投影寻踪方法与应用

　　第一章  投影寻踪——一类新兴的统计方法
　　1.1  投影寻踪方法的特点及优点
　　1.2  投影寻踪的发展简史
　　1.3  本书的主要内容
　　参考文献
　　第二章  投影指标与投影寻踪回归
　　2.1  常用的重要投影指标
　　2.1.1  密度型投影指标
　　2.1.2  非密度型投影指标
　　2.2  高光谱图像中小目标无监督检测的投影寻踪方法
　　2.2.1  投影指标的选取
　　2.2.2  基于遗传算法的投影方向最优化
　　2.2.3  高光谱图像中小目标无监督检测的实例
　　2.3  基于LDA投影指标和Lr投影指标的有监督分类
　　2.3.1  Lr投影指标
　　2.3.2  基于模拟退火方法的投影指标最优化
　　2.3.3  模拟数据分类
　　2.4  投影指标小波核估计的统计性质
　　2.4.1  预备知识
　　2.4.2  两类投影指标的小波核估计
　　2.5  投影指标的Bootstrap估计及其统计性质
　　2.5.1  预备知识
　　2.5.2  投影指标的Bootstrap估计
　　2.5.3  拟最佳投影方向
　　2.6  SAR图像与极化SAR图像分类的序列投影寻踪方法
　　2.6.1  预备知识
　　2.6.2  极化SAR数据的相似性参数与极化SAR图像分类
　　2.6.3  序列投影寻踪模型与计算方法
　　2.6.4  SAR图像分类的序列投影寻踪模型方法
　　2.6.5  基于相似性参数序列投影寻踪的极化SAR图像分类
　　2.6.6  基于拟最佳投影方向的极化SAR图像分类
　　2.7  投影寻踪回归的L2收敛性和全向攻击导弹数据处理
　　2.7.1  投影寻踪回归
　　2.7.2  岭函数为多项式形式时投影寻踪回归的L。收敛性
　　2.7.3  全向攻击导弹数据处理
　　2.8  非线性系统高维特征量的稳健投影寻踪回归建模
　　2.8.1  稳健投影寻踪建模方法
　　2.8.2  航空发动机低压转子转速的稳健投影寻踪模型
　　参考文献
　　第三章  投影寻踪学习网络的统计性质与应用
　　3.1  投影寻踪学习神经网络
　　3.1.1  投影寻踪学习网络的数学模型和计算步骤
　　3.1.2  回归函数投影寻踪学习网络逼近的Lp收敛性
　　3.2  非线性自回归过程的投影寻踪学习网络逼近
　　3.2.1  非线性自回归过程的投影寻踪学习神经网络逼近的收敛性
　　3.2.2  基于投影寻踪学习网络的非线性自回归过程的建模与预报
　　3.3  多维非线性时间序列的投影寻踪学习网络逼近
　　3.3.1  多维非线性自回归过程的投影寻踪学习神经网络逼近的收敛性
　　3.3.2  应用实例
　　3.4  用于分类的投影寻踪学习网络方法
　　3.4.1  线性Hebb学习和非线性Hebb学习方法
　　3.4.2  用于分类的一维投影寻踪学习网络方法
　　3.4.3  用于分类的二维投影寻踪学习网络方法
　　3.4.4  应用实例
　　3.4.5  目标信号高维特征量的提取与分类
　　……
　　第四章  小波神经风络的应用
　　第五章  投影寻踪小波神经网络及应用
　　参考文献

　　    投影寻踪是处理和分析高维数据的一类新兴的统计方法，其基本思想是将高维数据投影到低维（1～3维）子空间上，寻找出反映原高维数据的结构或特征的投影，以达到研究和分析高维数据的目的。1974年，美国Stan—ford大学的Friedman和Tukey首次将该方法命名为Projection Pursuit，即投影寻踪。
　　    《投影寻踪方法与应用》是在国家自然科学基金（项目批准号：60375003）、3项航空科学基金（项目批准号分别为：03153059，981123，951127）以及模式识别国家重点实验室和图像信息处理与智能控制教育部重点实验室等多个项目的资助下所完成的关于投影寻踪理论、方法与应用方面的研究成果。