模式分析的多核方法及其应用

第1章  核机器学习与多核学习方法1.1  核方法基础1.2  统计学习理论与支持向量机1.2.1  统计学习理论1.2.2  支持向量机1.3  多核学习的研究现状及难点1.3.1  多核学习方法的研究现状1.3.2  多核方法研究的难点第2章  基于低维鲁棒特征融合的SVI订目标分类2.1  引言2.2  模式分类问题的特征融合2.3  合成孔径雷达图像目标分类背景2.4  低维鲁棒组合特征的提取2.4.1  小波矩特征提取2.4.2  多类分类中小波矩的选择2.4.3  全局灰度熵特征2.5  基于SVM的多类SAR图像目标分类2.6  小结第3章  基于合成核机器的快速学习与在线回归分析3.1  引言3.2  合成核方法概述3.2.1  合成核的构造3.2.2  合成核机器的学习方法3.3  最小二乘支持向量机与合成核机器3.3.1  最小二乘支持向量机3.3.2  组合的特征空间与合成核机器3.4  无偏合成核LSSVR3.5  无偏LSSVR的在线学习3.5.1  常规在线学习方法3.5.2  无偏LSSVR在线学习方法3.5.3  样本增加3.5.4  样本消减3.5.5  算法复杂度分析3.6  在线混沌时间序列预测实验3.6.1  三种混沌时间序列预测3.6.2  时间对比与大规模样本测试3.7  小结第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4.1  引言4.2  SAR图像自动目标识别概述4.2.1  SAR图像自动目标识别背景4.2.2  SAR图像自动目标识别的技术现状4.3  局部多分辨分析与特征提取4.3.1  局部多分辨分析的来源4.3.2  感受野模型的认知基础4.3.3  局部多分辨特征提取4.4  基于多尺度核方法的分类器设计4.4.1  具有多尺度表示能力的核函数4.4.2  多尺度核支持向量分类器4.4.3  SAR图像ATR处理流程4.5  仿真实验4.5.1  MSTAR数据集实验4.5.2  多目标场景ATR仿真4.5.3  SAR  ATR应用软件系统4.6  小结第5章  基于合成核分类概率估计的大类别图像检索5.1  引言5.2  基于合成核支持向量机的图像分类5.2.1  多类别图像特征的提取5.2.2  合成核支持向量分类器的构造5.3  基于SVM分类概率估计的图像检索算法5.3.1  基于SVM分类概率估计的度量方法5.3.2  常用图像检索算法的度量及评价准则5.4  实验验证及算法改进5.4.1  图像分类实验与结果分析5.4.2  基于分类概率估计的检索实验5.4.3  图像检索算法的改进5.5  小结第6章  多尺度核的自适应序列学习及应用6.1  引言6.2  多个尺度的多核学习：多尺度核方法6.2.1  多个尺度的特征空间6.2.2  多尺度核的学习方法6.3  多尺度核的自适应序列学习方法6.3.1  基于支持向量机的多尺度核序列学习6.3.2  多尺度核合成系数的确定6.3.3  多尺度核自适应序列学习的算法实现6.4  仿真实验结果与分析6.4.1  非平坦函数估计6.4.2  二维数据模式分类6.4.3  多维数据的分类6.5  小结第7章  其他多核方法应用及核机器的改进7.1  引言7.2  合成核与多尺度核学习方法的改进7.2.1  改进合成核方法7.2.2  无限核方法7.2.3  超核(Hyperkernels)7.3  基于多尺度核目标识别的跟踪与定位7.3.1  基于目标识别的UKF跟踪及定位方法7.3.2  目标跟踪与定位仿真7.4  基于合成核方法的系统辨识7.4.1  系统辨识背景与多核方法7.4.2  仿真实验7.5  无偏核分类器及其在线学习7.5.1  最小二乘分类器(LSSVC)7.5.2  无偏LSSVC7.5.3  无偏LSSVC的分类及在线仿真实验7.6  多核方法在非结构化数据模式分析中的应用7.6.1  非结构化数据7.6.2  非结构化数据模式分析及与多核方法的融合7.7  多核方法展望参考文献