寬度學習及其應用

段俊偉張宗翔陳俊龍

出版商: 暨南大學出版社
出版日期: 2026-07-01
售價: $408
語言: 簡體中文
ISBN: 7566844563
ISBN-13: 9787566844569
相關分類: Machine Learning

下單後立即進貨 (約4週~6週)

商品描述

本書系統闡述了寬度學習這一新興機器學習範式的核心內容，全書分為基礎、理論與應用三大板塊，基礎部分立足淺腦假說，梳理了寬度學習的概念起源、歷史演進，對比了其與深度學習、淺層學習在架構、學習機制上的差異，並鋪墊了矩陣運算、偽逆、正則化等關鍵數學基礎；理論部分深入剖析了寬度學統（BLS）的架構與數學表達，拓展了協同競爭型、自適應進化圖正則化、模糊寬度學統等多種變體的核心機制；應用部分則通過計算機視覺應用、工業與工程應用、智慧醫療應用等多個跨領域案例，驗證了寬度學習的實用價值。書稿兼具跨學科融合性與理論實踐統一性，既整合了計算機科學、數學、統計學等多領域知識，以嚴謹的公式推導和理論證明築牢基礎，又通過詳盡的實驗設計、性能對比及案例分析實現理論落地，突出了寬度學習在訓練效率、可解釋性、增量學習等方面的優勢，為學術研究者與行業從業者提供了全面且實用的參考。

作者簡介

陳俊龍，博士、教授、博士生導師。現任華南理工大學計算機科學與工程學院院長，中國自動化學會副理事長，教育部健康智能感知與數字平行人工程研究中心主任，廣東省計算智能與網絡空間信息重點實驗室主任，電氣電子工程師協會會士（IEEE Fellow）、美國科學促進會會士（AAAS Fellow）、國際模式識別學會會士（IAPR Fellow）、中國自動化學會會士（CAA Fellow）、香港工程師學會會士（HKIE Fellow）,歐洲科學院（Academia Europaea）院士,歐洲科學與藝術院（European Academy of Sciences and Arts）院士。曾任IEEE兩個頂級學術期刊的主編。連續5年（2018一2022）入選科睿唯安（Clarivate Analytic）計算機科學及工程學雙學科全球“高被引科學家”。2018年榮獲IEEE系統科學控制論的最高學術獎——IEEE諾伯特·維納獎（Norbert Wiener Award）。榮獲2021年度IEEE Joseph G.Wohl終身成就獎及第十一屆“吳文俊人工智能傑出貢獻獎”。

目錄大綱

前言
第1章緒論
1.1 研究背景
1.2 研究問題與思路
1.3 研究現狀與挑戰
1.4 本書結構與核心內容
1.5 本章小結
第2章淺腦假說
2.1 背景介紹
2.2 從層級架構到淺腦假說
2.3 淺腦假說的核心內容
2.4 淺腦假說啟示
2.5 本章小結
第3章數學理論基礎
3.1 數學基礎
3.2 優化理論
3.3 本章小結
第4章寬度學習系統
4.1 背景介紹
4.2 稀疏自編碼器
4.3 BLS模型
4.4 增量學習算法
4.5 實驗驗證
4.6 本章小結
第5章寬度學習的深度擴展
5.1 背景介紹
5.2 寬度學習系統的結構變體
5.3 實驗驗證
5.4 本章小結
第6章模糊寬度學習系統
6.1 背景介紹
6.2 FBLS結構設計
6.3 數學原理
6.4 實驗驗證
6.5 本章小結
第7章極限模糊寬度學習系統
7.1 背景介紹
7.2 極限模糊寬度學習系統的結構與實現
7.3 E-FBLS的頻率原則
7.4 E-FBLS的性能分析
7.5 本章小結
第8章寬度學習的進階方法
8.1 判別性組稀疏化寬度學習
8.2 混合專家寬度學習
8.3 基於正則化技術的寬度學習模型
8.4 基於最小方差的雙核嵌入寬度學習
8.5 深度-寬度集成模型
8.6 本章小結
第9章基於寬度學習的多聚焦圖像融合
9.1 背景介紹
9.2 數學建模
9.3 像素級融合方法
9.4 區域級融合方法
9.5 實驗驗證
9.6 消融實驗與參數分析
9.7 本章小結
第10章基於寬度學習的工業故障檢測
10.1 背景介紹
10.2 方法概述
10.3 實驗設置
10.4 實驗結果
10.5 本章小結
第11章基於寬度學習的代謝綜合征早期篩查
11.1 代謝綜合征背景介紹及概述
11.2 方法概述
11.3 實驗設計與結果分析
11.4 臨床應用與展望
11.5 本章小結
附錄A 數學基礎補充
附錄B 算法代碼
附錄C 增量學習理論推導
附錄D 符號與縮略詞對照表
附錄E 核心定理證明
後記