大數(shù)據(jù)分析：預測建模與評價機制

第1章差異化空間插值模型的理論原理
1.1自適應深度強化學習算法
1.1.1概述
1.1.2競爭深度強化學習算法原理
1.1.3狀態(tài)值重利用
1.1.4動態(tài)模糊隸屬度因子
1.1.5自適應深度Q網(wǎng)絡
1.1.6對比實驗
1.2自調(diào)整反距離加權(quán)插值模型
1.2.1概述
1.2.2反距離加權(quán)法
1.2.3變異函數(shù)
1.2.4克里金法
1.2.5自調(diào)整反距離加權(quán)插值模型介紹
1.3幾種常用強化學習算法
1.3.1蒙特卡洛方法
1.3.2時間差分算法
1.3.3Q學習算法
1.3.4深度Q網(wǎng)絡
1.3.5雙深度Q網(wǎng)絡
1.3.6優(yōu)先經(jīng)驗回放
1.4本章小結(jié)
第2章利用空間信息的大數(shù)據(jù)分析預測過程
2.1大數(shù)據(jù)時代的空間信息挖掘與分析
2.1.1大數(shù)據(jù)與空間大數(shù)據(jù)
2.1.2空間大數(shù)據(jù)挖掘
2.1.3空間大數(shù)據(jù)分析
2.2空間信息數(shù)據(jù)的預測
2.2.1數(shù)據(jù)預處理
2.2.2預測模型的構(gòu)建
2.2.3預測結(jié)果的對比分析
2.3本章小結(jié)
第3章協(xié)作復合神經(jīng)網(wǎng)絡模型的基礎架構(gòu)
3.1協(xié)作復合神經(jīng)網(wǎng)絡模型概述
3.2自適應動態(tài)灰狼優(yōu)化算法
3.2.1灰狼優(yōu)化算法原理
3.2.2非線性余弦收斂因子
3.2.3加權(quán)位置更新
3.2.4中心擾動準則
3.2.5自適應動態(tài)灰狼優(yōu)化算法運行機制
3.2.6對比實驗
3.3小波神經(jīng)網(wǎng)絡模型
3.3.1前向傳播過程
3.3.2損失函數(shù)
3.3.3RMSProp
3.3.4Nesterov動量
3.4協(xié)作復合神經(jīng)網(wǎng)絡模型的構(gòu)建
3.5知識擴展
3.5.1遺傳算法
3.5.2粒子群優(yōu)化算法
3.5.3模擬退火算法
3.5.4蟻群優(yōu)化算法
3.5.5常見的反向傳播算法
3.6本章小結(jié)
 
 
第4章利用相關特征的大數(shù)據(jù)分析預測過程
4.1大數(shù)據(jù)的分析機制
4.1.1相關性分析
4.1.2訓練集與測試集的選擇
4.1.3數(shù)據(jù)歸一化預處理
4.2可調(diào)整參數(shù)的設定機制
4.2.1隱含層節(jié)點數(shù)的確定
4.2.2學習率設置
4.2.3衰減系數(shù)設置
4.3預測模型的性能評價指標
4.3.1單個模型性能評價指標
4.3.2多模型性能對比評價方法
4.4預測性能評價結(jié)果及相關分析
4.4.1數(shù)據(jù)集1上的預測性能評價結(jié)果及相關分析
4.4.2數(shù)據(jù)集2上的預測性能評價結(jié)果及相關分析
4.5知識擴展
4.5.1徑向基神經(jīng)網(wǎng)絡預測模型
4.5.2模糊神經(jīng)網(wǎng)絡預測模型
4.6本章小結(jié)
第5章并行支持向量機的基本原理
5.1并行支持向量機概述
5.2協(xié)同鳥群算法
5.2.1鳥群算法原理
5.2.2抱團行為
5.2.3基于適應度差值比的位置更新方式
5.2.4接受準則
5.2.5協(xié)同鳥群算法運行機制
5.2.6對比實驗
5.3支持向量機分類模型
5.3.1概述
5.3.2統(tǒng)計學習原理
5.3.3核函數(shù)
5.3.4分類過程
5.4并行支持向量機模型的構(gòu)建
5.5知識擴展
5.5.1螢火蟲算法
5.5.2磷蝦群算法
5.5.3算法特性對比分析
5.6本章小結(jié)
第6章并行支持向量機下的風險分類評價研究——以土壤重金屬數(shù)據(jù)為例
6.1土壤重金屬污染概述及風險評價研究現(xiàn)狀
6.2土壤污染評價方法
6.2.1土壤地球化學基準值與背景值
6.2.2國家規(guī)定的土壤污染風險管控標準
6.2.3土壤重金屬污染評價方法
6.3土壤重金屬數(shù)據(jù)的預處理
6.4大數(shù)據(jù)風險評價結(jié)果
6.4.1評價模型的參數(shù)設置
6.4.2污染風險分類評價結(jié)果
6.5評價模型的性能評價
6.6知識擴展
6.6.1決策樹算法
6.6.2K近鄰算法
6.7本章小結(jié)
第7章集成學習與貝葉斯優(yōu)化的相關理論
7.1集成學習方法
7.1.1集成學習
7.1.2隨機森林原理
7.1.3個體學習器集成策略
7.1.4加權(quán)隨機森林算法運行機制
7.1.5對比實驗
7.2類別不平衡數(shù)據(jù)集的處理
7.2.1上采樣算法
7.2.2下采樣算法
7.2.3混合采樣算法
7.3貝葉斯優(yōu)化
7.3.1貝葉斯優(yōu)化調(diào)參原理
7.3.2概率代理模型
7.3.3采集函數(shù)
7.4知識擴展
7.4.1Stacking算法
7.4.2邏輯回歸分類
7.5本章小結(jié)
第8章結(jié)合貝葉斯優(yōu)化與集成學習的大數(shù)據(jù)評價研究——以土壤重金屬
數(shù)據(jù)為例
8.1污染評價方法及目標值標記
8.2數(shù)據(jù)重采樣與預處理
8.2.1數(shù)據(jù)重采樣
8.2.2預處理
8.3集成學習下的土壤污染風險評價結(jié)果
8.3.1算法超參數(shù)設置
8.3.2蔡甸區(qū)風險評價實驗
8.3.3江夏區(qū)風險評價實驗
8.3.4武漢市整體風險評價實驗
8.3.5應用貝葉斯優(yōu)化調(diào)參
8.4知識擴展
8.4.1貝葉斯分類算法
8.4.2梯度提升樹算法
8.5本章小結(jié)
參考文獻