基於智能計算的降維技術研究與應用（簡體書）

目前，特征降維技術作為一種關鍵的數據預處理技術被廣泛地加以研究，并在不同的實際運用領域得到了較為成功的應用，但隨著新理論和新技術的不斷發展，特別是大量新興的智能識別應用領域的需求，對特征降維技術提出了更高的要求，使得現有的特征降維技術面臨更大的挑戰。比如：如何提高基于支持向量機的特征選擇方法的泛化能力和魯棒性；如何更好地實現特征提取技術與模糊聚類技術的有機結合，以提高特征降維方法的魯棒性；如何提高特征降維方法中的距離度量學習的有效性；如何將特征降維方法中的關鍵技術和理論運用到支持向量機中，以提高支持向量機的泛化能力和魯棒性；如何結合張量理論提高特征降維的效果；如何在具有明顯不同分布的源域和目標域實現提取技術等。為此，皋軍專著的《基于智能計算的降維技術研究與應用從三個部分對上述問題進行描述和研究。

第1章 緒論
1．1 課題研究背景
1．1．1 特征選擇技術
1．1．2 特征提取技術
1．2 特征降維技術面臨的幾個挑戰
1．3 課題的主要研究內容和組織安排
第2章 廣義的勢支持特征選擇方法
2．1 引言
2．2 勢支持向量機P．SVM
2．3 廣義的勢支持特征選擇方法：GPSFM
2．3．1 類內離散度
2．3．2 廣義的勢支持特征選擇方法
2．4 實驗研究
2．4．1 真實數據
2．4．2 基因數據
2．4．3 人臉圖像數據
2．5 本章小結
第3章 具有特征排序功能的魯棒性模糊聚類
3．1 引言
3．2 模糊c均值聚類方法
3．3 具有特征排序功能的模糊聚類方法
3．3．1 具有特征排序功能的FCA方法
3．3．2 基于幾何意義的權參數的選取
3．4 實驗研究
3．4．1 加噪的IRIS數據
3．4．2 加噪紋理圖像數據集
3．4．3 真實數據集
3．5 本章小結
第4章 基于語境距離度量的拉普拉斯最大間距判別準則
4．1 引言
4．2 線性拉普拉斯判別準則
4．3 基于語境距離度量的拉普拉斯最大間距判別準則 ．
4．3．1 CLMMC準則
4．3．2 CLMMC準則的QR分解法
4． 4語境距離度量的設定
4．5 實驗研究
4．5．1 低維非線性流形空間距離度量學習
4．5．2 CLMMC：與CL-LLD內在聯系
4．5．3 小樣本問題
4．5．4 高維非線性流形空間小樣本問題和距離度量學習
4．6 本章小結
第5章 基于模糊最大散度差判別準則的聚類方法
5．1 引言
5．2 最大散度差判別準則
5．3 基于模糊最大散度差判別準則的聚類方法
5．3．1 模糊最大散度差判別準則
5．3．2 設定模糊最大散度判別準則中的參數
5．4 實驗研究
5．4．1 基本的聚類功能
5．4．2 大數據聚類魯棒性
5．4．3 特征提取
5．5 本章小結
第6章 具有模糊聚類功能的雙向二維無監督特征提取方法
6．1 引言
6．2 相關工作
6．2．1 最大間距判別分析方法：MMC
6．2．2 雙向二維線性判別分析：(2D)ZLDA
6．3 具有模糊聚類功能的雙向二維無監督特征提取方法：(2D)2UFFCA
6．3．1 矩陣模式的模糊最大間距判別準則：MFMMC
6．3．2 實現矩陣模式數據的雙向特征提取
6．3．3 實現矩陣模式數據的模糊聚類
6．3．4 確定數據集D的模糊聚類中心
6．4 實驗
6．4．1 測試基本的聚類能力
6．4．2 測試大數據集的聚類效果
6．4．3 測試特征提取能力
6．5 本章小結
第7章 基于局部加權均值的領域適應學習框架
7．1 引言
7．2 相關工作
7．2．1 最大均值差異：MMD
7．2．2 最大均值差異嵌入：MMDE
7．3 投影最大局部加權均值差異：PMWD
7．4 最大局部加權均值差異嵌入MWME
7．4．1 線性最大局部加權均值嵌入：LMWME
7．4．2 核化的最大局部加權均值嵌入方法：Ker-MWME
7．5 基于局部加權均值的領域學習框架：LDAF
7．5．1 LDAF MLC
7．5．2 LDAF—SVM
7．5．3 算法時間復雜度分析
7．6 實驗
7．6．1 測試人造數據集
7．6．2 測試高維文本數據集
7．6．3 測試人臉數據集
7．7 本章小結
第8章 基于矩陣模式的最小類內散度支持向量機
8．1 引言
8．2 最小類內散度支持向量機
8．3 基于矩陣模式的最小類內散度支持向量機
8．3．1 線性的矩陣模式最小類內散度支持向量機
8．3．2 非線性的基于矩陣模式的最小類內教度支持向量機
8．4 實驗研究
8．4．1 矢量數據的矩陣模式分類
8．4．2 Ker-MCSVMsmatrix方法中使用V+的合理性
8．4．3 矩陣模式數據的分類
8．5 本章小結
第9章 基于全局和局部保持的半監督支持向量機
9．1 引言
9．2 流形正則化框架
9．3 基于全局和局部保持的半監督支持向量機
9．3．1 線性的GLSSVMs方法
9．3．2 非線性的Ker-GLSSVMs方法
9．4 實驗研究
9．4．1 人造團狀數據
9．4．2 人造流形結構數據
9．4．3 UCI真實數據
9．4．4 圖像數據
9．5 本章小結
結束語
參考文獻-