行星科學(xué)的機器學(xué)習(xí)

第1章機器學(xué)習(xí)簡介1
1.1機器學(xué)習(xí)方法概述1
1.2監(jiān)督學(xué)習(xí)2
1.2.1分類2
1.2.2回歸分析3
1.3無監(jiān)督學(xué)習(xí)4
1.3.1聚類分析5
1.3.2降維5
1.4半監(jiān)督學(xué)習(xí)6
1.4.1自我訓(xùn)練6
1.4.2期望最大化的自我訓(xùn)練7
1.4.3協(xié)同訓(xùn)練8
1.5主動學(xué)習(xí)8
1.5.1不確定度采樣8
1.5.2委員會查詢9
1.6流行的機器學(xué)習(xí)方法9
1.6.1主成分分析法9
1.6.2K均值聚類10
1.6.3支持向量機10
1.6.4決策樹與隨機森林法11
1.6.5神經(jīng)網(wǎng)絡(luò)12
1.7數(shù)據(jù)集準(zhǔn)備14
參考文獻16
第2章行星任務(wù)中獨特的新挑戰(zhàn)19
2.1跨越50年的水星探測19
2.2大型復(fù)雜數(shù)據(jù)返回面臨的挑戰(zhàn)23
2.3面對未知24
2.4行星科學(xué)中的機器學(xué)習(xí)25
參考文獻26
第3章行星數(shù)據(jù)的查找與讀取29
3.1數(shù)據(jù)采集29
3.1.1簡介29
3.1.2數(shù)據(jù)處理級別29
3.1.3PDS30
3.1.4歐洲空間局行星科學(xué)檔案35
3.1.5使用Python讀取數(shù)據(jù)36
3.1.6要查看的空間39
第4章Python高光譜分析工具（PyHAT）簡介40
4.1簡介40
4.2 PyHAT庫結(jié)構(gòu)41
4.3PyHAT 軌道43
4.3.1緊湊型火星偵察成像分光計（CRISM）44
4.3.2月球礦物學(xué)制圖儀（M3）46
4.3.3Kaguya光譜剖面儀48
4.4原位PyHAT52
4.4.1基線刪除示例54
4.4.2回歸分析示例56
4.4.3數(shù)據(jù)勘探示例56
4.4.4校準(zhǔn)轉(zhuǎn)移58
4.5結(jié)論61
參考文獻64
第5章教程：如何訪問、處理和標(biāo)記用于機器學(xué)習(xí)的PDS圖像數(shù)據(jù)69
5.1簡介69
5.2訪問PDS數(shù)據(jù)產(chǎn)品70
5.2.1PDS成像圖集70
5.2.2PDS成像節(jié)點數(shù)據(jù)門戶71
5.3對PDS數(shù)據(jù)產(chǎn)品進行標(biāo)準(zhǔn)圖像格式預(yù)處理73
5.3.1PDS圖像數(shù)據(jù)產(chǎn)品74
5.3.2PDS瀏覽圖像74
5.3.3轉(zhuǎn)換PDS圖像數(shù)據(jù)產(chǎn)品75
5.4標(biāo)記圖像數(shù)據(jù)77
5.4.1公開可用的標(biāo)記圖像數(shù)據(jù)集77
5.4.2用于標(biāo)記圖像數(shù)據(jù)的工具79
5.5PDS圖像分類器示例結(jié)果81
5.5.1訓(xùn)練集、驗證集和測試集81
5.5.2模型微調(diào)81
5.5.3模型校準(zhǔn)與性能81
5.5.4訪問HiRISeNet分類結(jié)果82
5.6總結(jié)83
參考文獻84
第6章通過學(xué)習(xí)特定模式回歸模型進行行星圖像補繪85
6.1簡介85
6.2相關(guān)工作86
6.3實驗數(shù)據(jù)87
6.4提出的方法87
6.4.1直方圖聚類的無監(jiān)督分離88
6.5網(wǎng)絡(luò)架構(gòu)90
6.5.1訓(xùn)練細(xì)節(jié)90
6.5.2基于反射的信息增強方法91
6.6實驗結(jié)果91
6.6.1性能評估92
6.7結(jié)論97
參考文獻98
第7章基于無監(jiān)督學(xué)習(xí)的水星可見近紅外反射率光譜自動表面制圖與分類100
7.1簡介100
7.2水星與MASCS儀器101
7.3數(shù)據(jù)準(zhǔn)備102
7.4從多元數(shù)據(jù)中學(xué)習(xí)103
7.4.1降維:ICA103
7.4.2流形學(xué)習(xí)104
7.4.3聚類分析107
7.4.4結(jié)論109
參考文獻112
第8章繪制土星上的風(fēng)暴圖116
8.1介紹116
8.1.1卡西尼惠更斯號和氨云116
8.2探索性主成分分析117
8.3深度學(xué)習(xí)方法118
8.3.1預(yù)處理和預(yù)標(biāo)記120
8.3.2神經(jīng)網(wǎng)絡(luò) 121
8.3.3訓(xùn)練與超參數(shù)優(yōu)化122
8.3.4分類驗證123
8.4土星特征圖124
參考文獻127
第9章行星漫游車的機器學(xué)習(xí)130
9.1簡介130
9.2風(fēng)險和資源感知型AutoNav133
9.2.1概述133
9.2.2地形分類133
9.2.3巖石災(zāi)害探測136
9.2.4基于視覺的滑移和驅(qū)動能量預(yù)測137
9.3科學(xué)駕駛139
9.3.1概述139
9.3.2SCOTI:地形圖像的科學(xué)說明139
9.3.3圖像相似性搜索141
9.3.4DBS接口141
9.3.5科學(xué)家的DBS實驗142
9.4測試漫游車演示143
9.5結(jié)論與未來工作144
參考文獻146
第10章結(jié)合機器學(xué)習(xí)回歸模型和貝葉斯推斷來解釋遙感數(shù)據(jù)149
10.1對精確快進功能的需求149
10.2反問題的貝葉斯方法149
10.3基于機器學(xué)習(xí)的代理模型150
10.4案例研究:用代理模型約束小行星的熱特性150
10.4.1熱物理模擬數(shù)據(jù)集151
10.4.2風(fēng)化層與巖石混合物的紅外代理模型152
10.4.3Itokawa熱物理性質(zhì)的貝葉斯推斷153
10.5數(shù)據(jù)融合的未來展望154
10.5.1遙感數(shù)據(jù)融合154
10.5.2行星形成理論155
10.5.3航天器自主性155
參考文獻157