第1章差异化空间插值模型的理论原理
1.1自适应深度强化学习算法
1.1.1概述
1.1.2竞争深度强化学习算法原理
1.1.3状态值重利用
1.1.4动态模糊隶属度因子
1.1.5自适应深度Q网络
1.1.6对比实验
1.2自调整反距离加权插值模型
1.2.1概述
1.2.2反距离加权法
1.2.3变异函数
1.2.4克里金法
1.2.5自调整反距离加权插值模型介绍
1.3几种常用强化学习算法
1.3.1蒙特卡洛方法
1.3.2时间差分算法
1.3.3Q学习算法
1.3.4深度Q网络
1.3.5双深度Q网络
1.3.6优先经验回放
1.4本章小结
第2章利用空间信息的大数据分析预测过程
2.1大数据时代的空间信息挖掘与分析
2.1.1大数据与空间大数据
2.1.2空间大数据挖掘
2.1.3空间大数据分析
2.2空间信息数据的预测
2.2.1数据预处理
2.2.2预测模型的构建
2.2.3预测结果的对比分析
2.3本章小结
第3章协作复合神经网络模型的基础架构
3.1协作复合神经网络模型概述
3.2自适应动态灰狼优化算法
3.2.1灰狼优化算法原理
3.2.2非线性余弦收敛因子
3.2.3加权位置更新
3.2.4中心扰动准则
3.2.5自适应动态灰狼优化算法运行机制
3.2.6对比实验
3.3小波神经网络模型
3.3.1前向传播过程
3.3.2损失函数
3.3.3RMSProp
3.3.4Nesterov动量
3.4协作复合神经网络模型的构建
3.5知识扩展
3.5.1遗传算法
3.5.2粒子群优化算法
3.5.3模拟退火算法
3.5.4蚁群优化算法
3.5.5常见的反向传播算法
3.6本章小结
第4章利用相关特征的大数据分析预测过程
4.1大数据的分析机制
4.1.1相关性分析
4.1.2训练集与测试集的选择
4.1.3数据归一化预处理
4.2可调整参数的设定机制
4.2.1隐含层节点数的确定
4.2.2学习率设置
4.2.3衰减系数设置
4.3预测模型的性能评价指标
4.3.1单个模型性能评价指标
4.3.2多模型性能对比评价方法
4.4预测性能评价结果及相关分析
4.4.1数据集1上的预测性能评价结果及相关分析
4.4.2数据集2上的预测性能评价结果及相关分析
4.5知识扩展
4.5.1径向基神经网络预测模型
4.5.2模糊神经网络预测模型
4.6本章小结
第5章并行支持向量机的基本原理
5.1并行支持向量机概述
5.2协同鸟群算法
5.2.1鸟群算法原理
5.2.2抱团行为
5.2.3基于适应度差值比的位置更新方式
5.2.4接受准则
5.2.5协同鸟群算法运行机制
5.2.6对比实验
5.3支持向量机分类模型
5.3.1概述
5.3.2统计学习原理
5.3.3核函数
5.3.4分类过程
5.4并行支持向量机模型的构建
5.5知识扩展
5.5.1萤火虫算法
5.5.2磷虾群算法
5.5.3算法特性对比分析
5.6本章小结
第6章并行支持向量机下的风险分类评价研究——以土壤重金属数据为例
6.1土壤重金属污染概述及风险评价研究现状
6.2土壤污染评价方法
6.2.1土壤地球化学基准值与背景值
6.2.2国家规定的土壤污染风险管控标准
6.2.3土壤重金属污染评价方法
6.3土壤重金属数据的预处理
6.4大数据风险评价结果
6.4.1评价模型的参数设置
6.4.2污染风险分类评价结果
6.5评价模型的性能评价
6.6知识扩展
6.6.1决策树算法
6.6.2K近邻算法
6.7本章小结
第7章集成学习与贝叶斯优化的相关理论
7.1集成学习方法
7.1.1集成学习
7.1.2随机森林原理
7.1.3个体学习器集成策略
7.1.4加权随机森林算法运行机制
7.1.5对比实验
7.2类别不平衡数据集的处理
7.2.1上采样算法
7.2.2下采样算法
7.2.3混合采样算法
7.3贝叶斯优化
7.3.1贝叶斯优化调参原理
7.3.2概率代理模型
7.3.3采集函数
7.4知识扩展
7.4.1Stacking算法
7.4.2逻辑回归分类
7.5本章小结
第8章结合贝叶斯优化与集成学习的大数据评价研究——以土壤重金属
数据为例
8.1污染评价方法及目标值标记
8.2数据重采样与预处理
8.2.1数据重采样
8.2.2预处理
8.3集成学习下的土壤污染风险评价结果
8.3.1算法超参数设置
8.3.2蔡甸区风险评价实验
8.3.3江夏区风险评价实验
8.3.4武汉市整体风险评价实验
8.3.5应用贝叶斯优化调参
8.4知识扩展
8.4.1贝叶斯分类算法
8.4.2梯度提升树算法
8.5本章小结
参考文献
