123,123

內(nèi)容簡(jiǎn)介

　　本書對(duì)超限學(xué)習(xí)機(jī)近年來取得的各方面成果進(jìn)行詳細(xì)的闡述與分析。本書分為4個(gè)部分：第1部分（第1～2章）主要介紹超限學(xué)習(xí)機(jī)的基本概念與核心理論；第2部分（第3～4章）系統(tǒng)介紹超限學(xué)習(xí)機(jī)理論為應(yīng)對(duì)數(shù)據(jù)分類、回歸以及特征學(xué)習(xí)等重要機(jī)器學(xué)習(xí)任務(wù)所做的技術(shù)性調(diào)整；第3部分（第5～6章）主要介紹超限學(xué)習(xí)機(jī)的工程實(shí)現(xiàn)與領(lǐng)域應(yīng)用案例；第4部分（第7章）對(duì)全書進(jìn)行總結(jié)，并歸納出若干挑戰(zhàn)性問題以待后續(xù)研究。本書附錄部分為與超限學(xué)習(xí)機(jī)相關(guān)的數(shù)學(xué)基礎(chǔ)知識(shí)，以便讀者查閱。本書可供對(duì)超限學(xué)習(xí)機(jī)感興趣的研究人員閱讀，也可為信號(hào)處理領(lǐng)域的工程技術(shù)人員提供技術(shù)參考。

作者簡(jiǎn)介

　　鄧宸偉北京理工大學(xué)教授、博士生導(dǎo)師，IEEE高級(jí)會(huì)員。近年來，緊密圍繞“高分辨率對(duì)地觀測(cè)”領(lǐng)域國(guó)家重大需求，開展航空、航天遙感圖像處理方向的基礎(chǔ)和應(yīng)用研究。相關(guān)研究成果獲2018年軍隊(duì)科技進(jìn)步獎(jiǎng)二等獎(jiǎng)，2017年國(guó)家自然科學(xué)基金委遙感影像智能處理大賽特等獎(jiǎng)，入選2013年北京市優(yōu)秀人才培養(yǎng)資助計(jì)劃。擔(dān)任多個(gè)國(guó)際期刊的副編輯和IEEE視覺計(jì)算與內(nèi)容管理興趣小組聯(lián)合主席。出版英文著作一部，以第一/通信作者發(fā)表SCI論文30余篇，SCI引用700余次，獲授權(quán)發(fā)明專利10余項(xiàng)。？周士超北京理工大學(xué)在讀博士。主要研究方向包括機(jī)器學(xué)習(xí)、模式識(shí)別和高分辨遙感圖像處理。先后在國(guó)內(nèi)外學(xué)術(shù)期刊發(fā)表SCI論文1篇，EI論文3篇，申請(qǐng)發(fā)明專利2項(xiàng)。

