[ 收藏 ] [ 简体中文 ]  
臺灣貨到付款、ATM、超商、信用卡PAYPAL付款,4-7個工作日送達,999元臺幣免運費   在線留言 商品價格為新臺幣 
首頁 電影 連續劇 音樂 圖書 女裝 男裝 童裝 內衣 百貨家居 包包 女鞋 男鞋 童鞋 計算機周邊

商品搜索

 类 别:
 关键字:
    

商品分类

  •  管理

     一般管理学
     市场/营销
     会计
     金融/投资
     经管音像
     电子商务
     创业企业与企业家
     生产与运作管理
     商务沟通
     战略管理
     商业史传
     MBA
     管理信息系统
     工具书
     外文原版/影印版
     管理类职称考试
     WTO
     英文原版书-管理
  •  投资理财

     证券/股票
     投资指南
     理财技巧
     女性理财
     期货
     基金
     黄金投资
     外汇
     彩票
     保险
     购房置业
     纳税
     英文原版书-投资理财
  •  经济

     经济学理论
     经济通俗读物
     中国经济
     国际经济
     各部门经济
     经济史
     财政税收
     区域经济
     统计 审计
     贸易政策
     保险
     经济数学
     各流派经济学说
     经济法
     工具书
     通货膨胀
     财税外贸保险类考试
     英文原版书-经济
  •  社会科学

     语言文字
     社会学
     文化人类学/人口学
     新闻传播出版
     社会科学总论
     图书馆学/档案学
     经典名家作品集
     教育
     英文原版书-社会科学
  •  哲学

     哲学知识读物
     中国古代哲学
     世界哲学
     哲学与人生
     周易
     哲学理论
     伦理学
     哲学史
     美学
     中国近现代哲学
     逻辑学
     儒家
     道家
     思维科学
     马克思主义哲学
     经典作品及研究
     科学哲学
     教育哲学
     语言哲学
     比较哲学
  •  宗教

  •  心理学

  •  古籍

  •  文化

  •  历史

     历史普及读物
     中国史
     世界史
     文物考古
     史家名著
     历史地理
     史料典籍
     历史随笔
     逸闻野史
     地方史志
     史学理论
     民族史
     专业史
     英文原版书-历史
     口述史
  •  传记

  •  文学

  •  艺术

     摄影
     绘画
     小人书/连环画
     书法/篆刻
     艺术设计
     影视/媒体艺术
     音乐
     艺术理论
     收藏/鉴赏
     建筑艺术
     工艺美术
     世界各国艺术概况
     民间艺术
     雕塑
     戏剧艺术/舞台艺术
     艺术舞蹈
     艺术类考试
     人体艺术
     英文原版书-艺术
  •  青春文学

  •  文学

     中国现当代随笔
     文集
     中国古诗词
     外国随笔
     文学理论
     纪实文学
     文学评论与鉴赏
     中国现当代诗歌
     外国诗歌
     名家作品
     民间文学
     戏剧
     中国古代随笔
     文学类考试
     英文原版书-文学
  •  法律

     小说
     世界名著
     作品集
     中国古典小说
     四大名著
     中国当代小说
     外国小说
     科幻小说
     侦探/悬疑/推理
     情感
     魔幻小说
     社会
     武侠
     惊悚/恐怖
     历史
     影视小说
     官场小说
     职场小说
     中国近现代小说
     财经
     军事
  •  童书

  •  成功/励志

  •  政治

  •  军事

  •  科普读物

  •  计算机/网络

     程序设计
     移动开发
     人工智能
     办公软件
     数据库
     操作系统/系统开发
     网络与数据通信
     CAD CAM CAE
     计算机理论
     行业软件及应用
     项目管理 IT人文
     计算机考试认证
     图形处理 图形图像多媒体
     信息安全
     硬件
     项目管理IT人文
     网络与数据通信
     软件工程
     家庭与办公室用书
  •  建筑

  •  医学

     中医
     内科学
     其他临床医学
     外科学
     药学
     医技学
     妇产科学
     临床医学理论
     护理学
     基础医学
     预防医学/卫生学
     儿科学
     医学/药学考试
     医院管理
     其他医学读物
     医学工具书
  •  自然科学

