自适应系统与机器智能2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

自适应系统与机器智能PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1 机器智能研究1

1.2 两个层面：数据驱动方法和生物启发式方法3

1.3 如何阅读本书6

1.3.1 机器智能的数据驱动方法7

1.3.2 机器智能的生物启发式方法8

1.4 总结和延伸阅读8

参考文献9

第2章 增量学习11

2.1 引言11

2.2 问题的提出11

2.3 自适应增量学习框架12

2.4 映射函数设计16

2.4.1 基于欧氏距离的映射函数16

2.4.2 基于回归学习模型的映射函数17

2.4.3 基于在线评估系统的映射函数19

2.5 实例研究25

2.5.1 视频流的增量学习25

2.5.2 垃圾邮件分类的增量学习31

2.6 总结34

参考文献34

第3章 不平衡学习37

3.1 引言37

3.2 不平衡学习的本质37

3.3 不平衡数据学习方法41

3.3.1 不平衡数据学习的抽样法42

3.3.2 不平衡数据学习的代价敏感方法53

3.3.3 基于核的不平衡数据学习方法58

3.3.4 不平衡数据学习的主动学习方法61

3.3.5 不平衡数据学习的其他方法63

3.4 不平衡数据学习的评价指标64

3.4.1 单一评价指标64

3.4.2 受试者工作特性（ROC）曲线66

3.4.3 查准率-查全率（PR）曲线68

3.4.4 代价曲线68

3.4.5 多类不平衡数据学习评价指标70

3.5 机遇和挑战70

3.6 实例研究72

3.6.1 非线性规范化72

3.6.2 数据集分布76

3.6.3 仿真结果和讨论79

3.7 总结86

参考文献87

第4章 集成学习95

4.1 引言95

4.2 假设多样性95

4.2.1 Q统计量96

4.2.2 相关系数96

4.2.3 不一致度量97

4.2.4 双错度量97

4.2.5 熵度量97

4.2.6 Kohavi-Wolpert方差97

4.2.7 测试者间的一致性98

4.2.8 困难程度98

4.2.9 广义多样性99

4.3 多分类器的研究进展100

4.3.1 自举聚集100

4.3.2 自适应增强100

4.3.3 子空间方法104

4.3.4 层叠泛化107

4.3.5 专家混合体107

4.4 多分类器集成108

4.5 实例研究111

4.5.1 数据集和实验配置111

4.5.2 仿真结果113

4.5.3 间隔分析114

4.6 总结118

参考文献119

第5章 机器智能的自适应动态规划122

5.1 引言122

5.2 基本目标：优化和预测122

5.3 机器智能的ADP125

5.3.1 ADP设计中的分层结构125

5.3.2 ADP设计中的学习和自适应127

5.3.3 学习策略：序贯学习和协同学习133

5.4 实例研究134

5.5 总结137

参考文献138

第6章 联想学习142

6.1 引言142

6.2 联想学习机制142

6.2.1 单个处理单元的构造143

6.2.2 函数值的自主确定144

6.2.3 联想学习的信号强度144

6.2.4 联想学习原则145

6.3 分层神经网络中的联想学习151

6.3.1 网络结构151

6.3.2 网络操作151

6.4 实例研究154

6.4.1 异联想应用155

6.4.2 自联想应用157

6.5 总结161

参考文献162

第7章 序列学习164

7.1 引言164

7.2 序列学习的基础知识164

7.3 分层神经结构的序列学习167

7.4 0层：改进的Hebbian学习架构169

7.5 1～N层：序列存储、预测和检索171

7.5.1 序列存储171

7.5.2 序列预测174

7.5.3 序列检索179

7.6 内存需求180

7.7 多序列的学习和预测180

7.8 案例研究183

7.9 总结184

参考文献185

第8章 机器智能的硬件设计189

最终建议189

参考文献192