深度稀疏多尺度网络及应用 - 生成式人工智能前沿丛书 - 中国高校教材图书网
|
书名： |
深度稀疏多尺度网络及应用
生成式人工智能前沿丛书
|
| ISBN： | 9787560674971 |
条码： | 9787560674971 |
| 作者： |
焦李成
相关图书
|
装订： | |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥55.00
折扣价：￥52.25
折扣：0.95
节省了2.75元
|
字数： |
320千字
|
| 出版社： |
西安电子科技大学出版社 |
页数： |
407页
|
| 发行编号： | |
每包册数： |
|
| 出版日期： |
2025-04-08 |
|
|
| 内容简介： |
本书全面且系统地阐述了深度稀疏多尺度网络的技术理论及其应用。首先介绍了深度稀疏学习理论、 多尺度几何逼近理论以及多尺度神经网络表征学习理论；然后介绍了深度稀疏及多尺度相关的具体应用；最后对深度稀疏多尺度网络理论的研究难点及未来发展方向进行了详细分析与展望，为后续的研究工作提供了探索方向。
本书可作为人工智能、 计算机科学与技术、 电子信息工程、 智能科学与技术、控制科学与工程等专业的教学用书，适用于专科、 本科以及研究生层次的教学， 也可作为相关领域科研人员的技术参考书，为培养应用型、技能型、实战型人才提供坚实的基础。 此外，本书也可以为具有一定知识储备的深度学习、 图像处理、 特征分析等领域的从业者及爱好者提供参考。
|
| 作者简介： |
|
|
| 章节目录： |
|
第1章 深度稀疏学习理论 1
1.1 深度学习的发展与研究现状 1
1.1.1 深度学习的基本概况 1
1.1.2 深度学习的研究现状 5
1.1.3 深度学习的瓶颈问题 9
1.2 稀疏认知学习、计算与识别 11
1.2.1 生物视觉稀疏认知机理 11
1.2.2 稀疏编码模型 12
1.2.3 稀疏认知学习、计算与识别的研究脉络 13
1.3 稀疏深度学习研究 15
1.3.1 深度学习中的稀疏性 15
1.3.2 稀疏深度学习的理论研究 16
1.4 稀疏深度学习的研究难点 18
本章小结 18
本章参考文献 19
第2章 多尺度几何逼近理论 25
2.1 小波分析与多尺度几何分析 25
2.1.1 由傅里叶到小波分析理论 25
2.1.2 Gabor系统的逼近 27
2.2 多尺度几何分析的基础 30
2.2.1 由小波到多尺度几何理论 30
2.2.2 脊波变换 32
2.2.3 曲线波变换 32
2.2.4 楔波变换 34
2.2.5 小线变换 35
2.2.6 条带波变换 38
2.2.7 轮廓波变换 40
2.2.8 剪切波变换 40
2.2.9 梳状波变换 41
2.2.10 方向波变换 43
2.3 多尺度几何变换的逼近性质 44
2.4 多尺度几何神经网络的逼近理论 45
2.4.1 神经网络逼近理论 45
2.4.2 多尺度几何逼近修正 47
本章小结 48
本章参考文献 49
第3章 多尺度神经网络表征学习理论 52
3.1 多尺度表征学习相关概念及特性 52
3.2 多尺度几何表征与学习 56
3.2.1 小波表征学习 57
3.2.2 脊波表征学习 58
3.2.3 曲线波表征学习 58
3.2.4 楔波表征学习 59
3.2.5 小线表征学习 60
3.2.6 条带波表征学习 61
3.2.7 轮廓波表征学习 62
3.2.8 剪切波表征学习 63
3.2.9 梳状波表征学习 64
3.2.10 方向波表征学习 64
本章小结 66
本章参考文献 66
第4章 快速稀疏深度神经网络 71
4.1 深度神经网络泛化策略 71
4.2 稀疏深度神经网络相关背景知识 73
4.2.1 从稀疏表示到深度神经网络 73
4.2.2 基于反向传播算法的深度学习框架分析 75
4.2.3 层次极限学习机 76
4.3 快速稀疏深度神经网络框架与分析 77
4.3.1 单隐层多通道极限学习机 78
4.3.2 多隐层单通道极限学习机 79
4.3.3 快速稀疏深度神经网络 80
4.3.4 快速稀疏深度神经网络的通用逼近性证明 82
4.4 快速稀疏深度神经网络性能分析 83
4.4.1 单隐层多通道极限学习机与极限学习机的性能对比 83
4.4.2 多隐层单通道极限学习机与层次极限学习机的性能对比 88
4.4.3 快速稀疏深度神经网络与经典深度网络的性能对比 95
4.4.4 快速稀疏深度神经网络应用于Fashion MNIST及性能分析 98
