空間智能計算

目錄
前言
第1章 空間大數(shù)據(jù) 1
1.1 概述 1
1.1.1 空間大數(shù)據(jù)的概念 1
1.1.2 空間大數(shù)據(jù)的特征 2
1.1.3 空間大數(shù)據(jù)時代的挑戰(zhàn) 3
1.2 空間大數(shù)據(jù)的獲取 5
1.2.1 來源 5
1.2.2 獲取方式 8
1.2.3 數(shù)據(jù)清洗 10
1.3 空間大數(shù)據(jù)的管理 13
1.3.1 云計算 13
1.3.2 管理框架 17
1.4 空間大數(shù)據(jù)分析 24
1.4.1 分析框架 24
1.4.2 空間智能計算 25
1.5 本書內(nèi)容與章節(jié)安排 26
第2章 學習原理 29
2.1 學習任務與經(jīng)驗 29
2.1.1 學習任務 29
2.1.2 學習經(jīng)驗 31
2.2 性能度量 34
2.2.1 ROC與AUC 34
2.2.2 容量、過擬合和欠擬合 37
2.2.3 超參數(shù)和驗證集 40
2.2.4 偏差和方差 41
第3章 聚類、分類與回歸 43
3.1 DBSCAN算法 43
3.1.1 基本概念 44
3.1.2 算法描述 44
3.1.3 與傳統(tǒng)聚類方法的對比 45
3.1.4 實例 45
3.2 投影尋蹤聚類算法 46
3.2.1 基本原理 46
3.2.2 投影指標 47
3.2.3 算法描述 48
3.2.4 投影尋蹤聚類實例 49
3.3 貝葉斯算法 50
3.3.1 貝葉斯分類 50
3.3.2 貝葉斯回歸 54
3.4 支持向量機算法 55
3.4.1 支持向量機分類 57
3.4.2 支持向量機回歸 58
3.4.3 支持向量機分類SVC 實例 58
3.4.4 支持向量機回歸SVR 實例 59
3.5 神經(jīng)網(wǎng)絡(luò)算法 59
3.5.1 原理及學習過程 60
3.5.2 BP神經(jīng)網(wǎng)絡(luò) 60
3.5.3 BP神經(jīng)網(wǎng)絡(luò)實例 62
3.5.4 其他幾種算法 62
3.6 決策樹算法 66
3.6.1 基本原理 66
3.6.2 具體算法描述 68
3.6.3 實例 69
3.7 集成學習 70
3.7.1 原理概述 70
3.7.2 bagging 71
3.7.3 boosting 72
3.7.4 stacking 72
3.7.5 實例 73
3.8 隨機森林 76
3.8.1 概述與算法流程 76
3.8.2 特征重要性評估 77
3.8.3 實例 78
3.9 提升方法 79
3.9.1 Adaboost 79
3.9.2 提升樹 80
3.10 遷移學習 82
3.10.1 概述 82
3.10.2 分類 83
3.10.3 實例 85
第4章 關(guān)聯(lián)規(guī)則 86
4.1 基本概念 86
4.1.1 定義 86
4.1.2 分類 87
4.1.3 挖掘過程 88
4.2 相關(guān)算法 89
4.2.1 Apriori算法 89
4.2.2 FP-Growth算法 92
4.2.3 多層關(guān)聯(lián)規(guī)則挖掘算法 95
4.2.4 多維關(guān)聯(lián)規(guī)則挖掘算法 95
第5章 優(yōu)化 96
5.1 算法分類 96
5.1.1 貪心算法 96
5.1.2 啟發(fā)式算法 98
5.2 蟻群算法 100
5.2.1 基本思想 100
5.2.2 算法原理 101
5.2.3 實例 102
5.3 人工魚群算法 104
5.3.1 基本概念 104
5.3.2 行為描述 104
5.3.3 算法步驟 105
5.3.4 比較分析 105
5.3.5 實例 106
5.4 蜂群算法 107
5.4.1 基于蜜蜂繁殖機理的蜂群算法 107