     数学
     生物科学
     物理学
     天文学
     地球科学
     力学
     科技史
     化学
     总论
     自然科学类考试
     英文原版书-自然科学
  •  工业技术

     环境科学
     电子通信
     机械/仪表工业
     汽车与交通运输
     电工技术
     轻工业/手工业
     化学工业
     能源与动力工程
     航空/航天
     水利工程
     金属学与金属工艺
     一般工业技术
     原子能技术
     安全科学
     冶金工业
     矿业工程
     工具书/标准
     石油/天然气工业
     原版书
     武器工业
     英文原版书-工业技
  •  农业/林业

  •  外语

  •  考试

  •  教材

  •  工具书

  •  中小学用书

  •  中小学教科书

  •  动漫/幽默

  •  烹饪/美食

  •  时尚/美妆

  •  旅游/地图

  •  家庭/家居

  •  亲子/家教

  •  两性关系

  •  育儿/早教

     保健/养生
     体育/运动
     手工/DIY
     休闲/爱好
     英文原版书
     港台图书
     研究生
     工学
     公共课
     经济管理
     理学
     农学
     文法类
     医学
  • 新型特征抽取算法研究
    該商品所屬分類:研究生 -> 理學
    【市場價】
    353-512
    【優惠價】
    221-320
    【作者】 範自柱 著 
    【所屬類別】 圖書  教材  研究生/本科/專科教材  理學 
    【出版社】中國科學技術大學出版社 
    【ISBN】9787312040498
    【折扣說明】一次購物滿999元台幣免運費+贈品
    一次購物滿2000元台幣95折+免運費+贈品
    一次購物滿3000元台幣92折+免運費+贈品
    一次購物滿4000元台幣88折+免運費+贈品
    【本期贈品】①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
    版本正版全新電子版PDF檔
    您已选择: 正版全新
    溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。
    *. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。
    *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
    *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。
    內容介紹



    開本:16開
    紙張:膠版紙
    包裝:平裝-膠訂

    是否套裝:否
    國際標準書號ISBN:9787312040498
    作者:範自柱著

    出版社:中國科學技術大學出版社
    出版時間:2016年12月 

        
        