圖書目錄

第1章緒論\t1
1．1　引言　1
1．2　ELM研究背景　2
1．3　ELM概念與內(nèi)涵　3
1．3．1　快速前饋神經(jīng)網(wǎng)絡(luò)　3
1．3．2　通用機(jī)器學(xué)習(xí)單元　4
1．3．3　可信生物學(xué)習(xí)機(jī)制　5
1．4　ELM的發(fā)展歷程　6
1．4．1　第一階段（2006—2010年）：新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與理論　6
1．4．2　第二階段（2011—2015年）：通用學(xué)習(xí)模型構(gòu)建與解釋　7
1．4．3　第三階段（2016—至今）：生物學(xué)習(xí)機(jī)制研究與硬件實(shí)現(xiàn)　7
1．5　本書內(nèi)容具體安排　8
參考文獻(xiàn)　8
第2章　超限學(xué)習(xí)機(jī)理論　11
2．1　ELM網(wǎng)絡(luò)模型　11
2．1．1　網(wǎng)絡(luò)結(jié)構(gòu)描述　11
2．1．2　網(wǎng)絡(luò)參數(shù)學(xué)習(xí)　13
2．2　ELM網(wǎng)絡(luò)性能分析　14
2．2．1　有效擬合：隨機(jī)投影與通用逼近　15
2．2．2　快速學(xué)習(xí)：等式約束優(yōu)化　19
2．3　ELM學(xué)習(xí)機(jī)制通用性分析　23
2．3．1　顯式映射形式與參數(shù)求解策略　24
2．3．2　核化映射形式與參數(shù)對(duì)偶表示　25
2．3．3　“顯式”與“核化”的統(tǒng)一　27
2．4　本章小結(jié)　29
參考文獻(xiàn)　30
第3章　超限學(xué)習(xí)機(jī)分類與回歸　32
3．1　分類與回歸——ELM的統(tǒng)一性解決策略　32
3．1．1　均方誤差代價(jià)函數(shù)：分類與回歸的統(tǒng)一　33
3．1．2　等式優(yōu)化約束項(xiàng)：二分類與多分類的統(tǒng)一　34
3．2　標(biāo)簽不平衡——加權(quán)ELM　35
3．2．1　加權(quán)ELM模型構(gòu)建　36
3．2．2　加權(quán)ELM機(jī)理分析　37
3．2．3　加權(quán)ELM性能評(píng)估　39
3．3　標(biāo)簽缺失——弱監(jiān)督ELM　40
3．3．1　弱監(jiān)督ELM模型構(gòu)建　41
3．3．2　弱監(jiān)督ELM機(jī)理分析　45
3．3．3　弱監(jiān)督ELM性能評(píng)估　45
3．4　樣本動(dòng)態(tài)更迭——在線序貫ELM　53
3．4．1　在線序貫ELM模型構(gòu)建　54
3．4．2　在線序貫ELM機(jī)理分析　56
3．4．3　在線序貫ELM性能評(píng)估　56
3．5　樣本含噪——濾波型ELM　59
3．5．1　濾波型ELM模型構(gòu)建　59
3．5．2　濾波型ELM機(jī)理分析　62
3．5．3　濾波型ELM性能評(píng)估　63
3．6　本章小結(jié)　66
參考文獻(xiàn)　66
第4章　超限學(xué)習(xí)機(jī)特征學(xué)習(xí)　69
4．1　ELM特征選擇　69
4．1．1　ELM包裹式特征選擇　71
4．1．2　ELM嵌入式特征選擇　77
4．2　ELM單隱藏層特征映射學(xué)習(xí)　80
4．2．1　有監(jiān)督隨機(jī)特征映射　81
4．2．2　無監(jiān)督特征自編碼器　87
4．3　ELM層次化特征映射學(xué)習(xí)　92
4．3．1　隨機(jī)特征映射遞歸　93
4．3．2　特征自編碼器棧式堆疊　97
4．4　ELM層次化特征映射學(xué)習(xí)與深度學(xué)習(xí)的聯(lián)系　100
4．4．1　特征映射建模：普適性與自適應(yīng)性　100
4．4．2　特征優(yōu)化方法：凸優(yōu)化與非凸尋優(yōu)　102
4．5　本章小結(jié)　104
參考文獻(xiàn)　105
第5章　超限學(xué)習(xí)機(jī)工程實(shí)現(xiàn)　107
5．1　面向模型訓(xùn)練的并行加速技術(shù)　107
5．1．1　分布式軟件架構(gòu)加速　108
5．1．2　GPU平臺(tái)加速　121
5．1．3　云端集群計(jì)算平臺(tái)加速　124
5．2　面向模型測(cè)試的嵌入式實(shí)時(shí)處理系統(tǒng)設(shè)計(jì)　127
5．2．1　基于FPGA平臺(tái)的ELM模擬驗(yàn)證系統(tǒng)　128
5．2．2　基于ASIC平臺(tái)的ELM實(shí)際架構(gòu)系統(tǒng)　132
5．3　本章小結(jié)　146
參考文獻(xiàn)　147
第6章　超限學(xué)習(xí)機(jī)領(lǐng)域應(yīng)用　149
6．1　智能安防應(yīng)用實(shí)例　149
6．1．1　監(jiān)控系統(tǒng)的目標(biāo)跟蹤　149
6．1．2　門禁系統(tǒng)的人臉識(shí)別　154
6．1．3　報(bào)警系統(tǒng)的行為識(shí)別　159
6．2　衛(wèi)星遙感應(yīng)用實(shí)例　163
6．2．1　SAR圖像在軌變化檢測(cè)　163
6．2．2　高光譜圖像農(nóng)作物分類　170
6．2．3　可見光氣象影像云圖分類識(shí)別　176
6．3　生物醫(yī)藥應(yīng)用實(shí)例　182
6．3．1　運(yùn)動(dòng)想像腦電信號(hào)分類　182
6．3．2　骨髓細(xì)胞分類　187
6．3．3　基因表達(dá)數(shù)據(jù)分類　192
6．4　本章小結(jié)　195
參考文獻(xiàn)　196
第7章　研究總結(jié)與未來展望　199
7．1　研究總結(jié)與結(jié)論　200
7．2　發(fā)展趨勢(shì)分析　200
7．2．1　應(yīng)用前景　201
7．2．2　技術(shù)走向　201
7．2．3　難點(diǎn)與挑戰(zhàn)　203
7．3　本章小結(jié)　206
參考文獻(xiàn)　206
附錄A　矩陣與最優(yōu)化　208
A．1　范數(shù)及最小化　208
A．2　流形假設(shè)與圖拉普拉斯矩陣　210
A．2．1　流形假設(shè)　210
A．2．2　圖拉普拉斯矩陣　210
附錄B　概率與不等式　213
B．1　高斯分布與投影結(jié)果分析　213
B．2　不等式與投影結(jié)果的穩(wěn)定性描述　214
名詞索引　217