注冊(cè) | 登錄讀書(shū)好,好讀書(shū),讀好書(shū)!
讀書(shū)網(wǎng)-DuShu.com
當(dāng)前位置: 首頁(yè)出版圖書(shū)科學(xué)技術(shù)自然科學(xué)數(shù)學(xué)實(shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析

實(shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析

實(shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析

定 價(jià):¥48.00

作 者: 朱永生 編著
出版社: 科學(xué)出版社
叢編項(xiàng): 現(xiàn)代物理基礎(chǔ)叢書(shū)
標(biāo) 簽: 概率論與數(shù)理統(tǒng)計(jì)

購(gòu)買(mǎi)這本書(shū)可以去


ISBN: 9787030236760 出版時(shí)間: 2009-02-01 包裝: 平裝
開(kāi)本: 16開(kāi) 頁(yè)數(shù): 188 字?jǐn)?shù):  

內(nèi)容簡(jiǎn)介

  《實(shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析》介紹實(shí)驗(yàn)或測(cè)量數(shù)據(jù)的多元統(tǒng)計(jì)分析方法,內(nèi)容包括:貝葉斯決策、線性判別方法、決策樹(shù)判別、人工神經(jīng)網(wǎng)絡(luò)、近鄰法、概率密度估計(jì)量法、"矩陣判別、函數(shù)判別分析、支持向量機(jī)法等,以及不同判別方法的比較。此外,還簡(jiǎn)要介紹了將多種多元統(tǒng)計(jì)分析方法的計(jì)算機(jī)程序匯集在一起的程序包TMVA(toolkit for multivariate data analysis),并分析了粒子物理實(shí)驗(yàn)數(shù)據(jù)分析中應(yīng)用多元統(tǒng)計(jì)分析方法的一些實(shí)例?!秾?shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析》可供實(shí)驗(yàn)物理王作者和大專院校相關(guān)專業(yè)師生、理論物理研究人員、工程技術(shù)人員及從事自然科學(xué)和社會(huì)科學(xué)的數(shù)據(jù)測(cè)量和分析研究人員參考。

