掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設(shè)計(下)
-
>
基于個性化設(shè)計策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內(nèi)燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學(xué)的問題與脈絡(luò)
基于核方法的雷達(dá)高分辯距離像目標(biāo)識別理論與方法 版權(quán)信息
- ISBN：9787118105209
- 條形碼：9787118105209 ; 978-7-118-10520-9
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
基于核方法的雷達(dá)高分辯距離像目標(biāo)識別理論與方法 本書特色
《基于核方法的雷達(dá)高分辨距離像目標(biāo)識別理論與方法》是作者肖懷鐵、馮國瑜、郭雷、單凱晶、叢瑜等多年來基于核方法的雷達(dá)高分辨距離像目標(biāo)識別的研究成果的總結(jié)。全書共分10章。第1章簡要概述了核方法的基本理論。第2章介紹了svm的可分性問題以及非均衡數(shù)據(jù)目標(biāo)識別svm模型多參數(shù)優(yōu)化選擇。 第3章介紹了基于核判別分析方法的雷達(dá)高分辨距離像識別。第4章介紹了基于核聚類的雷達(dá)高分辨距離像識別。第5章介紹了svm多目標(biāo)分類識別問題。第6 章介紹了基于單空間svdd的雷達(dá)高分辨距離像識別。 第7章介紹了基于自適應(yīng)svdd的雷達(dá)高分辨距離像識別。第8章介紹了基于雙空間svdd的雷達(dá)高分辨距離像識別。第9章介紹了基于isvdd的雷達(dá)高分辨距離像在線識別。第10章介紹了特征空間數(shù)據(jù)核矩陣收縮方法。 本書主要讀者對象為信號與信息處理、人工智能與模式識別及相關(guān)專業(yè)的高年級大學(xué)生、研究生和教師、科研人員和工程技術(shù)人員。
基于核方法的雷達(dá)高分辯距離像目標(biāo)識別理論與方法 內(nèi)容簡介
全書共十章，主要有支持向量機的可分性與模型多參數(shù)優(yōu)化、基于核判別分析方法的目標(biāo)特征提取、基于核聚類方法的高分辨距離像識別、支持向量機多類目標(biāo)分類算法、基于單空間和雙空間的支持向量數(shù)據(jù)描述高分辨距離像識別、基于自適應(yīng)SVDD的雷達(dá)高分辨距離像識別、基于ISVDD的雷達(dá)高分辨距離像在線識別以及特征空間數(shù)據(jù)核矩陣收縮方法等內(nèi)容。全書從核方法、SVM和SVDD模型的理論研究，核方法特征提取，核分類器設(shè)計以及基于核方法的雷達(dá)高分辨距離像識別等方面系統(tǒng)全面總結(jié)了相關(guān)研究成果。重點研究了基于核映射方法的雷達(dá)高分辨距離像目標(biāo)識別中的核參數(shù)優(yōu)化選擇和核矩陣收縮、特征空間劃分、模型和學(xué)習(xí)算法核方法特征提取以及基于SVM和SVDD的高分辨距離像識別等問題。
基于核方法的雷達(dá)高分辯距離像目標(biāo)識別理論與方法 目錄
第1章 核方法基本理論 1.1 引言 1.2 核方法的基本概念 1.3 支持向量機（svm） 1.3.1 *優(yōu)分類超平面 1.3.2 構(gòu)造*優(yōu)超平面 1.3.3 廣義*優(yōu)分類面 1.3.4 高維空間中的*優(yōu)分類面 1.3.5 構(gòu)造svm 1.4 支持向量數(shù)據(jù)描述（svdd） 參考文獻(xiàn)第2章 svm可分性與模型多參數(shù)優(yōu)化選擇 2.1 引言 2.2 svm可分性研究 2.2.1 線性可分的定義 2.2.2 svm線性可分充要條件 2.2.3 svm線性可分性的度量 2.2.4 懲罰因子c對分類性能的影響 2.3 svm模型多參數(shù)優(yōu)化選擇 2.3.1 svm模型單參數(shù)*優(yōu)選擇問題 2.3.2 非均衡數(shù)據(jù)目標(biāo)識別svm模型參數(shù)優(yōu)化選擇方法 2.3.3 實驗結(jié)果與分析 參考文獻(xiàn)第3章 基于核判別分析的雷達(dá)高分辨距離像識別 3.1 引言 3.2 基于kpca的特征提取和識別 3.2.1 主分量分析方法（pca） 3.2.2 核主分量分析方法（kpca） 3.2.3 kpca與pca的比較 3.2.4 算法實現(xiàn) 3.2.5 實驗結(jié)果與分析 3.3 基于kdda的特征提取和識別 3.3.1 線性判別分析（lda）方法 3.3.2 直接判別分析（d—lda）方法 3.3.3 核直接判別分析（kdda）方法 3.3.4 基于kdda的特征提取和識別算法 3.3.5 實驗結(jié)果與分析 3.4 基于核局部均值判別分析的特征提取和識別 3.4.1 核fisher判別分析（kfda） 3.4.2 局部均值判別分析（lmda） 3.4.3 核局部均值判別分析（klmda） 3.4.4 klmda與kfda、kdda、ckfd的性能分析 3.4.5 實驗結(jié)果與分析 參考文獻(xiàn)第4章 基于核聚類的雷達(dá)高分辨距離像識別 4.1 引言 4.2 基于核c均值聚類的hrrp識別 4.2.1 