本章小结 100
本章参考文献 101
第5章 稀疏深度组合神经网络 104
5.1 小样本学习问题 104
5.2 稀疏深度组合神经网络相关背景知识 106
5.2.1 从RVFL到BLS 106
5.2.2 从GAN到InfoGAN 108
5.3 稀疏深度组合神经网络框架与分析 110
5.3.1 基于GAN的样本组合机制 110
5.3.2 基于模式分类的数据学习 112
5.3.3 稀疏深度组合神经网络 114
5.3.4 三个部分之间的关系 117
5.4 稀疏深度组合神经网络性能分析 117
5.4.1 基于InfoGAN的样本组合机制的性能评估与分析 117
5.4.2 SDCNN与经典深度学习算法的性能对比 120
5.5 样本学习的潜在研究方向 127
本章小结 129
本章参考文献 130
第6章 稀疏深度堆栈神经网络 132
6.1 从深度凸网络到深度堆栈网络 132
6.2 稀疏深度堆栈神经网络相关基础知识 134
6.2.1 深度堆栈自编码网络 134
6.2.2 深度堆栈神经网络 136
6.2.3 极限学习机的研究进展 137
6.3 稀疏深度堆栈神经网络模型与分析 138
6.3.1 稀疏深度堆栈极限学习机 138
6.3.2 稀疏深度张量极限学习机 141
6.4 稀疏深度堆栈神经网络性能评估与分析 144
6.4.1 稀疏深度堆栈极限学习机的实验结果与分析 144
6.4.2 稀疏深度张量极限学习机的实验结果与分析 150
本章小结 155
本章参考文献 156
第7章 稀疏深度判别神经网络 159
7.1 线性判别分析模型 159
7.2 稀疏深度判别神经网络相关基础知识 161
7.2.1 神经网络中的随机性 161
7.2.2 从ELM/RVFL到DSAE/DSN 162
7.2.3 从SRC到DPL 163
7.2.4 从S-ELM到D-ELM 165
7.3 稀疏深度判别学习模型的框架与分析 167
7.3.1 基于SRC的稀疏深度判别神经网络 167
7.3.2 基于DPL的稀疏深度判别神经网络 168
7.4 稀疏深度判别神经网络性能评估与分析 169
7.4.1 ELM、 S-ELM与D-ELM之间的性能对比 169
7.4.2 稀疏深度判别学习模型与经典方法之间的性能对比 173
7.4.3 稀疏深度判别学习模型的应用 177
本章小结 178
本章参考文献 179
第8章 稀疏深度差分神经网络 182
8.1 小波变换与差分机制 182
8.2 稀疏深度差分神经网络相关背景知识 184
8.2.1 小波分析与深度学习 184
8.2.2 Mallat算法 185
8.2.3 基于RVFL与ELM的稀疏自编码器 186
8.3 稀疏深度差分神经网络框架与分析 188
8.3.1 差分特征学习 188
8.3.2 基于RVFL-SAE的MDL的稀疏深度差分神经网络 190
8.3.3 基于ELM-SAE的MDL的稀疏深度差分神经网络 192
8.3.4 用于模式分类的稀疏深度差分神经网络 193
8.3.5 稀疏深度差分神经网络的算法复杂度 195
8.4 稀疏深度差分神经网络性能评估与分析 195
8.4.1 模式分类任务 196
8.4.2 重构任务 202
本章小结 205
本章参考文献 206
第9章 深度Wishart稀疏编码器 209
9.1 数据特性分析及分类器模型 209
9.1.1 Polsar数据分析和Wishart分类器模型 210
9.1.2 AE和CAE分类器模型 211
9.2 基于AE及CAE的特征学习模型框架(WAE/WCAE) 212
9.2.1 Wishart自动编码器模型 212
9.2.2 Wishart卷积自动编码器 214
9.2.3 WAE或WCAE与Softmax分类器的组合 214
9.3 深度Wishart稀疏编码器性能评估与分析 215
9.3.1 Flevoland数据集分类结果 216
9.3.2 Xi’an-Area数据集分类结果 217
本章小结 219
本章参考文献 219
第10章 深度小波散射网络 221
10.1 小波与多小波神经网络 221
10.1.1 小波神经网络结构框架 221
10.1.2 多小波神经网络结构框架 223
10.2 Mallat小波散射网络 224
10.2.1 小波散射表征过程 225
10.2.2 小波散射神经网络结构框架 226
10.3 基于深度旋转平移散射网的目标分类 227
10.3.1 小波模块及级联运算过程 227
