《超限学习机：理论、技术与应用》内容简介

本书对超限学习机近年来取得的各方面成果进行详细的阐述与分析。本书分为4个部分：第1部分（第1～2章）主要介绍超限学习机的基本概念与核心理论；第2部分（第3～4章）系统介绍超限学习机理论为应对数据分类、回归以及特征学习等重要机器学习任务所做的技术性调整；第3部分（第5～6章）主要介绍超限学习机的工程实现与领域应用案例；第4部分（第7章）对全书进行总结，并归纳出若干挑战性问题以待后续研究。本书附录部分为与超限学习机相关的数学基础知识，以便读者查阅。
本书可供对超限学习机感兴趣的研究人员阅读，也可为信号处理领域的工程技术人员提供技术参考。
邓宸伟，北京理工大学教授、博士生导师，IEEE高级会员。近年来，紧密围绕“高分辨率对地观测”领域国家重大需求，开展航空、航天遥感图像处理方向的基础和应用研究。相关研究成果获2018年军队科技进步奖二等奖，2017年国家自然科学基金委遥感影像智能处理大赛特等奖，入选2013年北京市优秀人才培养资助计划。担任多个国际期刊的副编辑和IEEE视觉计算与内容管理兴趣小组联合主席。出版英文著作一部，以第一/通信作者发表SCI论文30余篇，SCI引用700余次，获授权发明专利10余项。
周士超，北京理工大学在读博士。主要研究方向包括机器学习、模式识别和高分辨遥感图像处理。先后在国内外学术期刊发表SCI论文1篇，EI论文3篇，申请发明专利2项。

作品目录

内容提要
前言
第1章：绪论
1.1、引言
1.2、ELM研究背景
1.3、ELM概念与内涵
1.4、ELM的发展历程
1.5、本书内容具体安排
参考文献
第2章：超限学习机理论
2.1、ELM网络模型
2.2、ELM网络性能分析
2.3、ELM学习机制通用性分析
2.4、本章小结
参考文献
第3章：超限学习机分类与回归
3.1、分类与回归——ELM的统一性解决策略
3.2、标签不平衡——加权ELM
3.3、标签缺失——弱监督ELM
3.4、样本动态更迭——在线序贯ELM
3.5、样本含噪——滤波型ELM
3.6、本章小结
参考文献
第4章：超限学习机特征学习
4.1、ELM特征选择
4.2、ELM单隐藏层特征映射学习
4.3、ELM层次化特征映射学习
4.4、ELM层次化特征映射学习与深度学习的联系
4.5、本章小结
参考文献
第5章：超限学习机工程实现
5.1、面向模型训练的并行加速技术
5.2、面向模型测试的嵌入式实时处理系统设计
5.3、本章小结
参考文献
第6章：超限学习机领域应用
6.1、智能安防应用实例
6.2、卫星遥感应用实例
6.3、生物医药应用实例
6.4、本章小结
参考文献
第7章：研究总结与未来展望
7.1、研究总结与结论
7.2、发展趋势分析
7.3、本章小结
参考文献
附录A
矩阵与最优化
A.1、范数及最小化
A.2、流形假设与图拉普拉斯矩阵
附录B
概率与不等式
B.1、高斯分布与投影结果分析
B.2、不等式与投影结果的稳定性描述