针对高炉关键异常炉况悬料难以预测的问题，基于D-S证据理论，提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先，结合高炉生产过程和悬料现象，分析悬料形成的内在机理；其次，通过模糊专家推理提取基于专家规则的主观证据，再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据；最后，基于D-S证据理论完成主客观证据融合，实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力，能够提高预测精度.仿真结果表明本文提出的方法有效、准确

提出了一种独立分量分析和BP神经网络相结合的人耳识别新方法(ICABP法).首先采用快速独立分量分析方法提取人耳图像的独立基图像和投影向量,然后采用改进的三层BP神经网络进行分类识别.该方法将ICA的空间局部特征提取功能和BP神经网络的自适应功能有机地结合起来,增强了系统的鲁棒性.实验表明,ICABP法取得了很高的识别率

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 深度学习 第八节 支持向量机 第九节 MATLAB的应用实例

第一节 统计学习与推理基础 第二节 统计模型与参数推断 第三节 聚类分析、主成分分析与Fisher判别 第四节 贝叶斯推理 第五节 隐马尔可夫模型 第六节 动态神经网络 第七节 支持向量机 第八节 MATLAB的应用实例

3.1 特殊矩阵 3.2 矩阵结构变换 3.3 矩阵求逆与线性方程组求解 3.4 矩阵求值 3.5 矩阵的特征值与特征向量 3.6 矩阵的超越函数

1 线性空间与内积空间 2 向量范数与矩阵范数 3 矩阵特征值 4 矩阵标准型 5 几类特殊矩阵

1.2.1 线性空间基本概念 1.2.2 矩阵特征值与谱半径 1.2.3 对称正定矩阵 1.2.4 向量范数与矩阵范数 1.2.5 内积与内积空间 1.2.6 矩阵标准型

本书为上册.数值分析部分内容由解线性代数方程组的直接法和迭代法、矩阵特征值和特征向量的计算、非线性方程的数值解法、插值与逼近、数值积分、常微分方程初值问题的数值解法等基本内容组成.矩阵部分内容由矩阵基础知识、线性空间与内积空间、线性变换、矩阵的标准型、矩阵函数、广义逆等基本内容组成.书中内容力求精简，系统性强，循序渐进，易于教学

Chapter 1 绪论与基础 Chapter 2 简单操作；数值与向量 Chapter 3 对象，模式和属性 Chapter 4 有序因子与无序因子 Chapter 5 数组和矩阵 Chapter 6 列表和数据帧 Chapter 7 从文件中读取数据 Chapter 8 概率分布 Chapter 9 语句组、循环和条件操作 Chapter 10 编写自己的函数 Chapter 11 R的统计模型 Chapter 12 图形过程

§1 课程研究的内容和构造算法的主要途径 §2 误差 §3 有效算法要具备的条件 §4 灵敏度分析 §5 向量范数与矩阵范数