    "
    內容簡介
    範自柱*的《新型特征抽取算法研究》的主要內 容是特征抽取方法在人臉識別和其他分類任務中的應 用。首先介紹了改進的特征抽取方法以提高經典特征 抽取方法的分類精度。接著介紹了幾種特征抽取方法 ,它們的目的是提高特征抽取算法的計算效率。*後 從一個新穎的角度去描述特征抽取方法,即從樣本表 示的角度來闡述特征抽取,這源自目前備受關注的壓 縮感知理論。
    本書既可作為自動化、計算機、電子工程和信息 管理等專業本科生、研究生和研究人員的科研用書, 又可作為從事模式識別、機器學習、計算機視覺和圖 像處理等工作的開管人員的參考資料。
    目錄
    前言第1章 引論 1.1 背景 1.2 研究目的和意義 1.3 特征抽取方法概述 1.3.1 線性特征抽取方法 1.3.2 非線性特征抽取方法 1.3.3 基於增量學習的特征抽取 1.3.4 基於表示理論的特征抽取 1.4 實驗常用數據集第2章 擴展主成分分析 2.1 引言 2.2 PCA簡介 2.3 相似子空間學習框架 2.3.1 相似子空間框架的基本思想 2.3.2 相似子空間模型 2.3.3 基於特征選擇的子空間集成 2.4 實驗 2.4.1 人臉庫AR上的實驗 2.4.2 人臉庫CMU PIE上的實驗 2.4.3 特征選擇 2.4.4 聚類 2.4.5 人臉重建 2.4.6 相似子空間在分類中的作用 2.5 本章小結第3章 基於樣本近鄰的局部線性鋻別分析框架 3.1 引言 3.2 局部鋻別分析框架的基本思想 3.3 基於向量形式的LDA(VLDA)和基於矩陣形式的LDA(MLDA) 3.3.1 基於向量形式的LDA(VLDA) 3.3.2 基於矩陣形式的LDA(MLDA) 3.4 LLDA框架 3.4.1 基於向量的LLDA(VLLDA)算法 3.4.2 基於矩陣的LLDA(MLLDA)算法 3.4.3 LLDA算法框架 3.4.4 LLDA框架分析 3.4.5 近鄰個數的選擇 3.4.6 計算復雜度分析 3.5 實驗結果 3.5.1 在二維模擬數據集上的實驗 3.5.2 在ORL人臉庫上的實驗 3.5.3 在Yale人臉庫上的實驗 3.5.4 在AR人臉庫上的實驗 3.6 本章小結第4章 基於局部小均方誤差的分類算法 4.1 引言 4.2 小均方誤差算法簡介 4.2.1 MSE的二分類模型 4.2.2 MSE的多類分類模型 4.3 LMSE的提出 4.4 局部小均方誤差模型 4.4.1分類的LMSE 4.4.2分類的LMSE 4.4.3 LMSE算法復雜度及相關討論 4.5 實驗 4.5.1 AR數據集上的實驗 4.5.2 在CMU PIE數據集上的實驗 4.5.3 在MNIST數據集上的實驗 4.5.4 在兩類數據集上的實驗 4.6 本章小結第5章 基於個性化學習的核線性鋻別分析 5.1 引言 5.2 一般個性化學習的主要思想 5.3 個性化KFDA(IKFDA) 5.3.1 確定學習區域 5.3.2 使用KFDA的學習模型 5.3.3 計算復雜性分析 5.4 實驗 5.4.1 在AR人臉數據集上的實驗 5.4.2 在YaleB人臉數據集上的實驗 5.4.3 在AR ORL人臉數據集上的實驗 5.4.4 在MNIST數據集上的實驗 5.4.5 學習區域參數尺與分類結果之間的聯繫 5.5 本章小結第6章 高效KPCA特征抽取方法 6.1 引言 6.2 核主成分分析(KPCA) 6.3 高效的核主成分分析(EKPCA) 6.3.1 EKPCA的基本思想 6.3.2 確定基本模式 6.3.3 復雜度分析 6.4 實驗結果 6.5 本章小結第7章 快速核小均方誤差算法 7.1 問題的提出 7.2 KMSE模型 7.3 快速KMSE(FKMSE)算法 7.4 實驗 7.4.1 實驗1 7.4.2 實驗2 7.4.3 實驗3 7.5 本章小結第8章 核函數參數的自動選擇 8.1 引言 8.2 基於通用熵的核函數參數選擇 8.2.1 通用熵 8.2.2 餘弦矩陣和核矩陣之間的關繫 8.3 實驗 8.3.1 高斯核函數參數選擇 8.3.2 多項式核函數參數選擇 8.4 本章小結第9章 基於樣本表示的特征抽取 9.1 基於L2範數的表示方法 9.1.1 協同表示分類(CRC)方法 9.1.2 線性回歸分類(LRC)方法 9.1.3 兩階段測試樣本的稀疏表示(TPTSR)方法 9.2 基於L1範數的表示方法 9.3 基於L0範數的表示方法 9.3.1 引言 9.3.2 GASRC 9.3.3 實驗 9.4 本章小結參考文獻

