書(shū)馨卡幫你省薪 2024個(gè)人購(gòu)書(shū)報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >
稀疏表示學(xué)習(xí)理論與應(yīng)用

稀疏表示學(xué)習(xí)理論與應(yīng)用

出版社：上海財(cái)經(jīng)大學(xué)出版社出版時(shí)間：2023-07-01
開(kāi)本： 16開(kāi) 頁(yè)數(shù)： 268
中 圖 價(jià):¥55.4(6.3折) 定價(jià)  ¥88.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車(chē) 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類(lèi)五星書(shū)更多>

稀疏表示學(xué)習(xí)理論與應(yīng)用 版權(quán)信息

稀疏表示學(xué)習(xí)理論與應(yīng)用 內(nèi)容簡(jiǎn)介

本書(shū)介紹稀疏表示學(xué)習(xí)理論與相關(guān)應(yīng)用。第1章概述信號(hào)稀疏性與壓縮感知的關(guān)系、壓縮感知的研究?jī)?nèi)容。第2章介紹稀疏概念與稀疏表示數(shù)學(xué)模型。第3章介紹小波變換、脊波變換及曲波變換。第4章討論信號(hào)重構(gòu)的確定性與概率性證明。第5章討論稀疏表示字典學(xué)習(xí)。第6章討論LASSO模型及其應(yīng)用。第7章討論Dantzig選擇器理論。第8章討論稀疏貝葉斯分類(lèi)模型。第9章分析次梯度優(yōu)化方法、閾值迭代方法、交替方向乘子法、坐標(biāo)下降法等。第10章分析Lq優(yōu)化近似計(jì)算方法。第11章分析稀疏子空間聚類(lèi)算法。第12到14章探討稀疏表示在人臉檢測(cè)與識(shí)別、運(yùn)動(dòng)檢測(cè)、非負(fù)矩陣分解等中的相關(guān)應(yīng)用。本書(shū)可作為人工智能、模式識(shí)別、圖像信息處理與計(jì)算機(jī)以及應(yīng)用數(shù)學(xué)等相關(guān)專(zhuān)業(yè)的本科大學(xué)生和研究生的參考書(shū)。

