第1章緒論 001
1.1耦合背景 001
1.1.1 數據特征 001
1.1.2 統計學習 003
1.1.3 耦合創新 004
1.2耦合歷程 005
1.2.1 思想產生 005
1.2.2 一次創新 007
1.2.3 二次創新 009
1.2.4 創新趨勢 014
1.3基本內容 017
1.3.1 目標 017
1.3.2 內容 019
1.3.3 路線 021
1.4本章小結 022
參考文獻 023

第2章投影尋蹤耦合學習原理 028
2.1投影尋蹤思想 028
2.1.1 基本思路 028
2.1.2 投影方向 030
2.1.3 投影指標 031
2.2基本統計方法 032
2.2.1 聚類分析 033
2.2.2 判別分析 035
2.2.3 密度估計 037
2.2.回歸 038
2.2.5 離群點檢測 039
2.2.6 時間序列 040
2.3人工神經網絡 041
2.4耦合學習 042
2.4.1 耦合基礎 042
2.4.2 耦合路徑 044
2.4.3 耦合特點 048
2.5本章小結 049
參考文獻 050

第3章投影尋蹤耦合學習算法 052
3.1最佳投影方向 052
3.1.1 基本內涵 052
3.1.2 優化歷程 053
3.2投影指標 055
3.2.1 投影聚類指標 055
3.2.2 線性投影判別指標 055
3.2.3 Posse投影判別指標 056
3.2.4 投影回歸指標 056
3.2.5 投影密度指標 057
3.3遺傳算法 057
3.3.1 基本思路 057
3.3.2 基本步驟 058
3.3.3 基本特點 060
3.4投影智能優化算法 061
3.4.1 智能優化思路 061
3.4.2 數據預處理 062
3.4.3 遺傳優化步驟 064
3.5算法實現 066
3.5.1 耦合轉化 066
3.5.2 程序執行 067
3.5.3 算法特點 068
3.6本章小結 069
參考文獻 070

第4章投影尋蹤聚類耦合學習 071
4.1產生背景 071
4.2聚類原理 073
4.3投影靜態聚類耦合學習 076
4.3.1 學習原理 076
4.3.2 算法流程 078
4.3.3 注意事項 080
4.4投影動態聚類耦合學習 081
4.4.1 學習原理 081
4.4.2 算法流程 083
4.5多維投影強化學習 085
4.5.1 學習原理 085
4.5.2 算法流程 086
4.6高維離群點檢測 088
4.6.1 檢測原理 088
4.6.2 基於假設檢驗的檢測 088
4.6.3 基於聚類的檢測 089
4.7本章小結 090
參考文獻 091

第5章投影尋蹤回歸耦合學習 093
5.1投影尋蹤回歸原理 093
5.1.1 投影尋蹤回歸函數 093
5.1.2 非參數投影尋蹤回歸 094
5.1.3 參數優化策略 096
5.2投影尋蹤回歸與神經網絡 098
5.2.1 神經網絡 098
5.2.2 兩方法比較 101
5.3投影尋蹤回歸網絡學習 103
5.3.1 學習網絡結構 104
5.3.2 網函數 105
5.3.3 參數分類優化學習 108
5.4投影尋蹤回歸模糊推理學習 112
5.4.1 基本原理 112
5.4.2 模糊隸屬度 114
5.4.3 模糊推理 116
5.4.4 學習路線 117
5.5基於投影尋蹤回歸學習的離群點檢測 119
5.5.1 檢測原理 119
5.5.2 學習流程 120
5.6本章小結 120
參考文獻 122

第6章投影尋蹤函數型耦合學習 124
6.1函數型數據分析 124
6.1.1 基本概念 125
6.1.2 函數型主成分 126
6.1.3 函數型聚類 127
6.1.4 函數型回歸 128
6.2投影尋蹤函數型主成分 129
6.2.1 基本原理 129
6.2.2 基本模型 130
6.2.3 學習流程 131
6.3投影尋蹤函數型聚類 132
6.3.1 基本原理 132
6.3.2 基本模型 133
6.3.3 學習流程 133
6.4投影尋蹤函數型回歸 134
6.4.1 基本原理 134
6.4.2 模型構建 135
6.4.3 學習流程 137
6.5投影尋蹤函數型檢驗 138
6.5.1 正態檢驗 138
6.5.2 異常值檢驗 140
6.6本章小結 141
參考文獻 142

