2.1.1 网络结构描述 11
2.1.2 网络参数学习 13
2.2 ELM网络性能分析 14
2.2.1 有效拟合：随机投影与通用逼近 15
2.2.2 快速学习：等式约束优化 19
2.3 ELM学习机制通用性分析 23
2.3.1 显式映射形式与参数求解策略 24
2.3.2 核化映射形式与参数对偶表示 25
2.3.3 显式与核化的统一 27
2.4 本章小结 29
参考文献 30
第3章 超限学习机分类与回归 32
3.1 分类与回归ELM的统一性解决策略 32
3.1.1 均方误差代价函数：分类与回归的统一 33
3.1.2 等式优化约束项：二分类与多分类的统一 34
3.2 标签不平衡加权ELM 35
3.2.1 加权ELM模型构建 36
3.2.2 加权ELM机理分析 37
3.2.3 加权ELM性能评估 39
3.3 标签缺失弱监督ELM 40
3.3.1 弱监督ELM模型构建 41
3.3.2 弱监督ELM机理分析 45
3.3.3 弱监督ELM性能评估 45
3.4 样本动态更迭在线序贯ELM 53
3.4.1 在线序贯ELM模型构建 54
3.4.2 在线序贯ELM机理分析 56
3.4.3 在线序贯ELM性能评估 56
3.5 样本含噪滤波型ELM 59
3.5.1 滤波型ELM模型构建 59
3.5.2 滤波型ELM机理分析 62
3.5.3 滤波型ELM性能评估 63
3.6 本章小结 66
参考文献 66
第4章 超限学习机特征学习 69
4.1 ELM特征选择 69
4.1.1 ELM包裹式特征选择 71
4.1.2 ELM嵌入式特征选择 77
4.2 ELM单隐藏层特征映射学习 80
4.2.1 有监督随机特征映射 81
4.2.2 无监督特征自编码器 87
4.3 ELM层次化特征映射学习 92
4.3.1 随机特征映射递归 93
4.3.2 特征自编码器栈式堆叠 97
4.4 ELM层次化特征映射学习与深度学习的联系 100
4.4.1 特征映射建模：普适性与自适应性 100
4.4.2 特征优化方法：凸优化与非凸寻优 102
4.5 本章小结 104
参考文献 105
第5章 超限学习机工程实现 107
5.1 面向模型训练的并行加速技术 107
5.1.1 分布式软件架构加速 108
5.1.2 GPU平台加速 121
5.1.3 云端集群计算平台加速 124
5.2 面向模型测试的嵌入式实时处理系统设计 127
5.2.1 基于FPGA平台的ELM模拟验证系统 128
5.2.2 基于ASIC平台的ELM实际架构系统 132
5.3 本章小结 146
参考文献 147
第6章 超限学习机领域应用 149
6.1 智能安防应用实例 149
6.1.1 监控系统的目标跟踪 149
6.1.2 门禁系统的人脸识别 154
6.1.3 报警系统的行为识别 159
6.2 卫星遥感应用实例 163
6.2.1 SAR图像在轨变化检测 163
6.2.2 高光谱图像农作物分类 170
6.2.3 可见光气象影像云图分类识别 176
6.3 生物医药应用实例 182
6.3.1 运动想像脑电信号分类 182
6.3.2 骨髓细胞分类 187
6.3.3 基因表达数据分类 192
6.4 本章小结 195
参考文献 196
第7章 研究总结与未来展望 199
7.1 研究总结与结论 200
7.2 发展趋势分析 200
7.2.1 应用前景 201
7.2.2 技术走向 201
7.2.3 难点与挑战 203
7.3 本章小结 206
参考文献 206
附录A 矩阵与最优化 208
A.1 范数及最小化 208
A.2 流形假设与图拉普拉斯矩阵 210
A.2.1 流形假设 210
A.2.2 图拉普拉斯矩阵 210
附录B 概率与不等式 213
B.1 高斯分布与投影结果分析 213
B.2 不等式与投影结果的稳定性描述 214
名词索引 217
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
