模式識(shí)別之特征選擇

定　價(jià)：￥48.00

作　者：	楊宏暉著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 人工智能

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787121282683	出版時(shí)間：	2016-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	188	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)系統(tǒng)深入地論述用于模式識(shí)別的特征選擇的理論與方法。在內(nèi)容上注重系統(tǒng)、全面地論述特征選擇理論和方法，并力求反映國(guó)內(nèi)、外特征選擇領(lǐng)域的*新發(fā)展趨勢(shì)。全書(shū)重點(diǎn)論述各種有監(jiān)督和無(wú)監(jiān)督特征選擇理論及方法。全面涵蓋特征選擇原理、特征選擇方法分類(lèi)、各類(lèi)特征選擇方法特點(diǎn)及特征選擇算法性能評(píng)價(jià)方法等知識(shí)。論述各種特征評(píng)價(jià)方法。論述各種濾波式、封裝式特征選擇方法的原理、工作流程及算法步驟。論述特征選擇集成方法、特征選擇方法與樣本選擇及分類(lèi)器集成的融合方法。還包括用于無(wú)監(jiān)督模式識(shí)別的基于圖譜理論的特征選擇方法，用于優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò)的特征選擇方法等的*新研究成果。本書(shū)提供用于大型數(shù)據(jù)集和高維數(shù)據(jù)分析的特征選擇算法及生物信息學(xué)應(yīng)用的*新資料，涵蓋了水聲目標(biāo)識(shí)別、字符識(shí)別、基于腦功能磁共振成像和單核苷酸多態(tài)性等生物信息分析的疾病診斷的多種應(yīng)用實(shí)例。本書(shū)可作為高等院校研究生和高年級(jí)本科生的教材外，也可供計(jì)算機(jī)信息處理、水聲信號(hào)處理、生物信息處理等領(lǐng)域中從事人工智能、模式識(shí)別、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘工作的廣大科技人員和高校師生參考。

作者簡(jiǎn)介

　　楊宏暉，博士，西北工業(yè)大學(xué)航海學(xué)院環(huán)境工程系副教授，系教學(xué)主任，環(huán)境工程專(zhuān)業(yè)負(fù)責(zé)人，中船重工第760研究所國(guó)防科技重點(diǎn)實(shí)驗(yàn)室客座專(zhuān)家，電子學(xué)會(huì)會(huì)員。主持2013年度陜西普通本科高校省級(jí)“專(zhuān)業(yè)綜合改革試點(diǎn)”項(xiàng)目；主持西北工業(yè)大學(xué)校教學(xué)改革項(xiàng)目“聲環(huán)境監(jiān)測(cè)課程建設(shè)的創(chuàng)新研究與實(shí)踐”；承擔(dān)西北工業(yè)大學(xué)校教學(xué)改革項(xiàng)目“聲信號(hào)處理課程教學(xué)改革”；陜西省精品課程《噪聲與振動(dòng)控制》骨干教師之一；陜西省教學(xué)團(tuán)隊(duì)重要成員之一；多次國(guó)家重大基礎(chǔ)研究項(xiàng)目；國(guó)家重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目；國(guó)防預(yù)研項(xiàng)目。

