前言

机器学习是人工智能的一个核心领域，目前已经成为整个计算机领域中最活跃、最具应用潜力的领域之一，且扮演着日益重要的角色。近年来，机器学习领域的研究在理论和应用上都取得了巨大的发展，计算学习理论、概率统计方法、神经网络理论以及模式识别技术等众多原本各自独立的研究领域和问题逐渐融合成一个统一的理论方法体系；同时，机器学习技术的应用也得到了扩展，在解决传统的语音辨识、手写汉字识别以及人脸识别等问题之外，还被广泛应用于包括数据库知识挖掘问题、语言处理问题、优化组合问题、机器人控制问题在内的许多新问题。

本书在学习问题的多种假设空间表示方法中，重点对基于人工神经网络的学习方法进行了阐述，对监督和半监督两种学习形式分别进行了深入的讨论，并将理论方法应用于遥感图像的智能解译，有效解决了土地利用或覆盖研究中的诸多实际问题。作者长期致力于人工神经网络及其学习算法的研究，本书正是作者多年来研究积累的结晶，同时收集了国内外众多学者的相关著作和研究成果，力求理论完整、层次清晰、内容深入浅出。希望本书能为从事人工神经网络、机器学习、遥感图像处理等方面研究的科学工作者提供帮助。

本书内容共分为8章。第1章在机器学习概念下对监督和半监督两种学习形式进行了简单介绍，并重点对基于人工神经网络的遥感图像分类方法进行了阐述。第2章介绍神经网络的基本概念以及几种主流的神经网络方法，包括径向基函数神经网络、支持向量机、极限学习机和ARTMAP神经网络的结构和学习算法。其余6章可分为两大部分，第3～第5章为监督学习方法的理论分析与应用，第6～第8章为半监督学习方法的深入讨论与应用介绍。其中，第3章阐述了集成径向基函数网络的监督学习方法，基于径向基函数分别给出随机森林、轮转森林、反向标定训练数据以及混合集成方法的描述和遥感图像仿真实例。第4章为支持向量机网络监督学习方法的介绍，阐述了支持向量机相关的理论基础和基本原理，在此基础上分别给出改进的支持向量机方法和优化的支持向量机算法。第5章介绍了极限学习机的监督学习方法，在基本原理的基础上给出一种改进的极限学习机方法以及该改进方法在实际应用中的具体分析，进而介绍了其他几种改进模型。第6章阐述基于ARTMAP自适应网络的半监督学习方法，同时以遥感图像分类问题为例构建案例推理ARTMAP分类系统。第7章利用直推式学习理论将支持向量机模型扩展到半监督学习领域，并对仿真结果作了详细的分析。第8章以极限学习机为半监督学习的具体算法进行展开，并以仿真实例作为辅助说明。

在本书出版之际，作者要感谢参与本书相关内容的研究、书稿编写及核对工作的学生们，他们是唐晓亮博士、姚为博士、王新迎博士、朱新荣、刘贲、杨雪、张檬、杨亚飞、边茂松、张雅美、张成坤。全书由周阳做了认真细致的统稿。借此机会，谨向长期以来国内外所有给予作者关心、支持和鼓励的人士及家人致以最诚挚的谢意。

本书由大连市人民政府、国家自然科学基金（61374154）、国家重点基础研究发展规划项目（2013CB430403）资助出版，在此表示感谢。

由于作者水平有限，书中难免存在错误和不足之处，热诚期待读者们的批评指正。

作 者

2015年6月