第1章機(jī)器學(xué)習(xí)簡(jiǎn)介1

1.1機(jī)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(lèi)2

1.2.2回歸分析3

1.3無(wú)監(jiān)督學(xué)習(xí)4

1.3.1聚類(lèi)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(dòng)學(xué)習(xí)8

1.5.1不確定度采樣8

1.5.2委員會(huì)查詢9

1.6流行的機(jī)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(lèi)10

1.6.3支持向量機(jī)10

1.6.4決策樹(shù)與隨機(jī)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(xiàn)16
第2章行星任務(wù)中獨(dú)特的新挑戰(zhàn)19

2.1跨越50年的水星探測(cè)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(duì)未知24

2.4行星科學(xué)中的機(jī)器學(xué)習(xí)25

參考文獻(xiàn)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(jiǎn)介29

3.1.2數(shù)據(jù)處理級(jí)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(jiǎn)介40

4.1簡(jiǎn)介40

4.2 PyHAT庫(kù)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(jì)（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(xiàn)64
第5章教程：如何訪問(wèn)、處理和標(biāo)記用于機(jī)器學(xué)習(xí)的PDS圖像數(shù)據(jù)69

5.1簡(jiǎn)介69

5.2訪問(wèn)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(diǎn)數(shù)據(jù)門(mén)戶71

5.3對(duì)PDS數(shù)據(jù)產(chǎn)品進(jìn)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(kāi)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(lèi)器示例結(jié)果81

5.5.1訓(xùn)練集、驗(yàn)證集和測(cè)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(wèn)HiRISeNet分類(lèi)結(jié)果82

5.6總結(jié)83

參考文獻(xiàn)84
第6章通過(guò)學(xué)習(xí)特定模式回歸模型進(jìn)行行星圖像補(bǔ)繪85

6.1簡(jiǎn)介85

6.2相關(guān)工作86

6.3實(shí)驗(yàn)數(shù)據(jù)87

6.4提出的方法87

6.4.1直方圖聚類(lèi)的無(wú)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(qiáng)方法91

6.6實(shí)驗(yàn)結(jié)果91

6.6.1性能評(píng)估92

6.7結(jié)論97

參考文獻(xiàn)98
第7章基于無(wú)監(jiān)督學(xué)習(xí)的水星可見(jiàn)近紅外反射率光譜自動(dòng)表面制圖與分類(lèi)100

7.1簡(jiǎn)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(lèi)分析107

7.4.4結(jié)論109

參考文獻(xiàn)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(hào)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(lèi)驗(yàn)證123

8.4土星特征圖124

參考文獻(xiàn)127
第9章行星漫游車(chē)的機(jī)器學(xué)習(xí)130

9.1簡(jiǎn)介130

9.2風(fēng)險(xiǎn)和資源感知型AutoNav133

9.2.1概述133

9.2.2地形分類(lèi)133

9.2.3巖石災(zāi)害探測(cè)136

9.2.4基于視覺(jué)的滑移和驅(qū)動(dòng)能量預(yù)測(cè)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(shuō)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(shí)驗(yàn)142

9.4測(cè)試漫游車(chē)演示143

9.5結(jié)論與未來(lái)工作144

參考文獻(xiàn)146
第10章結(jié)合機(jī)器學(xué)習(xí)回歸模型和貝葉斯推斷來(lái)解釋遙感數(shù)據(jù)149

10.1對(duì)精確快進(jìn)功能的需求149

10.2反問(wèn)題的貝葉斯方法149

10.3基于機(jī)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(lái)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(xiàn)157