10.3.2 CIFAR和Caltech数据集分类结果 229
本章小结 230
本章参考文献 230
第11章 深度脊波网络 232
11.1 基于脊波核的SAR图像场景分类框架 232
11.1.1 SAR图像场景分类相关背景知识 232
11.1.2 脊波表征理论及脊波核设计 234
11.2 深度脊波网络参数设计及模型框架 235
11.2.1 深度脊波网络参数初始化方案 236
11.2.2 深度脊波网络参数更新过程 236
11.2.3 基于散斑抑制正则化的深度脊波网络模型 237
11.3 SAR图像区域地图融合与自适应场景分类算法 239
11.3.1 SAR图像区域地图融合 239
11.3.2 自适应场景分类算法性能评估与分析 240
本章小结 243
本章参考文献 243
第12章 深度曲线波散射网络 245
12.1 多尺度特征表征与逼近 245
12.1.1 神经网络的特征表征 245
12.1.2 多尺度表征与逼近 246
12.2 深度多尺度表征模块及多分辨率表征框架 247
12.2.1 基于小波散射变换的多分辨率表征模块 247
12.2.2 基于曲线波变换的方向性特征表征 248
12.2.3 多尺度多分辨率表征框架 249
12.3 基于多尺度散射与曲线波变换的特征表征框架 250
12.3.1 深度曲线波散射网结构框架 251
12.3.2 深度曲线波散射网学习过程及模块化描述 252
12.4 深度曲线波散射网性能评估与分析 253
12.4.1 复杂遥感数据集 253
12.4.2 基于深度多尺度表征的对比/消融实验 254
本章小结 257
本章参考文献 258
第13章 深度动态曲线波散射网络 260
13.1 多尺度多分辨率散射表征框架 261
13.1.1 基于小波散射的特征表征 261
13.1.2 基于多尺度曲线波变换的方向性特征表征 262
13.2 多尺度动态曲线波散射网络框架 262
13.2.1 数据复杂度评估与多尺度特征准备 263
13.2.2 多分辨率动态散射重用结构 266
13.3 基于多尺度散射与曲线波变换的特征表征框架 268
13.3.1 多尺度动态曲线波散射网络结构 268
13.3.2 多尺度动态特征表征过程 269
13.4 深度动态曲线波散射网性能评估与分析 269
13.4.1 消融实验结果与分析 270
13.4.2 对比实验结果与分析 272
本章小结 273
本章参考文献 273
第14章 深度轮廓波网络 275
14.1 轮廓波卷积神经网络 275
14.1.1 多分辨纹理表征 276
14.1.2 轮廓波稀疏表征理论 277
14.1.3 C-CNN网络框架及算法流程 279
14.1.4 C-CNN网络性能评估与分析 280
14.2 基于自适应Contourlet融合聚类的SAR图像变化检测 281
14.2.1 散斑噪声及差分图像分析 282
14.2.2 基于自适应Contourlet的融合聚类框架 283
14.2.3 SAR图像变化检测性能评估 286
本章小结 288
本章参考文献 288
第15章 深度复数神经网络 290
15.1 深度复数神经网络的相关概念 290
15.1.1 复数值表征方式 290
15.1.2 复数卷积 290
15.1.3 复数可微性 291
15.1.4 复值激活 291
15.1.5 复值批归一化 291
15.1.6 复值权重初始化 292
15.2 复数卷积神经网络 292
15.2.1 复数运算过程 293
15.2.2 复数卷积神经网络的结构设计 293
15.3 复数轮廓波网络 294
15.3.1 复数轮廓波网络的原理描述 295
15.3.2 复数域计算过程 295
15.3.3 复数轮廓波卷积神经网络的参数设计 296
15.4 半监督复值GAN网络 297
15.5 复数Transformer网络 299
本章小结 300
本章参考文献 301
第16章 公开问题与潜在方向 303
16.1 多尺度稀疏深度学习的公开问题 303
16.2 多尺度稀疏深度学习的潜在方向 304
16.2.1 稀疏机制与深度学习的潜在方向 304
16.2.2 多尺度学习表征的潜在方向 306
本章小结 307
本章参考文献 307
|
| 精彩片段： |
|
|
| 书 评： |
|
|
| 其 它： |
|
|
|
中国大学出版社协会 |
首页 |
宏观指导 |
出版社天地 |
图书代办站 |
教材图书信息 |
教材图书评论 |
在线订购 |
教材征订
