行星科學的機器學習

第1章機器學習簡介1
1.1機器學習方法概述1
1.2監(jiān)督學習2
1.2.1分類2
1.2.2回歸分析3
1.3無監(jiān)督學習4
1.3.1聚類分析5
1.3.2降維5
1.4半監(jiān)督學習6
1.4.1自我訓練6
1.4.2期望最大化的自我訓練7
1.4.3協(xié)同訓練8
1.5主動學習8
1.5.1不確定度采樣8
1.5.2委員會查詢9
1.6流行的機器學習方法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神經網絡12
1.7數據集準備14
參考文獻16
第2章行星任務中獨特的新挑戰(zhàn)19
2.1跨越50年的水星探測19
2.2大型復雜數據返回面臨的挑戰(zhàn)23
2.3面對未知24
2.4行星科學中的機器學習25
參考文獻26
第3章行星數據的查找與讀取29
3.1數據采集29
3.1.1簡介29
3.1.2數據處理級別29
3.1.3PDS30
3.1.4歐洲空間局行星科學檔案35
3.1.5使用Python讀取數據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庫結構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數據勘探示例56
4.4.4校準轉移58
4.5結論61
參考文獻64
第5章教程：如何訪問、處理和標記用于機器學習的PDS圖像數據69
5.1簡介69
5.2訪問PDS數據產品70
5.2.1PDS成像圖集70
5.2.2PDS成像節(jié)點數據門戶71
5.3對PDS數據產品進行標準圖像格式預處理73
5.3.1PDS圖像數據產品74
5.3.2PDS瀏覽圖像74
5.3.3轉換PDS圖像數據產品75
5.4標記圖像數據77
5.4.1公開可用的標記圖像數據集77
5.4.2用于標記圖像數據的工具79
5.5PDS圖像分類器示例結果81
5.5.1訓練集、驗證集和測試集81
5.5.2模型微調81
5.5.3模型校準與性能81
5.5.4訪問HiRISeNet分類結果82
5.6總結83
參考文獻84
第6章通過學習特定模式回歸模型進行行星圖像補繪85
6.1簡介85
6.2相關工作86
6.3實驗數據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網絡架構90
6.5.1訓練細節(jié)90
6.5.2基于反射的信息增強方法91
6.6實驗結果91
6.6.1性能評估92
6.7結論97
參考文獻98
第7章基于無監(jiān)督學習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數據準備102
7.4從多元數據中學習103
7.4.1降維:ICA103
7.4.2流形學習104
7.4.3聚類分析107
7.4.4結論109
參考文獻112
第8章繪制土星上的風暴圖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深度學習方法118
8.3.1預處理和預標記120
8.3.2神經網絡 121
8.3.3訓練與超參數優(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習130
9.1簡介130
9.2風險和資源感知型AutoNav133
9.2.1概述133
9.2.2地形分類133
9.2.3巖石災害探測136
9.2.4基于視覺的滑移和驅動能量預測137
9.3科學駕駛139
9.3.1概述139
9.3.2SCOTI:地形圖像的科學說明139
9.3.3圖像相似性搜索141
9.3.4DBS接口141
9.3.5科學家的DBS實驗142
9.4測試漫游車演示143
9.5結論與未來工作144
參考文獻146
第10章結合機器學習回歸模型和貝葉斯推斷來解釋遙感數據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基于機器學習的代理模型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熱物理模擬數據集151
10.4.2風化層與巖石混合物的紅外代理模型152
10.4.3Itokawa熱物理性質的貝葉斯推斷153
10.5數據融合的未來展望154
10.5.1遙感數據融合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