《系統特徵信息提取神經網路與算法》是2012年科學出版社出版的圖書，由孔祥玉、胡昌華、韓崇昭等人編寫。
基本介紹
- 書名：系統特徵信息提取神經網路與算法
- 作者：孔祥玉、胡昌華、韓崇昭等人
- ISBN：9787030331410
- 頁數：269
- 定價：60.00元
- 出版社：科學出版社
- 出版時間：2012-5
內容簡介,圖書目錄,
內容簡介
《系統特徵信息提取神經網路與算法》主要討論了矩陣理論相關知識、特徵值與奇異值分析、主成分分析及神經網路分析方法、次成分分析及神經網路分析方法、子空間跟蹤及神經網路分析方法、總體最小二乘方法、特徵提取方法套用等。全書內容新穎，不但包含信息特徵提取與最佳化的若干方法，而且對這些疊代方法的神經網路算法的性能分析方法也進行了較為詳細的分析，反映了國內外信息處理和神經網路領域在該方向上研究和套用的最新進展。
《系統特徵信息提取神經網路與算法》適合作為電子、通信、自動控制、計算機、系統工程、模式識別和信號處理等信息科學與技術學科高年級本科生和研究生教材，也可供相關專業研究人員和工程技術人員參考。
圖書目錄
前言
第一章 緒論
1.1 特徵信息提取
1.1.1 主/次成分分析與子空間跟蹤
1.1.2 主/次成分神經網路分析算法
1.1.3 該領域目前的研究熱點
1.2 特徵提取與子空間跟蹤基礎
1.2.1 子空間概念
1.2.2 子空間跟蹤方法
1.2.3 基於最佳化理論的子空間跟蹤
1.2.4 子空間跟蹤方法的性能分析
1.3 總體最小二乘技術
參考文獻
第二章 矩陣的奇異值與特徵值分析
2.1 引言
2.2 矩陣的奇異值分析
2.2.1 奇異值分解
2.2.2 奇異值的性質
2.3 矩陣的特徵分析
2.3.1 特徵值問題與特徵方程
2.3.2 特徵值與特徵向量
2.3.3 Hermitian特徵值分解
2.4 Rayleigh商及其特性
2.4.1 Rayleigh商
2.4.2 Rayleigh商疊代
2.4.3 Rayleigh商求解的梯度和共軛梯度算法
2.4.4 廣義Rayleigh商
2.5 本章小結
參考文獻
第三章 主成分分析神經網路與算法
3.1 引言
3.1.1 主成分分析
3.1.2 Hebbian學習規則
3.1.3 Oja學習規則
3.2 基於Hebbian規則的主成分分析
3.2.1 子空間學習算法
3.2.2 Generalized Hebbian算法
3.2.3 其他基於Hebbian規則的算法
3.3 基於最佳化方法的主成分分析
3.3.1 最小均方誤差重構算法
3.3.2 投影逼近子空間跟蹤算法和PASTd算法
3.3.3 魯棒RLS算法
3.3.4 NIC算法
3.3.5 成對的主成分分析算法
3.4 有側向連線的主成分分析
3.4.1 RubnerTavan主成分分析算法
3.4.2 APEX主成分分析算法
3.5 非線性主成分分析
3.5.1 核主成分分析算法
3.5.2 魯棒/非線性主成分分析算法
3.5.3 基於自聯想神經網路的主成分分析
3.6 其他主成分分析
3.6.1 約束主成分分析
3.6.2 局部主成分分析
3.6.3 複數域主成分分析
3.6.4 主成分分析的其他推廣
3.7 互相關非對稱網路主奇異成分分析
3.7.1 提取多個主奇異成分
3.7.2 提取最大主奇異成分
3.7.3 提取非方矩陣的多個主奇異成分
3.8 本章小結
參考文獻
第四章 次成分分析神經網路及性能分析
4.1 引言
4.1.1 次成分神經網路算法
4.1.2 次成分神經網路算法存在的問題
4.1.3 次成分神經網路算法的發展
4.2 次成分分析神經網路與算法
4.2.1 提取第一個次成分算法
4.2.2 次子空間跟蹤算法
4.2.3 多個次成分提取
4.2.4 自穩定次成分分析
4.2.5 正交化的Oja算法
4.2.6 其他次成分分析算法
4.3 次成分分析神經網路算法發散現象分析
4.3.1 普通發散現象
4.3.2 突然發散現象
4.3.3 不穩定發散現象
4.3.4 數值發散現象
4.3.5 自穩定特性分析
4.4 高維數據流的次子空間跟蹤神經網路算法
4.4.1 次子空間及其跟蹤算法
4.4.2 一種自穩定的次成分分析算法
4.4.3 通過DCT方法對算法收斂性能的分析
4.4.4 算法的發散性能分析
4.4.5 通過SDT方法的算法自穩定特性分析
4.4.6 次子空間跟蹤算法
4.5 本章小結
參考文獻