    前言
    第1章 引論
    1.1 背景
    1.2 研究目的和意義
    1.3 特征抽取方法概述
    1.3.1 線性特征抽取方法
    1.3.2 非線性特征抽取方法
    1.3.3 基於增量學習的特征抽取
    1.3.4 基於表示理論的特征抽取
    1.4 實驗常用數據集
    第2章 擴展主成分分析
    2.1 引言
    2.2 PCA簡介
    2.3 相似子空間學習框架
    2.3.1 相似子空間框架的基本思想
    2.3.2 相似子空間模型
    2.3.3 基於特征選擇的子空間集成
    2.4 實驗
    2.4.1 人臉庫AR上的實驗
    2.4.2 人臉庫CMU PIE上的實驗
    2.4.3 特征選擇
    2.4.4 聚類
    2.4.5 人臉重建
    2.4.6 相似子空間在分類中的作用
    2.5 本章小結
    第3章 基於樣本近鄰的局部線性鋻別分析框架
    3.1 引言
    3.2 局部鋻別分析框架的基本思想
    3.3 基於向量形式的LDA(VLDA)和基於矩陣形式的LDA(MLDA)
    3.3.1 基於向量形式的LDA(VLDA)
    3.3.2 基於矩陣形式的LDA(MLDA)
    3.4 LLDA框架
    3.4.1 基於向量的LLDA(VLLDA)算法
    3.4.2 基於矩陣的LLDA(MLLDA)算法
    3.4.3 LLDA算法框架
    3.4.4 LLDA框架分析
    3.4.5 近鄰個數的選擇
    3.4.6 計算復雜度分析
    3.5 實驗結果
    3.5.1 在二維模擬數據集上的實驗
    3.5.2 在ORL人臉庫上的實驗
    3.5.3 在Yale人臉庫上的實驗
    3.5.4 在AR人臉庫上的實驗
    3.6 本章小結
    第4章 基於局部小均方誤差的分類算法
    4.1 引言
    4.2 小均方誤差算法簡介
    4.2.1 MSE的二分類模型
    4.2.2 MSE的多類分類模型
    4.3 LMSE的提出
    4.4 局部小均方誤差模型
    4.4.1分類的LMSE
    4.4.2分類的LMSE
    4.4.3 LMSE算法復雜度及相關討論
    4.5 實驗
    4.5.1 AR數據集上的實驗
    4.5.2 在CMU PIE數據集上的實驗
    4.5.3 在MNIST數據集上的實驗
    4.5.4 在兩類數據集上的實驗
    4.6 本章小結
    第5章 基於個性化學習的核線性鋻別分析
    5.1 引言
    5.2 一般個性化學習的主要思想
    5.3 個性化KFDA(IKFDA)
    5.3.1 確定學習區域
    5.3.2 使用KFDA的學習模型
    5.3.3 計算復雜性分析
    5.4 實驗
    5.4.1 在AR人臉數據集上的實驗
    5.4.2 在YaleB人臉數據集上的實驗
    5.4.3 在AR ORL人臉數據集上的實驗
    5.4.4 在MNIST數據集上的實驗
    5.4.5 學習區域參數尺與分類結果之間的聯繫
    5.5 本章小結
    第6章 高效KPCA特征抽取方法
    6.1 引言
    6.2 核主成分分析(KPCA)
    6.3 高效的核主成分分析(EKPCA)
    6.3.1 EKPCA的基本思想
    6.3.2 確定基本模式
    6.3.3 復雜度分析
    6.4 實驗結果
    6.5 本章小結
    第7章 快速核小均方誤差算法
    7.1 問題的提出
    7.2 KMSE模型
    7.3 快速KMSE(FKMSE)算法
    7.4 實驗
    7.4.1 實驗1
    7.4.2 實驗2
    7.4.3 實驗3
    7.5 本章小結
    第8章 核函數參數的自動選擇
    8.1 引言
    8.2 基於通用熵的核函數參數選擇
    8.2.1 通用熵
    8.2.2 餘弦矩陣和核矩陣之間的關繫
    8.3 實驗
    8.3.1 高斯核函數參數選擇
    8.3.2 多項式核函數參數選擇
    8.4 本章小結
    第9章 基於樣本表示的特征抽取
    9.1 基於L2範數的表示方法
    9.1.1 協同表示分類(CRC)方法
    9.1.2 線性回歸分類(LRC)方法
    9.1.3 兩階段測試樣本的稀疏表示(TPTSR)方法
    9.2 基於L1範數的表示方法
    9.3 基於L0範數的表示方法
    9.3.1 引言
    9.3.2 GASRC
    9.3.3 實驗
    9.4 本章小結
    參考文獻



     
    網友評論  我們期待著您對此商品發表評論
     
    相關商品
    在線留言 商品價格為新臺幣
    關於我們 送貨時間 安全付款 會員登入 加入會員 我的帳戶 網站聯盟
    DVD 連續劇 Copyright © 2024, Digital 了得網 Co., Ltd.
    返回頂部