同類熱銷排行榜

智能信息融合與目標識別方法

作者：胡玉蘭//郝博//王東明//郝偉光//秦麗娟等
出版社：機械工業
ISBN：9787111593171

出版日期：2018/05/01
裝幀：平裝
頁數：195

人民幣：RMB 59 元售價：元

內容大鋼

胡玉蘭、郝博、王東明等著的《智能信息融合與目標識別方法》研究了信息融合目標識別技術，首先分析了特徵級融合目標識別的基本理論，然後研究了多源圖像的預處理、結合閾值分割的分水嶺演算法、結合聚類分割的分水嶺演算法、目標特徵提取方法。對於特徵融合方法，研究了基於協方差矩陣多特徵信息融合、基於主成分分析的特徵融合方法、基於改進免疫遺傳的特徵融合方法、基於獨立分量的特徵融合、對典型相關分析特徵融合方法的改進。最後介紹了基於優化改進的反向傳播神經網路目標識別、模糊支持向量機理論與編程實現、基於模糊支持向量機的識別系統實現。
本書適合從事多源信息融合理論、目標識別技術研究和工程應用的技術人員閱讀，也可作為高等院校相關專業高年級本科生和研究生的參考教材。

作者介紹

胡玉蘭//郝博//王東明//郝偉光//秦麗娟等

前言
第1章  緒論
  1.1 概述
  1.2 研究現狀
第2章  特徵級融合目標識別的基本理論
  2.1 信息融合目標識別結構
  2.2 特徵級融合目標識別系統基本結構
  2.3 特徵級融合目標識別的關鍵問題分析
    2.3.1 特徵資料庫
    2.3.2 特徵提取
    2.3.3 特徵融合
    2.3.4 目標識別
  2.4 本章小結
第3章  多源圖像的預處理
  3.1 多源圖像的去噪
    3.1.1 雜訊分析
    3.1.2 常用的圖像去噪方法
    3.1.3 幾種較新的去噪方法
  3.2 多源圖像的平滑
    3.2.1 均值平滑法
    3.2.2 鄰域平均法
    3.2.3 加權平均法
    3.2.4 選擇式掩模平滑法
  3.3 多源圖像的濾波
    3.3.1 低通濾波
    3.3.2 高通濾波
    3.3.3 中值濾波
    3.3.4 維納濾波
  3.4 本章小結
第4章  結合閾值分割的分水嶺演算法
  4.1 引言
  4.2 圖像閾值分割概述
  4.3 常用的閾值分割方法
    4.3.1 全局閾值法
    4.3.2 局部閾值法
    4.3.3 動態閾值法
  4.4 改進的最大類間方差法
  4.5 本章小結
第5章  結合聚類分割的分水嶺演算法
  5.1 圖像聚類分割概述
  5.2 常用的圖像聚類分割演算法
    5.2.1 劃分聚類演算法
    5.2.2 層次聚類演算法
    5.2.3 基於密度的聚類演算法
    5.2.4 基於模型的聚類演算法
    5.2.5 基於網格的聚類演算法
  5.3 改進的FCM聚類分割演算法
  5.4 本章小結
第6章  目標特徵提取方法
  6.1 傳統的特徵提取方法

    6.1.1 經典的特徵提取方法
    6.1.2 多項式不變矩
    6.1.3 共生矩陣
  6.2 紅外和可見光圖像特徵提取和融合
    6.2.1 多感測器特徵提取
    6.2.2 目標區域分割和檢測
    6.2.3 特徵提取與融合
  6.3 本章小結
第7章  基於協方差矩陣多特徵信息融合
  7.1 圖像特徵提取
    7.1.1 多感測器特徵提取
    7.1.2 灰度特徵
    7.1.3 空間信息特徵
    7.1.4 梯度信息特徵
  7.2 協方差矩陣的構造
    7.2.1 協方差矩陣與協方差
    7.2.2 協方差矩陣距離的度量
    7.2.3 特徵協方差
  7.3 多特徵信息融合
  7.4 融合實驗結果與分析
  7.5 本章小結
第8章  基於主成分分析的特徵融合方法
  8.1 特徵提取
    8.1.1 灰度共生矩陣
    8.1.2 Hu不變矩
  8.2 幾何特徵
  8.3 主成分分析的定義
    8.3.1 主成分分析的基本原理
    8.3.2 數學模型
    8.3.3 主成分的推導
  8.4 基於主成分分析的圖像特徵級融合實現
    8.4.1 目標特徵的提取
    8.4.2 特徵融合
    8.4.3 實驗結果與分析
  8.5 本章小結
第9章  基於改進免疫遺傳的特徵融合方法
  9.1 遺傳演算法基礎理論
    9.1.1 遺傳演算法概述
    9.1.2 遺傳演算法流程
  9.2 一般的免疫演算法基礎理論
    9.2.1 免疫演算法概述
    9.2.2 免疫演算法流程
    9.2.3 一般的免疫遺傳演算法
  9.3 基於改進免疫遺傳的圖像特徵級融合實現
    9.3.1 改進演算法的關鍵技術
    9.3.2 基於改進免疫遺傳的特徵融合原理
    9.3.3 特徵級融合實現
    9.3.4 實驗結果與分析
  9.4 本章小結
第10章  基於獨立分量的特徵融合