5.4.2 基于蜜蜂采蜜機理的蜂群算法 109
5.4.3 人工蜂群算法函數(shù)優(yōu)化實例 112
5.5 粒子群優(yōu)化算法 113
5.5.1 概述 113
5.5.2 實例 116
5.6 遺傳算法 117
5.6.1 有關(guān)概念及實現(xiàn)過程 117
5.6.2 基于實數(shù)編碼的遺傳算法 119
5.6.3 操作過程 122
5.6.4 特點 122
5.6.5 實例 123
5.7 禁忌搜索算法 124
5.7.1 概述 125
5.7.2 實例 126
5.8 模擬退火算法 127
5.8.1 基本原理 127
5.8.2 算法步驟 128
5.8.3 實例 128
第6章 深度學習 130
6.1 深度學習發(fā)展史 130
6.1.1 起源階段 130
6.1.2 發(fā)展階段 131
6.1.3 爆發(fā)階段 131
6.2 深度學習的常用方法 132
6.2.1 自動編碼器 132
6.2.2 深度前饋神經(jīng)網(wǎng)絡(luò) 135
6.2.3 深度卷積神經(jīng)網(wǎng)絡(luò) 138
6.2.4 深度置信網(wǎng)絡(luò) 142
6.2.5 深度融合網(wǎng)絡(luò) 144
6.2.6 深度強化學習 147
6.3 深度學習平臺 148
6.3.1 TensorFlow 148
6.3.2 Caffe 149
6.3.3 Theano 149
6.3.4 Torch 150
第7章 面向數(shù)據(jù)流的學習方法 152
7.1 概述 152
7.1.1 數(shù)據(jù)流處理的特點 153
7.1.2 數(shù)據(jù)流的基本模型 154
7.2 面向數(shù)據(jù)流的處理技術(shù) 155
7.2.1 窗口技術(shù) 155
7.2.2 動態(tài)抽樣技術(shù) 156
7.2.3 概要數(shù)據(jù)結(jié)構(gòu) 157
7.2.4 更新策略 158
7.3 面向數(shù)據(jù)流的學習算法 160
7.3.1 數(shù)據(jù)流聚類算法 160
7.3.2 數(shù)據(jù)流分類算法 165
7.4 分形學習 168
7.4.1 分形聚類算法 169
7.4.2 分形分類 174
第8章 概率推理 177
8.1 不確定性的量化 177
8.1.1 推理的不確定性 177
8.1.2 利用概率量化不確定性 178
8.1.3 使用完全聯(lián)合分布進行計算 180
8.1.4 使用樸素貝葉斯模型降低計算量 181
8.2 普通概率推理 183
8.2.1 貝葉斯網(wǎng)絡(luò) 183
8.2.2 貝葉斯網(wǎng)絡(luò)中的精確推理 185
8.2.3 貝葉斯網(wǎng)絡(luò)中的近似推理 188
8.3 時序概率推理 191
8.3.1 轉(zhuǎn)移模型與傳感器模型 191
8.3.2 一般時序推理 193
8.3.3 隱馬爾可夫模型 197
8.3.4 卡爾曼濾波器 199
8.3.5 動態(tài)貝葉斯網(wǎng)絡(luò) 202
8.3.6 跟蹤多個對象 209
第9章 復雜決策 211
9.1 模糊集 211
9.1.1 定義 211
9.1.2 模糊綜合評價法 214
9.2 智集 215
9.2.1 定義 215
9.2.2 區(qū)間值智集軟集 219
9.2.3 智集在復雜決策中的應用 220
9.3 粗糙集 221
9.3.1 基礎(chǔ)理論 221
9.3.2 方法概述 222
9.3.3 實例 223
9.4 多維決策分析 224
9.4.1 標準化 224
9.4.2 層次分析法 225
9.4.3 模糊層次分析法 228
9.4.4 變異系數(shù)法 229
9.4.5 熵權(quán)法 229
9.4.6 突變級數(shù)法 229
