舉報

會員
超限學習機:理論、技術與應用
最新章節:
B.2 不等式與投影結果的穩定性描述
本書對超限學習機近年來取得的各方面成果進行詳細的闡述與分析。本書分為4個部分:第1部分(第1~2章)主要介紹超限學習機的基本概念與核心理論;第2部分(第3~4章)系統介紹超限學習機理論為應對數據分類、回歸以及特征學習等重要機器學習任務所做的技術性調整;第3部分(第5~6章)主要介紹超限學習機的工程實現與領域應用案例;第4部分(第7章)對全書進行總結,并歸納出若干挑戰性問題以待后續研究。本書附錄部分為與超限學習機相關的數學基礎知識,以便讀者查閱。本書可供對超限學習機感興趣的研究人員閱讀,也可為信號處理領域的工程技術人員提供技術參考。
目錄(108章)
倒序
- 封面
- 版權頁
- 內容提要
- 前言
- 第1章 緒論
- 1.1 引言
- 1.2 ELM研究背景
- 1.3 ELM概念與內涵
- 1.3.1 快速前饋神經網絡
- 1.3.2 通用機器學習單元
- 1.3.3 可信生物學習機制
- 1.4 ELM的發展歷程
- 1.4.1 第一階段(2006—2010年):新型神經網絡結構與理論
- 1.4.2 第二階段(2011—2015年):通用學習模型構建與解釋
- 1.4.3 第三階段(2016—至今):生物學習機制研究與硬件實現
- 1.5 本書內容具體安排
- 參考文獻
- 第2章 超限學習機理論
- 2.1 ELM網絡模型
- 2.1.1 網絡結構描述
- 2.1.2 網絡參數學習
- 2.2 ELM網絡性能分析
- 2.2.1 有效擬合:隨機投影與通用逼近
- 2.2.2 快速學習:等式約束優化
- 2.3 ELM學習機制通用性分析
- 2.3.1 顯式映射形式與參數求解策略
- 2.3.2 核化映射形式與參數對偶表示
- 2.3.3 “顯式”與“核化”的統一
- 2.4 本章小結
- 參考文獻
- 第3章 超限學習機分類與回歸
- 3.1 分類與回歸——ELM的統一性解決策略
- 3.1.1 均方誤差代價函數:分類與回歸的統一
- 3.1.2 等式優化約束項:二分類與多分類的統一
- 3.2 標簽不平衡——加權ELM
- 3.2.1 加權ELM模型構建
- 3.2.2 加權ELM機理分析
- 3.2.3 加權ELM性能評估
- 3.3 標簽缺失——弱監督ELM
- 3.3.1 弱監督ELM模型構建
- 3.3.2 弱監督ELM機理分析
- 3.3.3 弱監督ELM性能評估
- 3.4 樣本動態更迭——在線序貫ELM
- 3.4.1 在線序貫ELM模型構建
- 3.4.2 在線序貫ELM機理分析
- 3.4.3 在線序貫ELM性能評估
- 3.5 樣本含噪——濾波型ELM
- 3.5.1 濾波型ELM模型構建
- 3.5.2 濾波型ELM機理分析
- 3.5.3 濾波型ELM性能評估
- 3.6 本章小結
- 參考文獻
- 第4章 超限學習機特征學習
- 4.1 ELM特征選擇
- 4.1.1 ELM包裹式特征選擇
- 4.1.2 ELM嵌入式特征選擇
- 4.2 ELM單隱藏層特征映射學習
- 4.2.1 有監督隨機特征映射
- 4.2.2 無監督特征自編碼器
- 4.3 ELM層次化特征映射學習
- 4.3.1 隨機特征映射遞歸
- 4.3.2 特征自編碼器棧式堆疊
- 4.4 ELM層次化特征映射學習與深度學習的聯系
- 4.4.1 特征映射建模:普適性與自適應性
- 4.4.2 特征優化方法:凸優化與非凸尋優
- 4.5 本章小結
- 參考文獻
- 第5章 超限學習機工程實現
- 5.1 面向模型訓練的并行加速技術
- 5.1.1 分布式軟件架構加速
- 5.1.2 GPU平臺加速
- 5.1.3 云端集群計算平臺加速
- 5.2 面向模型測試的嵌入式實時處理系統設計
- 5.2.1 基于FPGA平臺的ELM模擬驗證系統
- 5.2.2 基于ASIC平臺的ELM實際架構系統
- 5.3 本章小結
- 參考文獻
- 第6章 超限學習機領域應用
- 6.1 智能安防應用實例
- 6.1.1 監控系統的目標跟蹤
- 6.1.2 門禁系統的人臉識別
- 6.1.3 報警系統的行為識別
- 6.2 衛星遙感應用實例
- 6.2.1 SAR圖像在軌變化檢測
- 6.2.2 高光譜圖像農作物分類
- 6.2.3 可見光氣象影像云圖分類識別
- 6.3 生物醫藥應用實例
- 6.3.1 運動想像腦電信號分類
- 6.3.2 骨髓細胞分類
- 6.3.3 基因表達數據分類
- 6.4 本章小結
- 參考文獻
- 第7章 研究總結與未來展望
- 7.1 研究總結與結論
- 7.2 發展趨勢分析
- 7.2.1 應用前景
- 7.2.2 技術走向
- 7.2.3 難點與挑戰
- 7.3 本章小結
- 參考文獻
- 附錄A 矩陣與最優化
- A.1 范數及最小化
- A.2 流形假設與圖拉普拉斯矩陣
- A.2.1 流形假設
- A.2.2 圖拉普拉斯矩陣
- 附錄B 概率與不等式
- B.1 高斯分布與投影結果分析
- B.2 不等式與投影結果的穩定性描述 更新時間:2020-09-11 18:04:19
推薦閱讀
- 32位嵌入式系統與SoC設計導論
- Div+CSS 3.0網頁布局案例精粹
- Circos Data Visualization How-to
- 大數據專業英語
- 教父母學會上網
- 大數據改變世界
- Python Algorithmic Trading Cookbook
- AWS Administration Cookbook
- 步步圖解自動化綜合技能
- PostgreSQL 10 Administration Cookbook
- 傳感器與新聞
- 筆記本電腦維修90個精選實例
- Excel 2010函數與公式速查手冊
- ESP8266 Robotics Projects
- Photoshop CS5圖像處理入門、進階與提高
- Artificial Intelligence By Example
- 傳感器與自動檢測
- 工業機器人技術
- NetSuite ERP for Administrators
- 運動控制系統應用及實例解析
- Hadoop大數據開發基礎
- 三維動畫制作(3ds max7.0)
- Practical Computer Vision
- 關節故障空間機械臂容錯運動控制技術
- Implementing Azure:Putting Modern DevOps to Use
- 人工智能與大數據技術導論
- 多媒體技術基礎及應用
- 三菱FX系列PLC編程及應用(第3版)
- 智能制造裝備及系統
- Microsoft System Center Configuration Manager Advanced Deployment