稀疏表示學習理論與應用 田博 朱鵬程 9787564242053 【台灣高等教育出版社】

圖書均為代購,正常情形下,訂後約兩周可抵台。
物品所在地:中國大陸
原出版社:上海財經大學
NT$560
商品編號:
供貨狀況: 尚有庫存

此商品參與的優惠活動

加入最愛
商品介紹
*數量非實際在台庫存
*完成訂單後正常情形下約兩周可抵台

*本賣場提供之資訊僅供參考,以到貨標的為實際資訊。
印行年月:202311*若逾兩年請先於私訊洽詢存貨情況,謝謝。
台灣(台北市)在地出版社,每筆交易均開具統一發票,祝您中獎最高1000萬元。
書名:稀疏表示學習理論與應用
ISBN:9787564242053
出版社:上海財經大學
著編譯者:田博 朱鵬程
頁數:xxx
所在地:中國大陸 *此為代購商品
書號:1591159
可大量預訂,請先連絡。

內容簡介
本書介紹稀疏表示學習理論與相關應用。第1章 概述信號稀疏性與壓縮感知的關係、壓縮感知的研究內容。第2章 介紹稀疏概念與稀疏表示數學模型。第3章 介紹小波變換、脊波變換及波變換。第4章 討論信號重構的確定性與概率性證明。第5章 討論稀疏表示字典學習。第6章 討論LASSO模型及其應用。第7章 討論Dantzig選擇器理論。第8章 討論稀疏貝葉斯分類模型。第9章 分析次梯度優化方法、閾值迭代方法、交替方向乘子法、坐標下降法等。第10章 分析Lq優化近似計算方法。第11章 分析稀疏子空間聚類算法。第12到14章 探討稀疏表示在人臉檢測與識別、運動檢測、非負矩陣分解等中的相關應用。本書可作為人工智能、模式識別、圖像信息處理與計算機以及應用數學等相關專業的本科大學生和研究生的參考書。

目錄

第1章 稀疏表示與壓縮感知概述 /1 1 1 稀疏性實例 /1 1 2 稀疏表示的研究背景 /3 1 3 信號稀疏表示的發展 /4 1 4 信號稀疏表示概述 /5 1 5 壓縮感知理論 /7 本章 小結 /13
第2章 稀疏表示模型 /14 2 1 稀疏性的概念 /14 2 2 信號稀疏-冗餘表示 /15 2 3 稀疏表示模型 /17 2 4 稀疏表示學習算法 /24 本章 小結 /29
第3章 小波變換、脊波變換及波變換 /30 3 1 小波變換 /30 3 2 脊波變換 /39 3 3 波變換 /44 本章 小結 /49
第4章 稀疏表示理論分析 /50 4 1 問題(P0)和問題(P1)的等價性 /50 4 2 稀疏表示理論概率性證明 /56 4 3 稀疏隨機矩陣的有限等距性質 /61 本章 小結 /66
第5章 稀疏字典學習 /67 5 1 稀疏字典學習概述 /67 5 2 匹配追蹤算法 /68 5 3 非監督字典學習 /73 5 4 稀疏分解 ASR算法 /80 本章 小結 /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 仿真實驗分析 /93 本章 小結 /96
第7章 Dantzig選擇器 /97 7 1 Dantzig選擇器模型 /97 7 2 DS問題解性分析 /99 7 3 原始對偶追蹤算法分析 /104 7 4 原始對偶內點法 /108 7 5 ADMM 求解Dantzig選擇器 /110 7 6 DASSO方法 /112 7 7 仿真實驗分析 /114 本章 小結 /120
第8章 稀疏貝葉斯學習 /121 8 1 稀疏貝葉斯學習概述 /121 8 2 正則化稀疏貝葉斯學習 /123 8 3 概率稀疏表示分類方法 /127 本章 小結 /129
第9章 稀疏表示中常用的優化算法 /130 9 1 次梯度優化算法 /130 9 2 ADMM 算法 /136 9 3 近端線性化近似佈雷格曼(Bregman)算法 /144 9 4 坐標下降法 /148 9 5 閾值迭代法 /156 本章 小結 /162
第10章 Lq 優化模型近似計算方法 /163 10 1 L0 範數平滑函數法 /163 10 2 L1/2 正則化理論 /165 10 3 迭代重加權Lq 極小化算法 /171 10 4 迭代重加權最小二乘法 /175 本章 小結 /177
第11章 稀疏子空間聚類 /178 11 1 子空間聚類概述 /178 11 2 稀疏子空間聚類 /180 11 3 稀疏子空間聚類社區發現 /186 本章 小結 /192
第12章 基於稀疏表示的人臉識別與檢測 /193 12 1 基於稀疏表示的人臉識別方法 /193 12 2 基於稀疏表示的人臉檢測方法 /198 本章 小結 /205
第13章 基於稀疏表示的運動目標檢測 /206 13 1 RPCA運動目標檢測方法 /206 13 2 基於低秩-稀疏表示的運動目標檢測方法 /207 13 3 基於低秩-稀疏與全變分表示的運動目標檢測方法/215 本章 小結 /226
第14章 稀疏約束條件下的非負矩陣分解 /227 14 1 非負矩陣分解概述 /227 14 2 非負矩陣分解迭代算法 /228 14 3 SSC-NMF結合的社區發現方法 /234 14 4 仿真實驗分析 /237 本章 小結 /242 參考文獻 /243

詳細資料或其他書籍請至台灣高等教育出版社查詢,查後請於PChome商店街私訊告知ISBN或書號,我們即儘速上架。

規格說明
運送方式
已加入購物車
已更新購物車
網路異常,請重新整理