作者簡(jiǎn)介

暫缺《實(shí)驗(yàn)數(shù)據(jù)多元統(tǒng)計(jì)分析》作者簡(jiǎn)介

圖書(shū)目錄

前言
第一章 緒論
1.1 模式和模式識(shí)別
1.2 模式識(shí)別系統(tǒng)
1.2.1 原始數(shù)據(jù)獲取
1.2.2 原始數(shù)據(jù)的預(yù)處理
1.2.3 特征提取和選擇
1.2.4 分類決策
1.3 數(shù)據(jù)矩陣與樣本空間
1.3.1 數(shù)據(jù)矩陣與樣本空間
1.3.2 模式的相似性度量
1.3.3 樣本點(diǎn)的權(quán)重和特征向量數(shù)據(jù)的預(yù)處理
1.4 主成分分析
1.4.1 主成分分析的基本思想
1.4.2 主成分分析算法
1.4.3 降維處理及信息損失
第二章 貝葉斯決策
2.1 基于最小錯(cuò)誤率的貝葉斯決策
2.1.1 決策規(guī)則
2.1.2 錯(cuò)誤率
2.1.3 分類器設(shè)計(jì)
2.2 Neyman-Pearson決策
2.3 正態(tài)分布時(shí)的貝葉斯決策
2.4 分類器的效率和錯(cuò)誤率
2.4.1 分類器的效率、錯(cuò)誤率和判選率矩陣
2.4.2 錯(cuò)誤率的上界
2.4.3 利用檢驗(yàn)樣本集估計(jì)判選率矩陣和錯(cuò)誤率
2.4.4 訓(xùn)練樣本集和檢驗(yàn)樣本集的劃分
2.4.5 利用判選率矩陣估計(jì)各類“真實(shí)”樣本數(shù)
2.4.6 分類器判定的“信號(hào)”樣本中錯(cuò)判事例的扣除
2.5 討論
第三章線性判別方法
3.1 線性判別函數(shù)
3.1.1 線性判別函數(shù)的基本概念
3.1.2 廣義線性判別函數(shù)
3.1.3 線性分類器的設(shè)計(jì)
3.2 Fisher線性判別
3.3 感知準(zhǔn)則函數(shù)
3.3.1 幾個(gè)基本概念
3.3.2 感知準(zhǔn)則函數(shù)
3.4 最小錯(cuò)分樣本數(shù)準(zhǔn)則函數(shù)
3.5 最小平方誤差準(zhǔn)則函數(shù)
3.5.1 平方誤差準(zhǔn)則函數(shù)及其MSE解
3.5.2 MSE準(zhǔn)則函數(shù)的梯度下降算法
3.5.3 隨機(jī)MSE準(zhǔn)則函數(shù)及其隨機(jī)逼近算法
3.6 多類問(wèn)題
第四章 決策樹(shù)判別
4.1 超長(zhǎng)方體分割法
4.1.1 超長(zhǎng)方體分割法的基本思想
4.1.2 超長(zhǎng)方體分割法中闡值的確定
4.1.3 超長(zhǎng)方體分割法的優(yōu)缺點(diǎn)及其改進(jìn)
4.1.4 超長(zhǎng)方體分割法用于高能物理實(shí)驗(yàn)分析
4.2 決策樹(shù)法
4.2.1 決策樹(shù)法的基本思想
4.2.2 信號(hào)/本底二元決策樹(shù)的構(gòu)建
4.2.3 決策樹(shù)的修剪
4.3 決策樹(shù)林法
4.3.1 決策樹(shù)林的構(gòu)建
4.3.2 決策樹(shù)林對(duì)輸入事例的分類
4.3.3 重抽樣法構(gòu)建決策樹(shù)林
第五章 人工神經(jīng)網(wǎng)絡(luò)
5.1 概述
5.1.1 生物神經(jīng)元和人工神經(jīng)元
5.1.2 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成和學(xué)習(xí)規(guī)則
5.2 感知器
5.2.1 單輸出單元感知器
5.2.2 多輸出單元感知器
5.3 多層前向神經(jīng)網(wǎng)絡(luò)和誤差逆?zhèn)鞑ニ惴?br />5.3.1 BP網(wǎng)絡(luò)學(xué)習(xí)算法
5.3.2 BP網(wǎng)絡(luò)學(xué)習(xí)算法的改進(jìn)
5.4 Hopfield神經(jīng)網(wǎng)絡(luò)
5.4.1 離散Hopfield網(wǎng)絡(luò)
5.4.2 連續(xù)Hopfield網(wǎng)絡(luò)
5.4.3 Hopfield網(wǎng)絡(luò)在優(yōu)化計(jì)算中的應(yīng)用
5.5 隨機(jī)神經(jīng)網(wǎng)絡(luò)
5.5.1 隨機(jī)神經(jīng)網(wǎng)絡(luò)的基本思想
5.5.2 模擬退火算法
5.5.3 Boltzmann機(jī)及其工作規(guī)則
5.5.4 Boltzmann機(jī)學(xué)習(xí)規(guī)則
5.5.5 隨機(jī)神經(jīng)網(wǎng)絡(luò)小結(jié)
5.6 神經(jīng)網(wǎng)絡(luò)用于粒子鑒別
5.6.1 用于帶電粒子鑒別的特征變量
5.6.2 帶電粒子鑒別的神經(jīng)網(wǎng)絡(luò)的架構(gòu)
5.6.3 網(wǎng)絡(luò)的訓(xùn)練和粒子鑒別效果
第六章 近鄰法
6.1 最近鄰法
6.2 尼近鄰法
6.3 剪輯近鄰法
6.3.1 兩分剪輯近鄰法
6.3.2 重復(fù)剪輯近鄰法
6.4 可作拒絕決策的近鄰法
6.4.1 具有拒絕決策的k近鄰法
6.4.2 具有拒絕決策的剪輯近鄰法
第七章 其他非線性判別方法
7.1 概率密度估計(jì)量方法
7.1.1 基本思想
7.1.2 總體概率密度的非參數(shù)估計(jì)
7.1.3 投影似然比估計(jì)
7.1.4 多維概率密度估計(jì)
7.1.5 近鄰體積中樣本數(shù)的確定
7.1.6 概率密度估計(jì)法與神經(jīng)網(wǎng)絡(luò)的性能對(duì)比
7.2 日矩陣判別
7.3 函數(shù)判別分析
7.4 支持向量機(jī)
7.4.1 最優(yōu)分類面
7.4.2 廣義最優(yōu)分類面
7.4.3 支持向量機(jī)
第八章 不同判別方法的比較
8.1 不同判別方法的特點(diǎn)
8.2 多元統(tǒng)計(jì)分析程序包TMVA簡(jiǎn)介
參考文獻(xiàn)

本目錄推薦

掃描二維碼
Copyright ? 讀書(shū)網(wǎng) m.ranfinancial.com 2005-2020, All Rights Reserved.
鄂ICP備15019699號(hào) 鄂公網(wǎng)安備 42010302001612號(hào)