c均值聚類算法 4.2.2 核c均值聚類算法 4.2.3 核c均值聚類算法的核參數(shù)優(yōu)化選取 4.2.4 基于核c均值聚類的高分辨距離像識別方法 4.2.5 實驗結(jié)果與分析 4.3 基于模糊核c均值聚類的hrrp識別 4.3.1 模糊c均值聚類算法 4.3.2 模糊核c均值聚類算法 4.3.3 自適應(yīng)模糊核c均值聚類算法 4.3.4 基于模糊核c均值聚類的高分辨距離像識別方法 4.3.5 實驗結(jié)果與分析 參考文獻(xiàn)第5章 基于svm的多目標(biāo)分類識別 5.1 引言 5.2 基于k*近鄰的svm快速訓(xùn)練算法 5.2.1 knn—svm算法的基本思路 5.2.2 knn—svm算法的基本步驟 5.2.3 實驗結(jié)果與分析 5.3 基于k*近鄰的快速svm增量學(xué)習(xí)算法 5.3.1 knn—isvm算法的基本思路 5.3.2 邊界向量提取方法 5.3.3 knn—isvm算法的主要步驟 5.3.4 實驗結(jié)果與分析 5.4 基于核分級聚類的svm多類分類算法 5.4.1 分級聚類算法的改進(jìn) 5.4.2 核分級聚類算法 5.4.3 基于核分級聚類的svm多類分類算法 5.4.4 實驗結(jié)果與分析 參考文獻(xiàn)第6章 基于單空間svdd的雷達(dá)高分辨距離像識別 6.1 引言 6.2 svdd超球空間分布特性和拒判域 6.2.1 hrrp在svdd超球空間的分布特性 6.2.2 svdd多目標(biāo)識別中的拒判問題 6.3 svdd序貫*小相對距離多類目標(biāo)識別 6.3.1 svdd多目標(biāo)識別的拒判域處理 6.3.2 svdd多目標(biāo)識別訓(xùn)練算法 6.3.3 *小相對距離svdd多目標(biāo)識別算法 6.3.4 序貫*小相對距離svdd多類目標(biāo)識別算法 6.3.5 實驗結(jié)果與分析 6.4 基于svdd的雷達(dá)多目標(biāo)模糊識別方法 6.4.1 基于svdd的雷達(dá)多目標(biāo)模糊識別方法 6.4.2 實驗結(jié)果與分析 參考文獻(xiàn)第7章 基于自適應(yīng)svdd的雷達(dá)高分辨距離像識別 7.1 引言 7.2 svdd模型參數(shù)的影響 7.2.1 核參數(shù)的影響 7.2.2 懲罰因子c的影響 7.3 基于自適應(yīng)svdd的雷達(dá)高分辨距離像識別 7.3.1 二次訓(xùn)練 7.3.2 *優(yōu)超球半徑選擇 7.3.3 基于常規(guī)svdd的hrrp目標(biāo)識別流程 7.3.4 噪聲分析 7.3.5 自適應(yīng)超球半徑模型 7.3.6 基于自適應(yīng)svdd的hrrp目標(biāo)識別流程 7.4 實驗結(jié)果與分析 7.4.1 高斯白噪聲情況 7.4.2 海雜波 參考文獻(xiàn)第8章 基于雙空間svdd的雷達(dá)高分辨距離像識別 8.1 引言 8.2 超球空間hrrp的歸屬特性分析 8.3 延拓空間的樣本分布建模 8.3.1 延拓樣本分布的隸屬度模型 8.3.2 延拓樣本分布的云模型 8.3.3 延拓樣本分布的高斯混合模型 8.3.4 參數(shù)估計 8.4 基于雙空間svdd的高分辨距離像識別方法 8.5 實驗結(jié)果與分析 8.5.1 模型參數(shù)選擇 8.5.2 識別實驗結(jié)果 8.5.3 實驗結(jié)果分析 參考文獻(xiàn)第9章 基于isvdd的雷達(dá)高分辨距離像在線識別 9.1 引言 9.2 支持向量數(shù)據(jù)描述的增量泛化性能分析 9.2.1 svdd的kkt條件 9.2.2 svdd的訓(xùn)練樣本分布特性 9.2.3 增量樣本的超球空間分布特性 9.2.4 實驗結(jié)果與分析 9.3 一種適于在線學(xué)習(xí)的增量支持向量數(shù)據(jù)描述算法 9.3.1 增量支持向量數(shù)據(jù)描述 9.3.2 isvdd性能分析 9.3.3 實驗結(jié)果與分析 9.4 基于isvdd的雷達(dá)高分辨距離像在線識別方法 9.4.1 分方位幀建模 9.4.2 全方位hrrp的等間隔分幀 9.4.3 基于isvdd的hrrp在線識別方法 9.4.4 實驗結(jié)果與分析 參考文獻(xiàn)第10章 特征空間數(shù)據(jù)核矩陣收縮方法 10.1 引言 10.2 非線性可分與不可分問題 10.3 特征空間數(shù)據(jù)核矩陣收縮方法 10.3.1 數(shù)據(jù)在特征空間的收縮因子 10.3.2 數(shù)據(jù)在特征空間收縮后的核矩陣 10.3.3 數(shù)據(jù)在特征空間收縮方法 10.4 實驗結(jié)果與分析 10.4.1 二維數(shù)據(jù)收縮實驗 10.4.2 特征空間數(shù)據(jù)核矩陣收縮實驗附錄a 式（3.70）的推導(dǎo)附錄b 式（3.75）的推導(dǎo)附錄c 式（3.90）的推導(dǎo)附錄d 式（3.94）的推導(dǎo)參考文獻(xiàn)
展開全部
書友推薦
- >
我與地壇
- >
唐代進(jìn)士錄
- >
詩經(jīng)-先民的歌唱
- >
上帝之肋:男人的真實旅程
- >
名家?guī)阕x魯迅:朝花夕拾
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
隨園食單
本類暢銷
