機器學習關鍵技術及應用

第1章　緒論 001 1.1　工業(yè)發(fā)展與機器學習 002 1.2　矩陣型分類學習 004 1.3　多視角學習 005 1.4　不平衡數(shù)據(jù)分類學習 007 1.5　集成學習 010 1.6　深度學習 010 參考文獻 013 第2章　矩陣型分類學習 017 2.1　矩陣型方法概述 018 2.2　局部敏感判別矩陣學習機 020 2.2.1　LSDMatMHKS算法 020 2.2.2　實驗與分析 027 2.3　矩陣多類學習機 041 2.3.1　McMatMHKS模型 041 2.3.2　實驗 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　實驗與分析 061 參考文獻 077 第3章　多視角學習 081 3.1　概述 082 3.2　先驗信息融合的正則化型分類器 084 3.2.1　挖掘數(shù)據(jù)先驗信息 084 3.2.2　多核學習與經(jīng)驗核映射 085 3.2.3　TSMEKL模型 088 3.2.4　實驗 093 3.2.5　推廣風險分析 105 3.3　Nystr?m近似矩陣的多核學習算法 108 3.3.1　多核學習算法 108 3.3.2　NMKMHKS模型 110 3.3.3　實驗 114 3.4　Universum的多視角分類學習算法 127 3.4.1　多視角學習算法 127 3.4.2　UMultiV-MHKS模型 127 3.4.3　實驗 132 參考文獻 149 第4章　不平衡數(shù)據(jù)分類學習 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　實驗結果分析與討論 164 4.3　基于二叉樹結構的數(shù)據(jù)空間分治策略 185 4.3.1　SPT算法 185 4.3.2　實驗結果分析與討論 195 4.4　基于熵和萬有引力的動態(tài)半徑近鄰分類器 216 4.4.1　EGDRNN模型 216 4.4.2　實驗 222 4.4.3　分析討論 232 參考文獻 236 第5章　集成學習 239 5.1　概述 240 5.2　基于視角間相似度損失的多經(jīng)驗核集成學習模型 242 5.2.1　多視角與核學習的方法 242 5.2.2　MVE-EK算法模型 245 5.2.3　實驗與分析 251 5.3　基于數(shù)據(jù)全局空間特性的多平衡子集協(xié)同訓練算法 263 5.3.1　多平衡子集協(xié)同訓練算法 263 5.3.2　基于數(shù)據(jù)全局空間特性的多平衡子集協(xié)同訓練算法 264 5.3.3　實驗與分析 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　實驗與分析 301 參考文獻 320 第6章　深度學習 323 6.1　概述 324 6.2　基于擾動的助推器網(wǎng)絡驅動協(xié)同訓練模型 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　實驗與分析 335 6.3　強制平滑的投影梯度下降對抗訓練模型 345 6.3.1　防御對抗攻擊的方法 345 6.3.2　SEAT模型 347 6.3.3　實驗與分析 351 6.4　面向多標簽圖像分類的融合先驗信息的語義補充模型 362 6.4.1　多標簽圖像分類的方法 362 6.4.2　融合先驗信息的語義補充模型（SSNP） 364 6.4.3　實驗結果與分析 369 參考文獻 376 第7章　應用案例 381 7.1　腦電信號自動情感識別 382 7.1.1　腦電情感識別算法的應用與發(fā)展 382 7.1.2　腦電信號的類別與特點 382 7.1.3　腦電信號自動情感識別系統(tǒng) 387 7.1.4　總結 410 7.2　基于語音的生物認證系統(tǒng) 413 7.2.1　語音生物認證技術的研究背景 413 7.2.2　基于多網(wǎng)絡集成的聲紋識別系統(tǒng)描述 414 7.2.3　總結 426 7.3　面向圖像分類的半監(jiān)督學習系統(tǒng) 426 7.3.1　圖像分類技術發(fā)展 426 7.3.2　基于半監(jiān)督學習的圖像分類系統(tǒng) 429 7.3.3　總結 438 參考文獻 440