新書推薦：
《
中国常见植物野外识别手册：青海册
》
售價：HK$
76.2
《
三星堆对话古遗址（从三星堆出发，横跨黄河流域，长江流域，对话11处古遗址，探源多元一体的中华文明）
》
售價：HK$
87.4
《
迷人的化学（迷人的科学丛书）
》
售價：HK$
143.4
《
宋代冠服图志（详尽展示宋代各类冠服 精美插图 考据严谨 细节丰富）
》
售價：HK$
87.4
《
形似神异：什么是中日传统政治文化的结构性差异
》
售價：HK$
55.8
《
养育不好惹的小孩
》
售價：HK$
77.3
《
加加美高浩的手部绘画技法 II
》
售價：HK$
89.4
《
卡特里娜（“同一颗星球”丛书）
》
售價：HK$
87.4
|
| 內容簡介： |
|
单类分类广泛地存在于入侵检测、故障诊断等实际应用领域中，它能有效解决仅有一类样本用于训练分类器的问题和类别**不平衡的问题。《单类分类理论与算法》简要介绍了四类常用的单类分类器，重点介绍了基于信息理论学习的单类分类特征提取、鲁棒单类分类器和单类分类器集成，主要包括基于正则化相关熵的异常检测特征提取、基于可缩放hinge损失函数的鲁棒单类支持向量机、基于鲁棒AdaBoost的单类支持向量机集成、基于Renyi熵多样性度量的SVDD选择性集成。另外，《单类分类理论与算法》还介绍了基于深度学习的异常检测方法，并以基于支持域的单类分类器为基础，较系统地讨论了单类分类的主要问题。
|
| 目錄：
|
|
目录前言符号说明 第1章 绪论 1 1.1 两类分类 1 1.1.1 例子 (蠓虫分类) 1 1.1.2 两类分类问题 3 1.2 多类分类 4 1.2.1 例子 (鸢尾属植物分类) 4 1.2.2 多类分类问题 5 1.3 单类分类 10 1.3.1 例子 (Square 数据集) 10 1.3.2 单类分类问题 11 1.3.3 单类分类方法的分类 12 参考文献 16 第2章 单类分类器 20 2.1 基于密度估计的单类分类器 20 2.1.1 Parzen 窗密度估计 20 2.1.2 K 近邻 21 2.1.3 高斯密度估计 22 2.1.4 高斯混合模型 23 2.2 基于神经网络的单类分类器 23 2.2.1 自联想神经网络 24 2.2.2 径向基函数神经网络 25 2.2.3 自组织映射神经网络 28 2.2.4 极限学习机 30 2.3 基于聚类的单类分类器 32 2.3.1 K 均值 33 2.3.2 模糊 c 均值 33 2.3.3 水平集法 352.4 基于支持域的单类分类器 38 2.4.1 单类支持向量机 38 2.4.2 支持向量数据描述 41 2.4.3 核主成分分析 44 参考文献 46 第3章 单类分类的维数约简 48 3.1 特征选择 48 3.1.1 SVDD 半径递归特征消除法 48 3.1.2 SVDD 对偶目标递归特征消除法 51 3.1.3 过滤式特征选择 54 3.2 特征提取 59 3.2.1 主成分分析 59 3.2.2 线性判别分析 62 3.2.3 局部保持投影 63 3.3 基于正则化相关熵的异常检测特征提取 65 3.3.1 相关工作 65 3.3.2 数学模型 66 3.3.3 算法描述 68 3.3.4 实验结果 69 3.4 基于模拟退火的 SVDD 特征提取和参数选择 75 3.4.1 模拟退火 75 3.4.2 SA-SVDD 76 3.4.3 实验结果 78 参考文献 80 第4章 基于核的单类分类器 83 4.1 鲁棒的光滑单类支持向量机 83 4.1.1 相关工作 83 4.1.2 数学模型 84 4.1.3 实验结果 86 4.2 基于局部相关保留的单类支持向量机 88 4.2.1 相关工作 89 4.2.2 数学模型 91 4.2.3 算法描述 93 4.2.4 实验结果 94 4.3 局部保留加权单类支持向量机 974.3.1 数学模型 97 4.3.2 算法描述 99 4.3.3 实验结果 100 4.4 自适应加权单类支持向量机 103 4.4.1 相关工作 104 4.4.2 数学模型 105 4.4.3 算法描述 106 4.4.4 实验结果 106 4.5 基于可缩放 hinge 损失函数的鲁棒单类支持向量机 109 4.5.1 数学模型 110 4.5.2 算法描述 113 4.5.3 鲁棒单类支持向量机的泛化性能和鲁棒性 113 4.5.4 实验结果 116 4.6 基于截断 1 范数的鲁棒*小二乘单类支持向量机 129 4.6.1 相关工作 130 4.6.2 数学模型 131 4.6.3 算法描述 133 4.6.4 实验结果 133 4.7 基于样本选取和加权 KPCA-e1 的异常检测 139 4.7.1 相关工作 139 4.7.2 构造过程 140 4.7.3 实验结果 144 4.8 基于核学习向量量化的异常检测 149 4.8.1 LVQ 和 KLVQ 149 4.8.2 重新表示的 KLVQ 152 4.8.3 实验结果 153 4.9 基于 SOM 和局部*小包围球的异常检测 155 4.9.1 基于 SOM 和 LVQ 的异常检测器 155 4.9.2 基于 SOM 和局部*小包围球的异常检测器 156 4.9.3 实验结果 159 参考文献 163 第5章 单类分类器集成 167 5.1 基于旋转的单类支持向量机集成 167 5.1.1 构造过程 167 5.1.2 算法实现 1685.1.3 实验结果 169 5.2 基于改进 AdaBoost 的单类支持向量机集成 171 5.2.1 AdaBoost 集成方法的发展 171 5.2.2 改进的 AdaBoost 集成方法 173 5.2.3 实验结果 174 5.2.4 图像检索 179 5.3 基于鲁棒 AdaBoost 的单类支持向量机集成 184 5.3.1 数学模型 184 5.3.2 算法描述 188 5.3.3 经验误差界和泛化误差界 189 5.3.4 实验结果 193 5.4 基于 Renyi 熵多样性度量的 SVDD 选择性集成 206 5.4.1 Renyi 熵 206 5.4.2 SVDD 的选择性集成 207 5.4.3 实验结果 213 5.5 基于相关熵和距离方差的 SVDD 选择性集成 221 5.5.1 相关工作 221 5.5.2 数学模型 222 5.5.3 算法描述 224 5.5.4 实验结果 225 参考文献 229 第6章 基于深度学习的单类分类器 232 6.1 基于双判别器生成式对抗网络的异常检测方法 232 6.1.1 生成式对抗网络 232 6.1.2 D2GANND 234 6.1.3 实验结果 237 6.2 基于非凸正则化项的堆栈鲁棒稀疏自编码器 240 6.2.1 预备知识 240 6.2.2 基于 T-e1 范数和 e2，1 范数组合正则化项的鲁棒稀疏自编码器 244 6.2.3 基于堆栈鲁棒稀疏自编码器的单类分类器集成 247 6.2.4 实验结果 248 参考文献 252 索引 254
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