圖書(shū)目錄

第1章緒論\t1
1．1 概述\t1
1．2 本書(shū)章節(jié)安排\t3
參考文獻(xiàn)\t4
第2章特征選擇原理\t5
2．1 定義\t5
2．1．1 特征相關(guān)性定義\t5
2．1．2 特征選擇定義\t5
2．2 特征選擇過(guò)程\t6
2．2．1 特征子集的搜索\t6
2．2．2 特征子集的評(píng)價(jià)\t8
2．2．3 特征子集搜索的終止\t9
2．2．4 選擇結(jié)果確認(rèn)\t9
2．3 特征選擇方法分類(lèi)\t9
2．3．1 濾波式（Filters）\t9
2．3．2 封裝式（Wrappers）\t10
2．3．3 混合式（Hybrid Algorithm）\t11
2．3．4 嵌入式（Embedded Solutions）\t12
2．4 特征選擇算法的評(píng)價(jià)\t12
2．4．1 特征選擇算法的兩個(gè)重要參數(shù)\t12
2．4．2 特征選擇算法的穩(wěn)定性評(píng)價(jià)\t12
2．5 本章小結(jié)\t14
參考文獻(xiàn)\t15
第3章特征評(píng)價(jià)方法\t17
3．1 概述\t17
3．2 基于距離的評(píng)價(jià)準(zhǔn)則\t17
3．2．1 質(zhì)心距離準(zhǔn)則\t17
3．2．2 類(lèi)類(lèi)間最小距離準(zhǔn)則\t17
3．2．3 類(lèi)內(nèi)間距離準(zhǔn)則\t17
3．2．4 混合距離準(zhǔn)則\t18
3．3 基于互信息理論的特征評(píng)價(jià)準(zhǔn)則\t18
3．3．1 特征選擇問(wèn)題中的信息熵\t18
3．3．2 特征選擇問(wèn)題中的互信息\t21
3．3．3 互信息特征評(píng)價(jià)準(zhǔn)則\t23
3．3．4 連續(xù)特征的離散化\t24
3．4 基于支持向量機(jī)的特征評(píng)價(jià)準(zhǔn)則\t26
3．4．1 SVM的工作原理\t26
3．4．2 SVM分類(lèi)器分類(lèi)性能估計(jì)及設(shè)計(jì)\t33
3．4．3 基于SVM分類(lèi)性能估計(jì)的特征評(píng)價(jià)準(zhǔn)則\t37
3．5 本章小結(jié)\t38
參考文獻(xiàn)\t38
第4章濾波式特征選擇算法\t40
4．1 順序搜索特征選擇算法\t40
4．1．1 順序向前特征選擇算法\t40
4．1．2 順序向后特征選擇算法\t41
4．1．3 順序雙向特征選擇算法\t41
4．2 Relief特征選擇算法\t41
4．3 最近鄰收縮規(guī)則\t42
4．4 Simba算法\t43
4．5 實(shí)驗(yàn)及結(jié)果\t44
4．5．1 實(shí)驗(yàn)數(shù)據(jù)及實(shí)驗(yàn)設(shè)置\t44
4．5．2 實(shí)驗(yàn)及討論\t44
4．6 本章小結(jié)\t47
參考文獻(xiàn)\t47
第5章基于人工免疫系統(tǒng)的特征選擇算法\t49
5．1 人工免疫系統(tǒng)的研究歷史和現(xiàn)狀\t49
5．2 基于免疫機(jī)理的特征選擇算法\t50
5．2．1 算法原理\t50
5．2．2 編碼與初始種群的生成\t50
5．2．3 適應(yīng)度函數(shù)\t50
5．2．4 免疫操作\t51
5．3 基于免疫克隆機(jī)理的特征選擇方法\t52
5．3．1 算法原理\t52
5．3．2 問(wèn)題編碼\t53
5．3．3 親合度函數(shù)\t53
5．3．4 抗體克隆數(shù)\t53
5．3．5 免疫克隆算子\t53
5．4 遺傳算法\t55
5．4．1 遺傳算法基本概念\t55
5．4．2 遺傳算法用于特征選擇原理\t55
5．5 實(shí)驗(yàn)與討論\t57
5．5．1 實(shí)驗(yàn)?zāi)康腬t57
5．5．2 實(shí)驗(yàn)數(shù)據(jù)\t57
5．5．3 實(shí)驗(yàn)結(jié)果及討論\t57
5．6 本章小結(jié)\t64
參考文獻(xiàn)\t65
第6章特征選擇、樣本選擇與分類(lèi)器集成融合\t67
6．1 概述\t67
6．2 樣本選擇原理\t67
6．2．1 樣本選擇的定義\t67
6．2．2 樣本選擇的必要性\t67
6．2．3 樣本選擇方法分類(lèi)\t68
6．2．4 加權(quán)最近鄰收縮樣本選擇算法\t69
6．2．5 加權(quán)免疫克隆樣本選擇算法\t70
