- 作 者：王雪松，潘杰，程玉虎著
- 出 版 社：北京：科学出版社
- 出版年份：2016
- ISBN：9787030513953
- 标注页数：200 页
- PDF页数：211 页
请阅读订购服务说明与试读!
订购服务说明
1、本站所有的书默认都是PDF格式，该格式图书只能阅读和打印，不能再次编辑。
2、除分上下册或者多册的情况下，一般PDF页数一定要大于标注页数才建议下单购买。【本资源211 ≥200页】
图书下载及付费说明
1、所有的电子图书为PDF格式，支持电脑、手机、平板等各类电子设备阅读；可以任意拷贝文件到不同的阅读设备里进行阅读。
2、电子图书在提交订单后一般半小时内处理完成,最晚48小时内处理完成。(非工作日购买会延迟)
3、所有的电子图书都是原书直接扫描方式制作而成。
第1章 知识迁移概述 1
1.1 知识迁移的提出和发展 2
1.1.1 知识迁移的提出 2
1.1.2 知识迁移的发展 3
1.2 知识迁移的概念 4
1.2.1 知识迁移的基本概念 4
1.2.2 知识迁移与机器学习的关系 5
1.3 知识迁移的分类 7
1.3.1 基于实例的迁移 7
1.3.2 基于参数的迁移 8
1.3.3 基于特征的迁移 9
1.3.4 基于相关知识的迁移 9
1.3.5 基于模型的迁移 10
1.4 知识迁移的主要形式与应用 11
1.4.1 分类迁移 11
1.4.2 决策迁移 16
1.4.3 色彩迁移 20
1.4.4 优化迁移 27
1.5 本书主要内容及安排 30
1.6 本章小结 33
参考文献 33
第2章 基于局部保持投影的特征迁移 40
2.1 低维特征表示 41
2.2 基于LPP的多源特征迁移 43
2.2.1 系统原理图 43
2.2.2 迁移源筛选 46
2.2.3 LPP特征迁移 47
2.2.4 算法步骤 49
2.3 试验结果与分析 50
2.3.1 人脸特征迁移 50
2.3.2 不同特征迁移方法效果对比 51
2.3.3 单样本特征迁移精度分析 53
2.4 本章小结 55
参考文献 55
第3章 加权多源TrAdaBoost算法 57
3.1 TrAdaBoost算法简介 57
3.2 加权多源TrAdaBoost算法 58
3.2.1 基本符号 59
3.2.2 TrAdaBoost算法流程 59
3.3 理论分析 61
3.3.1 源领域训练集样本损失值分析 61
3.3.2 目标领域训练集测试误差分析 64
3.3.3 时间复杂度分析 65
3.4 试验及其结果对比 66
3.4.1 双月型数据集试验 66
3.4.2 文本分类试验 70
3.5 本章小结 72
参考文献 72
第4章 多源Tri-Training知识迁移 73
4.1 半监督学习简介 73
4.2 多源Tri-Training知识迁移 74
4.2.1 Tri-Training算法 74
4.2.2 多源Tri-Training知识迁移 75
4.2.3 算法结构 75
4.2.4 算法流程 75
4.3 试验结果与对比 76
4.4 本章小结 80
参考文献 81
第5章 基于样本分布信息的跨领域知识迁移 82
5.1 领域适应学习 82
5.2 基于样本局部判别权重的加权迁移成分分析 83
5.2.1 问题描述 83
5.2.2 迁移成分分析 84
5.2.3 局部判别权重 84
5.2.4 加权迁移 86
5.3 基于样本分布信息的最大分布加权均值差异 89
5.4 基于MDWMD的领域适应学习 91
5.4.1 联合分布调整 91
5.4.2 投影矩阵 92
5.4.3 目标函数 93
5.4.4 算法步骤 93
5.5 试验结果与对比 94
5.5.1 试验数据集 94
5.5.2 试验结果及分析 95
5.6 本章小结 98
参考文献 99
第6章 基于相似度衡量的决策树迁移 100
6.1 研究动机 100
6.2 决策迁移数学描述 101
6.2.1 领域与任务 101
6.2.2 决策迁移 102
6.3 多源决策树相似度衡量与误差分析 103
6.4 算法流程与仿真研究 107
6.4.1 算法流程 107
6.4.2 精度与复杂度分析 107
6.4.3 ROC特性分析 109
6.4.4 文本分类研究 111
6.5 本章小结 112
参考文献 113
第7章 基于极限学习机的多源强化知识迁移 114
7.1 强化迁移机制 114
7.2 基于ELM的Q学习 115
7.3 基于ELM的多源迁移Q学习 117
7.3.1 系统原理图 117
7.3.2 任务空间与样本空间迁移 119
7.4 算法步骤与仿真分析 121
7.4.1 算法步骤 121
7.4.2 仿真分析 121
7.5 本章小结 126
参考文献 127
第8章 基于主动轮廓探索的多源色彩迁移 128
8.1 色彩迁移 128
8.2 系统结构 129
8.3 基于主动轮廓探索的多源色彩迁移 131
8.4 试验结果与分析 133
8.4.1 试验设定 133
8.4.2 多源迁移效果影响因素分析 134
8.4.3 与局部迁移算法的对比 137
8.5 本章小结 139
参考文献 139
第9章 基于纹理相似性的多源局部色彩迁移算法 141
9.1 局部色彩迁移 141
9.2 多源局部色彩迁移算法 142
9.2.1 爬山分割算法 143
9.2.2 灰度共生矩阵 143
9.2.3 多源局部色彩迁移算法 145
9.2.4 算法流程 146
9.3 试验结果与对比 147
9.3.1 单源局部迁移 147
9.3.2 多源局部迁移 149
9.3.3 灰度图色彩迁移 151
9.4 本章小结 153
参考文献 153
第10章 基于图构建的多源参数迁移 155
10.1 参数迁移 155
10.2 ACO参数邻接迁移矩阵 156
10.2.1 ACO参数分析 156
10.2.2 邻接迁移矩阵 157
10.3 基于扩展模型图的多源参数迁移 158
10.4 目标任务的参数优化 159
10.5 仿真研究与分析 160
10.5.1 环境设定 160
10.5.2 迁移性能分析 160
10.6 本章小结 164
参考文献 164
第11章 基于样本空间筛选的优化迁移 166
11.1 Ant-Q优化迁移 166
11.2 多源迁移Ant-Q算法 167
11.3 基于先验概率的样本空间筛选 169
11.4 TSP仿真研究 171
11.4.1 单源迁移TSP问题 171
11.4.2 多源迁移TSP问题 175
11.5 本章小结 176
参考文献 176
附录 部分知识迁移学习算法MATLAB源程序 178
程序1 第2章基于局部保持投影的特征迁移MATLAB源程序 178
程序2 第6章基于相似度衡量的决策树迁移部分MATLAB源程序 184
程序3 第8章基于主动轮廓探索的色彩迁移部分MATLAB源程序 192
索引 199