第7章投影尋蹤耦合學習評價 144
7.1綜合評價原理 144
7.1.1 綜合評價類型 145
7.1.2 評價指標體繫 148
7.2監督綜合評價 149
7.2.1 有監督綜合評價 149
7.2.2 無監督綜合評價 154
7.3投影尋蹤聚類學習評價 156
7.3.1 建模思路 156
7.3.2 學習過程 156
7.3.3 水質評價 158
7.3.4 結果分析 163
7.4本章小結 166
參考文獻 167

第8章投影尋蹤耦合學習預測 169
8.1統計預測基本原理 169
8.1.1 預測分類 169
8.1.2 單途徑預測 170
8.1.3 耦合預測 172
8.1.4 損失函數 174
8.2投影尋蹤回歸網絡學習預測 177
8.2.1 對像分析 177
8.2.2 預測模型 179
8.2.3 預測結果 180
8.3投影尋蹤回歸模糊推理學習預測 182
8.3.1 對像分析 183
8.3.2 預測模型 184
8.3.3 預測結果 186
8.4本章小結 186
參考文獻 187

第9章投影尋蹤耦合學習決策 189
9.1統計決策基礎 189
9.1.1 多準則決策 190
9.1.2 多準則綜合效用 191
9.1.3 多準則統計學習決策 193
9.2投影尋蹤聚類學習決策 194
9.2.1 基本思路 194
9.2.2 投資方案決策 194
9.2.3 關鍵問題 198
9.3投影尋蹤回歸學習決策 199
9.3.1 基本思路 199
9.3.2 投標決策基礎 199
9.3.3 投標決策模型 202
9.3.4 應用結果 204
9.4本章小結 211
參考文獻 211

結語 214

在數字時代，數據已然成為關鍵生產要素，數據分析方法也在社會經濟的智慧化發展中發揮著關鍵作用。投影尋蹤作為處理高維數據的統計方法，自出現以來就受到了理論及應用領域的持續關注，並隨著神經網絡和智能學習等方法及數據搜集技術的快速發展與時俱進。投影尋蹤方法以其思維的先進性形成了“投影尋蹤族”的方法體繫，成為探索性數據分析的利器，在工程、醫療、經濟、環境等諸多領域的分類、識別、判別、評價、預測和決策等方面有著廣泛應用。
本書在總結投影尋蹤方法研究成果的基礎上，基於生產要素再組合的創新發展觀，以確定性組合應對不確定性變化的思想，提出投影尋蹤耦合學習方法及其應用。從統計學習視角，圍繞統計學經典領域，設計投影尋蹤耦合學習的具體方法內容；以數據驅動的智能學習技術，給出投影尋蹤耦合學習算法；結合多領域的分類、判別、評價、預測與決策的應用需求，示範投影尋蹤耦合方法解決實際問題的思路和模型案例。全書分為9章，分別為緒論、投影尋蹤耦合學習原理、投影尋蹤耦合學習算法、投影尋蹤聚類耦合學習、投影尋蹤回歸耦合學習、投影尋蹤函數型耦合學習、投影尋蹤耦合學習評價、投影尋蹤耦合學習預測、投影尋蹤耦合學習決策。其中第1、5、6、8、9章由張欣莉撰寫，第2～4、7章由王順久撰寫。
本書針對數據特征混合的復雜性，提出了耦合學習思維及路徑，通過理論→方法→應用拓展的方式呈現。書中實例涉及工程、醫療、水資源與環境等領域的定量分析，可為相關領域開展評價、預測與決策工作提供工具方法。本書可作為數據科學、商業分析和工程學等領域的參考書。
感謝數字化時代帶來的機遇與挑戰，感謝先賢們的創新貢獻，感謝編輯部的努力付出，感謝學生們的探索與實踐，感謝家人們的鼓勵支持! 本書是筆者在已有研究基礎上，結合國內外最新理論進展和實踐應用寫成，書中借鋻了諸多學者的觀點及方法精髓，在此深表謝意。因本書突出應用性，書中不足之處敬請讀者諒解，懇請批評指正與交流。

著者
2023年12月