图书介绍

新型特征抽取算法研究2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

范自柱著著
出版社：合肥：中国科学技术大学出版社
ISBN：9787312040498
出版时间：2016
标注页数：155页
文件大小：52MB
文件页数：165页
主题词：图象识别－研究

PDF下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢] [在线试读本书] [在线获取解压码]

点击复制MD5值：e38031f1785391db4a69913eebd0421a

下载说明

新型特征抽取算法研究PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载详情点击-查看共享计划

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数要大于标注页数，上中下等多册电子书除外）

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

图书目录

第1章引论1

1.1 背景1

1.2 研究目的和意义2

1.3 特征抽取方法概述3

1.3.1 线性特征抽取方法3

1.3.2 非线性特征抽取方法6

1.3.3 基于增量学习的特征抽取9

1.3.4 基于表示理论的特征抽取10

1.4 实验常用数据集10

第2章扩展主成分分析14

2.1 引言14

2.2 PCA简介18

2.3 相似子空间学习框架19

2.3.1 相似子空间框架的基本思想19

2.3.2 相似子空间模型22

2.3.3 基于特征选择的子空间集成25

2.4 实验29

2.4.1 人脸库AR上的实验30

2.4.2 人脸库CMU PIE上的实验32

2.4.3 特征选择33

2.4.4 聚类34

2.4.5 人脸重建35

2.4.6 相似子空间在分类中的作用36

2.5 本章小结38

第3章基于样本近邻的局部线性鉴别分析框架39

3.1 引言39

3.2 局部鉴别分析框架的基本思想41

3.3 基于向量形式的LDA（VLDA）和基于矩阵形式的LDA（MLDA）43

3.3.1 基于向量形式的LDA（VLDA）43

3.3.2 基于矩阵形式的LDA（MLDA）43

3.4 LLDA框架44

3.4.1 基于向量的LLDA（VLLDA）算法44

3.4.2 基于矩阵的LLDA（MLLDA）算法45

3.4.3 LLDA算法框架46

3.4.4 LLDA框架分析47

3.4.5 近邻个数的选择48

3.4.6 计算复杂度分析49

3.5 实验结果49

3.5.1 在二维模拟数据集上的实验50

3.5.2 在ORL人脸库上的实验52

3.5.3 在Yale人脸库上的实验55

3.5.4 在AR人脸库上的实验57

3.6 本章小结59

第4章基于局部最小均方误差的分类算法60

4.1 引言60

4.2 最小均方误差算法简介62

4.2.1 MSE的二分类模型62

4.2.2 MSE的多类分类模型63

4.3 LMSE的提出63

4.4 局部最小均方误差模型65

4.4.1 二元分类的LMSE65

4.4.2 多元分类的LMSE66

4.4.3 LMSE算法复杂度及相关讨论67

4.5 实验69

4.5.1 AR数据集上的实验69

4.5.2 在CMU PIE数据集上的实验71

4.5.3 在MNIST数据集上的实验72

4.5.4 在两类数据集上的实验74

4.6 本章小结77

第5章基于个性化学习的核线性鉴别分析78

5.1 引言78

5.2 一般个性化学习的主要思想81

5.3 个性化KFDA （IKFDA）82

5.3.1 确定学习区域82

5.3.2 使用KFDA的学习模型85

5.3.3 计算复杂性分析86

5.4 实验87

5.4.1 在AR人脸数据集上的实验87

5.4.2 在YaleB人脸数据集上的实验88

5.4.3 在AR＋ORL人脸数据集上的实验89

5.4.4 在MNIST数据集上的实验90

5.4.5 学习区域参数R与分类结果之间的联系91

5.5 本章小结94

第6章高效KPCA特征抽取方法95

6.1 引言95

6.2 核主成分分析（KPCA）97

6.3 高效的核主成分分析（EKPCA）98

6.3.1 EKPCA的基本思想98

6.3.2 确定基本模式99

6.3.3 复杂度分析101

6.4 实验结果102

6.5 本章小结110

第7章快速核最小均方误差算法111

7.1 问题的提出111

7.2 KMSE模型112

7.3 快速KMSE（FKMSE）算法113

7.4 实验116

7.4.1 实验1116

7.4.2 实验2117

7.4.3 实验3119

7.5 本章小结120

第8章核函数参数的自动选择121

8.1 引言121

8.2 基于通用熵的核函数参数选择122

8.2.1 通用熵123

8.2.2 余弦矩阵和核矩阵之间的关系124

8.3 实验124

8.3.1 高斯核函数参数选择125

8.3.2 多项式核函数参数选择127

8.4 本章小结128

第9章基于样本表示的特征抽取129

9.1 基于L2范数的表示方法129

9.1.1 协同表示分类（CRC）方法129

9.1.2 线性回归分类（LRC）方法130

9.1.3 两阶段测试样本的稀疏表示（TPTSR）方法131

9.2 基于L1范数的表示方法132

9.3 基于L0范数的表示方法134

9.3.1 引言134

9.3.2 GASRC136

9.3.3 实验138

9.4 本章小结142

参考文献143