機(jī)器學(xué)習(xí)關(guān)鍵技術(shù)及應(yīng)用

第1章　緒論 001 1.1　工業(yè)發(fā)展與機(jī)器學(xué)習(xí) 002 1.2　矩陣型分類學(xué)習(xí) 004 1.3　多視角學(xué)習(xí) 005 1.4　不平衡數(shù)據(jù)分類學(xué)習(xí) 007 1.5　集成學(xué)習(xí) 010 1.6　深度學(xué)習(xí) 010 參考文獻(xiàn) 013 第2章　矩陣型分類學(xué)習(xí) 017 2.1　矩陣型方法概述 018 2.2　局部敏感判別矩陣學(xué)習(xí)機(jī) 020 2.2.1　LSDMatMHKS算法 020 2.2.2　實(shí)驗(yàn)與分析 027 2.3　矩陣多類學(xué)習(xí)機(jī) 041 2.3.1　McMatMHKS模型 041 2.3.2　實(shí)驗(yàn) 043 2.3.3　分析討論 054 2.4　基于向量分離策略的高效矩陣型分類器 056 2.4.1　EMatMHKS模型 056 2.4.2　基于向量分離策略的高效矩陣型分類器 057 2.4.3　實(shí)驗(yàn)與分析 061 參考文獻(xiàn) 077 第3章　多視角學(xué)習(xí) 081 3.1　概述 082 3.2　先驗(yàn)信息融合的正則化型分類器 084 3.2.1　挖掘數(shù)據(jù)先驗(yàn)信息 084 3.2.2　多核學(xué)習(xí)與經(jīng)驗(yàn)核映射 085 3.2.3　TSMEKL模型 088 3.2.4　實(shí)驗(yàn) 093 3.2.5　推廣風(fēng)險(xiǎn)分析 105 3.3　Nystr?m近似矩陣的多核學(xué)習(xí)算法 108 3.3.1　多核學(xué)習(xí)算法 108 3.3.2　NMKMHKS模型 110 3.3.3　實(shí)驗(yàn) 114 3.4　Universum的多視角分類學(xué)習(xí)算法 127 3.4.1　多視角學(xué)習(xí)算法 127 3.4.2　UMultiV-MHKS模型 127 3.4.3　實(shí)驗(yàn) 132 參考文獻(xiàn) 149 第4章　不平衡數(shù)據(jù)分類學(xué)習(xí) 153 4.1　概述 154 4.2　基于數(shù)據(jù)空間信息的樣本選擇方法 156 4.2.1　樣本選擇框架NearCount 156 4.2.2　實(shí)驗(yàn)結(jié)果分析與討論 164 4.3　基于二叉樹(shù)結(jié)構(gòu)的數(shù)據(jù)空間分治策略 185 4.3.1　SPT算法 185 4.3.2　實(shí)驗(yàn)結(jié)果分析與討論 195 4.4　基于熵和萬(wàn)有引力的動(dòng)態(tài)半徑近鄰分類器 216 4.4.1　EGDRNN模型 216 4.4.2　實(shí)驗(yàn) 222 4.4.3　分析討論 232 參考文獻(xiàn) 236 第5章　集成學(xué)習(xí) 239 5.1　概述 240 5.2　基于視角間相似度損失的多經(jīng)驗(yàn)核集成學(xué)習(xí)模型 242 5.2.1　多視角與核學(xué)習(xí)的方法 242 5.2.2　MVE-EK算法模型 245 5.2.3　實(shí)驗(yàn)與分析 251 5.3　基于數(shù)據(jù)全局空間特性的多平衡子集協(xié)同訓(xùn)練算法 263 5.3.1　多平衡子集協(xié)同訓(xùn)練算法 263 5.3.2　基于數(shù)據(jù)全局空間特性的多平衡子集協(xié)同訓(xùn)練算法 264 5.3.3　實(shí)驗(yàn)與分析 268 5.4　基于熵與置信度的下采樣Boosting集成 294 5.4.1　基于熵與置信度的下采樣Boosting集成方法 294 5.4.2　ECUBoost算法模型 295 5.4.3　實(shí)驗(yàn)與分析 301 參考文獻(xiàn) 320 第6章　深度學(xué)習(xí) 323 6.1　概述 324 6.2　基于擾動(dòng)的助推器網(wǎng)絡(luò)驅(qū)動(dòng)協(xié)同訓(xùn)練模型 327 6.2.1　歸納式半監(jiān)督的方法 327 6.2.2　BDCT模型 328 6.2.3　實(shí)驗(yàn)與分析 335 6.3　強(qiáng)制平滑的投影梯度下降對(duì)抗訓(xùn)練模型 345 6.3.1　防御對(duì)抗攻擊的方法 345 6.3.2　SEAT模型 347 6.3.3　實(shí)驗(yàn)與分析 351 6.4　面向多標(biāo)簽圖像分類的融合先驗(yàn)信息的語(yǔ)義補(bǔ)充模型 362 6.4.1　多標(biāo)簽圖像分類的方法 362 6.4.2　融合先驗(yàn)信息的語(yǔ)義補(bǔ)充模型（SSNP） 364 6.4.3　實(shí)驗(yàn)結(jié)果與分析 369 參考文獻(xiàn) 376 第7章　應(yīng)用案例 381 7.1　腦電信號(hào)自動(dòng)情感識(shí)別 382 7.1.1　腦電情感識(shí)別算法的應(yīng)用與發(fā)展 382 7.1.2　腦電信號(hào)的類別與特點(diǎn) 382 7.1.3　腦電信號(hào)自動(dòng)情感識(shí)別系統(tǒng) 387 7.1.4　總結(jié) 410 7.2　基于語(yǔ)音的生物認(rèn)證系統(tǒng) 413 7.2.1　語(yǔ)音生物認(rèn)證技術(shù)的研究背景 413 7.2.2　基于多網(wǎng)絡(luò)集成的聲紋識(shí)別系統(tǒng)描述 414 7.2.3　總結(jié) 426 7.3　面向圖像分類的半監(jiān)督學(xué)習(xí)系統(tǒng) 426 7.3.1　圖像分類技術(shù)發(fā)展 426 7.3.2　基于半監(jiān)督學(xué)習(xí)的圖像分類系統(tǒng) 429 7.3.3　總結(jié) 438 參考文獻(xiàn) 440