目錄
前言
第1章 空間大數據 1
1.1 概述 1
1.1.1 空間大數據的概念 1
1.1.2 空間大數據的特征 2
1.1.3 空間大數據時代的挑戰(zhàn) 3
1.2 空間大數據的獲取 5
1.2.1 來源 5
1.2.2 獲取方式 8
1.2.3 數據清洗 10
1.3 空間大數據的管理 13
1.3.1 云計算 13
1.3.2 管理框架 17
1.4 空間大數據分析 24
1.4.1 分析框架 24
1.4.2 空間智能計算 25
1.5 本書內容與章節(jié)安排 26
第2章 學習原理 29
2.1 學習任務與經驗 29
2.1.1 學習任務 29
2.1.2 學習經驗 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 神經網絡算法 59
3.5.1 原理及學習過程 60
3.5.2 BP神經網絡 60
3.5.3 BP神經網絡實例 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 關聯規(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 相關算法 89
4.2.1 Apriori算法 89
4.2.2 FP-Growth算法 92
4.2.3 多層關聯規(guī)則挖掘算法 95
4.2.4 多維關聯規(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 有關概念及實現過程 117
5.6.2 基于實數編碼的遺傳算法 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 深度前饋神經網絡 135
6.2.3 深度卷積神經網絡 138
6.2.4 深度置信網絡 142
6.2.5 深度融合網絡 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 面向數據流的學習方法 152
7.1 概述 152
7.1.1 數據流處理的特點 153
7.1.2 數據流的基本模型 154
7.2 面向數據流的處理技術 155
7.2.1 窗口技術 155
7.2.2 動態(tài)抽樣技術 156
7.2.3 概要數據結構 157
7.2.4 更新策略 158
7.3 面向數據流的學習算法 160
7.3.1 數據流聚類算法 160
7.3.2 數據流分類算法 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 貝葉斯網絡 183
8.2.2 貝葉斯網絡中的精確推理 185
8.2.3 貝葉斯網絡中的近似推理 188
8.3 時序概率推理 191
8.3.1 轉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)貝葉斯網絡 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 變異系數法 229
9.4.5 熵權法 229
9.4.6 突變級數法 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)劃的數學模型 249
10.1.2 線性規(guī)劃的解及其性質 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)劃模型的有關概念 252
10.2.2 優(yōu)先因子(優(yōu)先等級)與權系數 252
10.2.3 目標函數 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 技術與應用 263
11.2.3 社會媒體數據獲取 265
11.2.4 社會傳感器網絡 266
11.2.5 應用領域 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 特征權重計算 279
12.1.8 分類器設計 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情感分析 284
12.2.5 文本數據的情感分析 284
第13章 社會網絡 289
13.1 社會網絡的基本概念 289
13.1.1 社群圖表達法 290
13.1.2 矩陣代數表達法 291
13.2 社會網絡分析 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 自相似網絡 300
13.3 社會網絡分析的應用 303
13.3.1 社會網絡分析軟件 303
13.3.2 社區(qū)發(fā)現 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 空間大數據可視化方法 326
15.2.1 地理信息可視化 326
15.2.2 海量特征數據可視化 327
15.2.3 時空特征數據可視化 328
15.2.4 多維特征數據可視化 329
15.2.5 社會網絡