  10.1 ICA的定義
  10.2 隨機變數的獨立性概念
  10.3 ICA獨立性的度量
    10.3.1 非高斯性
    10.3.2 互信息
  10.4 快速固定點ICA演算法
  10.5 基於ICA的圖像特徵級融合實現
    10.5.1 ICA的預處理
    10.5.2 特徵融合
  10.6 實驗結果與分析
  10.7 本章小結
第11章  對典型相關分析特徵融合方法的改進
  11.1 CCA的基本思想
  11.2 CCA的基本原理
    11.2.1 CCA的數學描述
    11.2.2 典型相關的定義及導出
    11.2.3 CCA的基本性質
  11.3 典型相關變數和相關係數的求解步驟
  11.4 基於CCA改進演算法的圖像特徵級融合實現
    11.4.1 改進演算法的關鍵技術
    11.4.2 特徵融合過程
  11.5 實驗結果與分析
  11.6 本章小結
第12章  基於優化改進的反向傳播神經網路目標識別
  12.1 BP神經網路
    12.1.1 BP網路模型
    12.1.2 BP神經網路結構
    12.1.3 BP神經網路訓練學習
    12.1.4 BP神經網路主要特點
  12.2 改進的BP神經網路
  12.3 PSO演算法的基本原理和理論基礎
    12.3.1 PSO演算法的基本原理
    12.3.2 PSO演算法的基本流程
  12.4 PSO優化改進的BP神經網路
    12.4.1 PSO優化問題分析
    12.4.2 PSO優化演算法流程
  12.5 模擬結果分析和識別系統實現
    12.5.1 模擬結果分析
    12.5.2 識別系統實現
  12.6 本章小結
第13章  模糊支持向量機理論與編程實現
  13.1 模糊數學理論
    13.1.1 模糊數學的發展歷程
    13.1.2 模糊集
    13.1.3 幾種常見的模糊隸屬度函數
  13.2 支持向量機理論
    13.2.1 經驗風險
    13.2.2 結構風險最小化
    13.2.3 最優超平面
    13.2.4 VC維數

    13.2.5 核函數
  13.3 模糊支持向量機理論
    13.3.1 第一種模糊支持向量機
    13.3.2 第二種模糊支持向量機
  13.4 模糊隸屬度核函數的選擇
    13.4.1 基於類中心距離的隸屬度函數
    13.4.2 基於S形函數的隸屬度函數
    13.4.3 基於π形函數的隸屬度函數
  13.5 模糊支持向量機演算法的編程實現
  13.6 本章小結
第14章  基於模糊支持向量機的識別系統實現
  14.1 模糊支持向量機識別系統的架構
  14.2 圖像預處理部分的實現
    14.2.1 文件的打開與顯示
    14.2.2 預處理模塊圖像增強的執行
    14.2.3 預處理模塊圖像分割的執行
  14.3 特徵提取部分的實現
    14.3.1 文件的打開與顯示
    14.3.2 感測器類型的選擇
    14.3.3 計算相應的特徵值
    14.3.4 特徵值的存儲
  14.4 目標特徵資料庫系統的技術實現
    14.4.1 特徵資料庫管理系統的構建
    14.4.2 目標動態特徵庫管理技術
    14.4.3 目標特徵資料庫建立
    14.4.4 資料庫管理系統編程實現
  14.5 模型訓練部分
  14.6 目標識別部分
    14.6.1 目標識別模塊工作流程與結果顯示
    14.6.2 目標識別結果分析與對比
  14.7 本章小結
參考文獻

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

智能信息融合與目標識別方法