稀疏表示學(xué)習(xí)理論與應(yīng)用 目錄

第1章 稀疏表示與壓縮感知概述 /1 1.1 稀疏性實(shí)例 /1 1.2 稀疏表示的研究背景 /3 1.3 信號(hào)稀疏表示的發(fā)展 /4 1.4 信號(hào)稀疏表示概述 /5 1.5 壓縮感知理論 /7 本章小結(jié) /13 第2章 稀疏表示模型 /14 2.1 稀疏性的概念 /14 2.2 信號(hào)稀疏-冗余表示 /15 2.3 稀疏表示模型 /17 2.4 稀疏表示學(xué)習(xí)算法 /24 本章小結(jié) /29 第3章 小波變換、脊波變換及曲波變換 /30 3.1 小波變換 /30 3.2 脊波變換 /39 3.3 曲波變換 /44 本章小結(jié) /49 第4章 稀疏表示理論分析 /50 4.1 問(wèn)題(P0)和問(wèn)題(P1)的等價(jià)性 /50 4.2 稀疏表示理論概率性證明 /56 4.3 稀疏隨機(jī)矩陣的有限等距性質(zhì) /61 本章小結(jié) /66 第5章 稀疏字典學(xué)習(xí) /67 5.1 稀疏字典學(xué)習(xí)概述 /67 5.2 匹配追蹤算法 /68 5.3 非監(jiān)督字典學(xué)習(xí) /73 5.4 稀疏分解 ASR算法 /80 本章小結(jié) /82 第6章 LASSO模型 /83 6.1 LASSO概述 /83 6.2 LASSO理論 /84 6.3 LASSO模型求解 /88 6.4 仿真實(shí)驗(yàn)分析 /93 本章小結(jié) /96 第7章 Dantzig選擇器 /97 7.1 Dantzig選擇器模型 /97 7.2 DS問(wèn)題解特性分析 /99 7.3 原始對(duì)偶追蹤算法分析 /104 7.4 原始對(duì)偶內(nèi)點(diǎn)法 /108 7.5 ADMM 求解Dantzig選擇器 /110 7.6 DASSO方法 /112 7.7 仿真實(shí)驗(yàn)分析 /114 本章小結(jié) /120 第8章 稀疏貝葉斯學(xué)習(xí) /121 8.1 稀疏貝葉斯學(xué)習(xí)概述 /121 8.2 正則化稀疏貝葉斯學(xué)習(xí) /123 8.3 概率稀疏表示分類(lèi)方法 /127 本章小結(jié) /129 第9章 稀疏表示中常用的優(yōu)化算法 /130 9.1 次梯度優(yōu)化算法 /130 9.2 ADMM 算法 /136 9.3 近端線性化近似布雷格曼(Bregman)算法 /144 9.4 坐標(biāo)下降法 /148 9.5 閾值迭代法 /156 本章小結(jié) /162 第10章 Lq 優(yōu)化模型近似計(jì)算方法 /163 10.1 L0 范數(shù)平滑函數(shù)法 /163 10.2 L1/2 正則化理論 /165 10.3 迭代重加權(quán)Lq 極小化算法 /171 10.4 迭代重加權(quán)*小二乘法 /175 本章小結(jié) /177 第11章 稀疏子空間聚類(lèi) /178 11.1 子空間聚類(lèi)概述 /178 11.2 稀疏子空間聚類(lèi) /180 11.3 稀疏子空間聚類(lèi)社區(qū)發(fā)現(xiàn) /186 本章小結(jié) /192 第12章 基于稀疏表示的人臉識(shí)別與檢測(cè) /193 12.1 基于稀疏表示的人臉識(shí)別方法 /193 12.2 基于稀疏表示的人臉檢測(cè)方法 /198 本章小結(jié) /205 第13章 基于稀疏表示的運(yùn)動(dòng)目標(biāo)檢測(cè) /206 13.1 RPCA運(yùn)動(dòng)目標(biāo)檢測(cè)方法 /206 13.2 基于低秩-稀疏表示的運(yùn)動(dòng)目標(biāo)檢測(cè)方法 /207 13.3 基于低秩-稀疏與全變分表示的運(yùn)動(dòng)目標(biāo)檢測(cè)方法/215 本章小結(jié) /226 第14章 稀疏約束條件下的非負(fù)矩陣分解 /227 14.1 非負(fù)矩陣分解概述 /227 14.2 非負(fù)矩陣分解迭代算法 /228 14.3 SSC-NMF結(jié)合的社區(qū)發(fā)現(xiàn)方法 /234 14.4 仿真實(shí)驗(yàn)分析 /237 本章小結(jié) /242 參考文獻(xiàn) /243
展開(kāi)全部

稀疏表示學(xué)習(xí)理論與應(yīng)用 作者簡(jiǎn)介

田博，上海財(cái)經(jīng)大學(xué)信息管理與工程學(xué)院副教授，博士。研究方向：語(yǔ)義計(jì)算、消費(fèi)決策行為理論，及復(fù)雜網(wǎng)絡(luò)理論。近年在該領(lǐng)域以第一作者或通信作者發(fā)表論文30余篇，SCI／EI檢索近20篇；完成國(guó)家自然科學(xué)基金、國(guó)家高等學(xué)校博士點(diǎn)基金、上海市自然科學(xué)基金、國(guó)家博士后基金、教育部人文社科基金各1項(xiàng)。

暫無(wú)評(píng)論……
書(shū)友推薦
本類(lèi)暢銷(xiāo)
編輯推薦
返回頂部
中圖網(wǎng)
在線客服