6．3 分類(lèi)器集成\t72
6．3．1 分類(lèi)器集成\t72
6．3．2 經(jīng)典分類(lèi)器集成方法\t73
6．3．3 分類(lèi)器選擇性集成算法\t76
6．4 樣本選擇與特征選擇融合方法\t79
6．4．1 WRNN-FSA融合算法\t79
6．4．2 WICIS -FSA融合算法\t80
6．4．3 實(shí)驗(yàn)與討論\t81
6．5 樣本、特征與分類(lèi)器集成的融合方法\t85
6．5．1 樣本選擇、特征選擇與分類(lèi)器集成融合原理\t85
6．5．2 MISFFS算法\t86
6．5．3 WRNNIF-SVME算法\t87
6．5．4 WICIF-SVME算法\t87
6．5．5 實(shí)驗(yàn)與討論\t88
6．6 本章小結(jié)\t96
參考文獻(xiàn)\t96
第7章無(wú)監(jiān)督特征選擇算法\t101
7．1 基于特征相關(guān)性的無(wú)監(jiān)督特征選擇\t101
7．1．1 基于互信息的無(wú)監(jiān)督特征選擇\t101
7．1．2 基于非參數(shù)互信息的無(wú)監(jiān)督特征選擇\t105
7．1．3 基于特征相似性的無(wú)監(jiān)督特征選擇\t107
7．2 基于譜圖理論的無(wú)監(jiān)督特征選擇\t110
7．2．1 基于譜的無(wú)監(jiān)督特征選擇\t111
7．2．2 譜聚類(lèi)無(wú)監(jiān)督特征選擇\t114
7．3 本章小結(jié)\t118
參考文獻(xiàn)\t118
第8章特征選擇算法集成\t121
8．1 概述\t121
8．2 特征選擇算法集成\t121
8．2．1 基本概念\t121
8．2．2 個(gè)體特征選擇器的生成方法\t122
8．2．3 特征選擇算法集成方法\t124
8．3 基于特征排序表的特征選擇算法集成方法\t125
8．3．1 特征排序表集成概念\t125
8．3．2 特征排序表集成方法\t126
8．4 特征選擇算法集成實(shí)驗(yàn)及討論\t127
8．4．1 實(shí)驗(yàn)數(shù)據(jù)介紹\t127
8．4．2 基于Bagging的特征選擇算法集成實(shí)驗(yàn)\t127
8．4．3 IFSA算法的集成實(shí)驗(yàn)結(jié)果及討論\t128
8．4．4 順序向前特征選擇算法集成的實(shí)驗(yàn)結(jié)果及討論\t130
8．4．5 實(shí)驗(yàn)結(jié)論\t131
8．5 特征選擇算法集成的應(yīng)用實(shí)例――基于fMRI圖像及基因的疾病診斷\t131
8．5．1 應(yīng)用背景\t131
8．5．2 利用特征選擇與SVM集成融合fMRI和SNP數(shù)據(jù)進(jìn)行疾病診斷\t134
8．6 本章小結(jié)\t142
參考文獻(xiàn)\t142
第9章特征選擇用于深度學(xué)習(xí)\t146
9．1 深度置信網(wǎng)絡(luò)基礎(chǔ)模型――受限玻爾茲曼機(jī)\t146
9．1．1 受限玻爾茲曼機(jī)模型\t147
9．1．2 高斯-伯努利受限玻爾茲曼機(jī)\t148
9．1．3 受限玻爾茲曼機(jī)的訓(xùn)練\t148
9．2 深度置信網(wǎng)絡(luò)及其特征學(xué)習(xí)\t150
9．2．1 深度置信網(wǎng)絡(luò)的提出\t150
9．2．2 深度置信網(wǎng)絡(luò)的訓(xùn)練\t150
9．2．3 用于分類(lèi)識(shí)別的深度置信網(wǎng)絡(luò)\t153
9．2．4 特征學(xué)習(xí)結(jié)果分析\t153
9．3 基于互信息的深度特征優(yōu)化選擇\t155
9．3．1 平均互信息無(wú)監(jiān)督深度特征優(yōu)化選擇\t156
9．3．2 非參數(shù)互信息無(wú)監(jiān)督深度特征優(yōu)化選擇\t161
9．3．3 信息增益有監(jiān)督深度特征優(yōu)化選擇\t165
9．3．4 聯(lián)合互信息有監(jiān)督深度特征優(yōu)化選擇\t170
9．4 基于特征選擇優(yōu)化的DBN模型\t173
9．4．1 基于特征選擇優(yōu)化的DBN結(jié)構(gòu)\t173
9．4．2 基于平均互信息特征選擇優(yōu)化的DBN模型\t174
9．4．3 基于非參數(shù)互信息特征選擇優(yōu)化的DBN模型\t176
9．5 本章小結(jié)\t178
參考文獻(xiàn)\t178