机器学习关键技术及应用

第1章　绪论 001 1.1　工业发展与机器学习 002 1.2　矩阵型分类学习 004 1.3　多视角学习 005 1.4　不平衡数据分类学习 007 1.5　集成学习 010 1.6　深度学习 010 参考文献 013 第2章　矩阵型分类学习 017 2.1　矩阵型方法概述 018 2.2　局部敏感判别矩阵学习机 020 2.2.1　LSDMatMHKS算法 020 2.2.2　实验与分析 027 2.3　矩阵多类学习机 041 2.3.1　McMatMHKS模型 041 2.3.2　实验 043 2.3.3　分析讨论 054 2.4　基于向量分离策略的高效矩阵型分类器 056 2.4.1　EMatMHKS模型 056 2.4.2　基于向量分离策略的高效矩阵型分类器 057 2.4.3　实验与分析 061 参考文献 077 第3章　多视角学习 081 3.1　概述 082 3.2　先验信息融合的正则化型分类器 084 3.2.1　挖掘数据先验信息 084 3.2.2　多核学习与经验核映射 085 3.2.3　TSMEKL模型 088 3.2.4　实验 093 3.2.5　推广风险分析 105 3.3　Nystr?m近似矩阵的多核学习算法 108 3.3.1　多核学习算法 108 3.3.2　NMKMHKS模型 110 3.3.3　实验 114 3.4　Universum的多视角分类学习算法 127 3.4.1　多视角学习算法 127 3.4.2　UMultiV-MHKS模型 127 3.4.3　实验 132 参考文献 149 第4章　不平衡数据分类学习 153 4.1　概述 154 4.2　基于数据空间信息的样本选择方法 156 4.2.1　样本选择框架NearCount 156 4.2.2　实验结果分析与讨论 164 4.3　基于二叉树结构的数据空间分治策略 185 4.3.1　SPT算法 185 4.3.2　实验结果分析与讨论 195 4.4　基于熵和万有引力的动态半径近邻分类器 216 4.4.1　EGDRNN模型 216 4.4.2　实验 222 4.4.3　分析讨论 232 参考文献 236 第5章　集成学习 239 5.1　概述 240 5.2　基于视角间相似度损失的多经验核集成学习模型 242 5.2.1　多视角与核学习的方法 242 5.2.2　MVE-EK算法模型 245 5.2.3　实验与分析 251 5.3　基于数据全局空间特性的多平衡子集协同训练算法 263 5.3.1　多平衡子集协同训练算法 263 5.3.2　基于数据全局空间特性的多平衡子集协同训练算法 264 5.3.3　实验与分析 268 5.4　基于熵与置信度的下采样Boosting集成 294 5.4.1　基于熵与置信度的下采样Boosting集成方法 294 5.4.2　ECUBoost算法模型 295 5.4.3　实验与分析 301 参考文献 320 第6章　深度学习 323 6.1　概述 324 6.2　基于扰动的助推器网络驱动协同训练模型 327 6.2.1　归纳式半监督的方法 327 6.2.2　BDCT模型 328 6.2.3　实验与分析 335 6.3　强制平滑的投影梯度下降对抗训练模型 345 6.3.1　防御对抗攻击的方法 345 6.3.2　SEAT模型 347 6.3.3　实验与分析 351 6.4　面向多标签图像分类的融合先验信息的语义补充模型 362 6.4.1　多标签图像分类的方法 362 6.4.2　融合先验信息的语义补充模型（SSNP） 364 6.4.3　实验结果与分析 369 参考文献 376 第7章　应用案例 381 7.1　脑电信号自动情感识别 382 7.1.1　脑电情感识别算法的应用与发展 382 7.1.2　脑电信号的类别与特点 382 7.1.3　脑电信号自动情感识别系统 387 7.1.4　总结 410 7.2　基于语音的生物认证系统 413 7.2.1　语音生物认证技术的研究背景 413 7.2.2　基于多网络集成的声纹识别系统描述 414 7.2.3　总结 426 7.3　面向图像分类的半监督学习系统 426 7.3.1　图像分类技术发展 426 7.3.2　基于半监督学习的图像分类系统 429 7.3.3　总结 438 参考文献 440