第五章 特徵信息網路確定性離散時間系統
5.1 引言
5.2 神經網路確定性離散時間系統
5.3 Hebbian神經元網路確定性離散時間系統行為分析
5.3.1 DCT近似及局限性
5.3.2 Oja算法DDT系統及局部性能分析
5.3.3 Oja算法DDT系統的全局性能分析
5.4 一種新的自穩定次成分分析算法及確定性離散時間系統分析
5.4.1 新的自穩定次成分分析算法的提出
5.4.2 通過確定性DDT系統對算法的收斂性能分析
5.4.3 通過確定性DDT系統對算法的穩定性能分析
5.4.4 計算機仿真實驗
5.5 統一的主/次成分分析學習算法及確定性離散時間學習分析
5.5.1 算法的收斂特性分析
5.5.2 計算機仿真
5.6 本章小結
參考文獻
第六章 雙目的主/次子空間神經網路跟蹤算法
6.1 引言
6.2 雙目的特徵提取神經網路方法
6.2.1 雙目的特徵提取的必要性
6.2.2 Chen雙目的特徵提取方法
6.2.3 其他幾種雙目的方法的簡要分析
6.3 一種新的雙目的特徵提取神經網路算法
6.3.1 預備知識
6.3.2 一個新穎的信息準則及其前景
6.3.3 新的雙目的主/次子空間梯度流
6.3.4 計算機仿真實驗
6.3.5 定理的證明與推導
6.3.6 算法小結
6.4 本章小結
參考文獻
第七章 總體最小二乘與神經網路疊代求取算法
7.1 引言
7.2 總體最小二乘方法
7.2.1 經典總體最小二乘
7.2.2 加權總體最小二乘
7.2.3 結構總體最小二乘
7.3 總體最小二乘遞歸類方法
7.3.1 Davila RTLS算法
7.3.2 Feng 快速RTLS算法
7.3.3 Feng AIP算法
7.4 總體最小二乘神經網路方法
7.4.1 總體最小二乘神經網路方法
7.4.2 GAO TLS神經元方法
7.4.3 EXIN TLS神經元方法
7.4.4 Bruce混合LSTLS算法
7.5 一個新的總體最小二乘線性核及其自穩定算法
7.5.1 採用DCT對所提算法的性能分析
7.5.2 採用SDT對所提算法的瞬態行為分析
7.5.3 計算機仿真實驗
7.6 本章小結
參考文獻
第八章 特徵信息提取神經網路與算法套用
8.1 引言
8.2 主成分提取神經網路與算法的套用
8.2.1 通信中的特徵提取與降維
8.2.2 圖像處理中的數據壓縮
8.2.3 多重信號分類和波達方向估計
8.3 次成分提取神經網路與算法的套用
8.3.1 曲線與曲面匹配套用
8.3.2 Pisarenko法譜估計
8.4 總體最小二乘神經網路與算法的套用
8.4.1 FIR自適應濾波的總體最小二乘算法
8.4.2 線上參數估計中的套用
8.4.3 在自適應控制中的套用
8.4.4 在複雜系統故障診斷中的套用
8.5 本章小結
參考文獻
第一章 緒論
1.1 特徵信息提取
1.1.1 主/次成分分析與子空間跟蹤
1.1.2 主/次成分神經網路分析算法
1.1.3 該領域目前的研究熱點
1.2 特徵提取與子空間跟蹤基礎
1.2.1 子空間概念
1.2.2 子空間跟蹤方法
1.2.3 基於最佳化理論的子空間跟蹤
1.2.4 子空間跟蹤方法的性能分析
1.3 總體最小二乘技術
參考文獻
第二章 矩陣的奇異值與特徵值分析
2.1 引言
2.2 矩陣的奇異值分析
2.2.1 奇異值分解
2.2.2 奇異值的性質
2.3 矩陣的特徵分析
2.3.1 特徵值問題與特徵方程
2.3.2 特徵值與特徵向量
2.3.3 Hermitian特徵值分解
2.4 Rayleigh商及其特性
2.4.1 Rayleigh商
2.4.2 Rayleigh商疊代
2.4.3 Rayleigh商求解的梯度和共軛梯度算法
2.4.4 廣義Rayleigh商
2.5 本章小結
參考文獻
第三章 主成分分析神經網路與算法
3.1 引言
3.1.1 主成分分析
3.1.2 Hebbian學習規則
3.1.3 Oja學習規則
3.2 基於Hebbian規則的主成分分析
3.2.1 子空間學習算法
3.2.2 Generalized Hebbian算法
3.2.3 其他基於Hebbian規則的算法
3.3 基於最佳化方法的主成分分析
3.3.1 最小均方誤差重構算法
3.3.2 投影逼近子空間跟蹤算法和PASTd算法
3.3.3 魯棒RLS算法
3.3.4 NIC算法
3.3.5 成對的主成分分析算法
3.4 有側向連線的主成分分析