9.4.7 物元分析 232
9.4.8 集對分析 237
9.4.9 灰色理論 240
第10章 多目標求解 249
10.1 線性規(guī)劃法 249
10.1.1 線性規(guī)劃的數(shù)學模型 249
10.1.2 線性規(guī)劃的解及其性質(zhì) 250
10.1.3 線性規(guī)劃問題的求解方法 251
10.2 目標規(guī)劃法 252
10.2.1 描述目標規(guī)劃模型的有關(guān)概念 252
10.2.2 優(yōu)先因子(優(yōu)先等級)與權(quán)系數(shù) 252
10.2.3 目標函數(shù) 252
10.2.4 目標規(guī)劃模型的一般形式 253
10.2.5 求解目標規(guī)則的單純形方法 253
10.3 灰色規(guī)劃法 254
10.3.1 概念及方法 254
10.3.2 灰色線性規(guī)劃的特點 255
10.3.3 灰參數(shù)線性規(guī)劃 255
10.3.4 實例 256
第11章 感知 259
11.1 物理感知 259
11.1.1 物理感知的發(fā)展 260
11.1.2 物理感知的新技術(shù)與應用 261
11.2 社會感知 262
11.2.1 發(fā)展歷史 262
11.2.2 技術(shù)與應用 263
11.2.3 社會媒體數(shù)據(jù)獲取 265
11.2.4 社會傳感器網(wǎng)絡(luò) 266
11.2.5 應用領(lǐng)域 268
第12章 文本分類與情感分析 270
12.1 文本分類 270
12.1.1 文本分類概述 270
12.1.2 向量空間模型 271
12.1.3 n元語法 272
12.1.4 分詞原理 274
12.1.5 分詞工具庫 276
12.1.6 文本特征的選取方法 277
12.1.7 特征權(quán)重計算 279
12.1.8 分類器設(shè)計 280
12.1.9 分類性能評價 281
12.2 文本情感分析 282
12.2.1 概述 282
12.2.2 情感詞典 282
12.2.3 基于情感特征匹配的文本情感分析 283
12.2.4 基于情感詞典的加權(quán)情感分析 284
12.2.5 文本數(shù)據(jù)的情感分析 284
第13章 社會網(wǎng)絡(luò) 289
13.1 社會網(wǎng)絡(luò)的基本概念 289
13.1.1 社群圖表達法 290
13.1.2 矩陣代數(shù)表達法 291
13.2 社會網(wǎng)絡(luò)分析 291
13.2.1 靜態(tài)幾何特征 291
13.2.2 中心性分析 293
13.2.3 凝聚子群 297
13.2.4 自相似網(wǎng)絡(luò) 300
13.3 社會網(wǎng)絡(luò)分析的應用 303
13.3.1 社會網(wǎng)絡(luò)分析軟件 303
13.3.2 社區(qū)發(fā)現(xiàn) 304
第14章 復雜地理計算 307
14.1 地理元胞自動機 308
14.1.1 元胞自動機的定義 308
14.1.2 元胞自動機進行模擬的原理 308
14.1.3 地理元胞自動機的原理及應用 309
14.2 多智能體 319
14.2.1 基本概念 319
14.2.2 多智能體系統(tǒng)建模過程 320
14.2.3 主流仿真模擬平臺 323
第15章 可視化 325
15.1 可視化分析研究方向 325
15.2 空間大數(shù)據(jù)可視化方法 326
15.2.1 地理信息可視化 326
15.2.2 海量特征數(shù)據(jù)可視化 327
15.2.3 時空特征數(shù)據(jù)可視化 328
15.2.4 多維特征數(shù)據(jù)可視化 329
15.2.5 社會網(wǎng)絡(luò)