3.4.1 RubnerTavan主成分分析算法
3.4.2 APEX主成分分析算法
3.5 非線性主成分分析
3.5.1 核主成分分析算法
3.5.2 魯棒/非線性主成分分析算法
3.5.3 基於自聯想神經網路的主成分分析
3.6 其他主成分分析
3.6.1 約束主成分分析
3.6.2 局部主成分分析
3.6.3 複數域主成分分析
3.6.4 主成分分析的其他推廣
3.7 互相關非對稱網路主奇異成分分析
3.7.1 提取多個主奇異成分
3.7.2 提取最大主奇異成分
3.7.3 提取非方矩陣的多個主奇異成分
3.8 本章小結
參考文獻
第四章 次成分分析神經網路及性能分析
4.1 引言
4.1.1 次成分神經網路算法
4.1.2 次成分神經網路算法存在的問題
4.1.3 次成分神經網路算法的發展
4.2 次成分分析神經網路與算法
4.2.1 提取第一個次成分算法
4.2.2 次子空間跟蹤算法
4.2.3 多個次成分提取
4.2.4 自穩定次成分分析
4.2.5 正交化的Oja算法
4.2.6 其他次成分分析算法
4.3 次成分分析神經網路算法發散現象分析
4.3.1 普通發散現象
4.3.2 突然發散現象
4.3.3 不穩定發散現象
4.3.4 數值發散現象
4.3.5 自穩定特性分析
4.4 高維數據流的次子空間跟蹤神經網路算法
4.4.1 次子空間及其跟蹤算法
4.4.2 一種自穩定的次成分分析算法
4.4.3 通過DCT方法對算法收斂性能的分析
4.4.4 算法的發散性能分析
4.4.5 通過SDT方法的算法自穩定特性分析
4.4.6 次子空間跟蹤算法
4.5 本章小結
參考文獻
第五章 特徵信息網路確定性離散時間系統
5.1 引言
5.2 神經網路確定性離散時間系統
5.3 Hebbian神經元網路確定性離散時間系統行為分析
5.3.1 DCT近似及局限性
5.3.2 Oja算法DDT系統及局部性能分析
5.3.3 Oja算法DDT系統的全局性能分析
5.4 一種新的自穩定次成分分析算法及確定性離散時間系統分析
5.4.1 新的自穩定次成分分析算法的提出
5.4.2 通過確定性DDT系統對算法的收斂性能分析
5.4.3 通過確定性DDT系統對算法的穩定性能分析
5.4.4 計算機仿真實驗
5.5 統一的主/次成分分析學習算法及確定性離散時間學習分析
5.5.1 算法的收斂特性分析
5.5.2 計算機仿真
5.6 本章小結
參考文獻
第六章 雙目的主/次子空間神經網路跟蹤算法
6.1 引言
6.2 雙目的特徵提取神經網路方法
6.2.1 雙目的特徵提取的必要性
6.2.2 Chen雙目的特徵提取方法
6.2.3 其他幾種雙目的方法的簡要分析
6.3 一種新的雙目的特徵提取神經網路算法
6.3.1 預備知識
6.3.2 一個新穎的信息準則及其前景
6.3.3 新的雙目的主/次子空間梯度流
6.3.4 計算機仿真實驗
6.3.5 定理的證明與推導
6.3.6 算法小結
6.4 本章小結
參考文獻
第七章 總體最小二乘與神經網路疊代求取算法
7.1 引言
7.2 總體最小二乘方法
7.2.1 經典總體最小二乘
7.2.2 加權總體最小二乘
7.2.3 結構總體最小二乘
7.3 總體最小二乘遞歸類方法
7.3.1 Davila RTLS算法
7.3.2 Feng 快速RTLS算法
7.3.3 Feng AIP算法
7.4 總體最小二乘神經網路方法
7.4.1 總體最小二乘神經網路方法
7.4.2 GAO TLS神經元方法
7.4.3 EXIN TLS神經元方法
7.4.4 Bruce混合LSTLS算法
7.5 一個新的總體最小二乘線性核及其自穩定算法
7.5.1 採用DCT對所提算法的性能分析
7.5.2 採用SDT對所提算法的瞬態行為分析
7.5.3 計算機仿真實驗
7.6 本章小結
參考文獻
第八章 特徵信息提取神經網路與算法套用
8.1 引言
8.2 主成分提取神經網路與算法的套用
8.2.1 通信中的特徵提取與降維
8.2.2 圖像處理中的數據壓縮
8.2.3 多重信號分類和波達方向估計
8.3 次成分提取神經網路與算法的套用
8.3.1 曲線與曲面匹配套用
8.3.2 Pisarenko法譜估計
8.4 總體最小二乘神經網路與算法的套用
8.4.1 FIR自適應濾波的總體最小二乘算法
8.4.2 線上參數估計中的套用
8.4.3 在自適應控制中的套用
8.4.4 在複雜系統故障診斷中的套用
8.5 本章小結
參考文獻
