《2022年环境科学中的机器学习方法,神经网络与核方法.doc》由会员分享，可在线阅读，更多相关《2022年环境科学中的机器学习方法,神经网络与核方法.doc（2页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、环境科学中的机器学习方法,神经网络与核方法William W. Hsieh University of BritishColumbia, CanadaMachine Learning Methodsin the EnvironmentalSciences2020, 349pp.HardcoverISBN: 9780521791922William W. Hsieh著机器学习是计算机智能(也叫人工智能)的一个主要的子领域。它的主要目标就是利用计算的方法从数据中提取信息。神经网络方法,一般被认为是机器学习研究中的第一次突破,它自上世纪80年代以来开始流行,而核方法是在上世纪90年代后半期作为机器学
2、习研究的第二波高潮而到来的。本书对于机器学习方法和它在环境科学中的应用给出了统一的处理。机器学习方法进入环境科学是在上世纪90年代。已经大量地应用于卫星数据的处理、大气环流模型、天气和气象预报、空气质量预报、环境数据的分析和建模、海洋和水文预报、生态建模、以及雪灾冰川和森林监测等领域。书中第1-3章主要是为学生们而写的背景性资料,包括在环境科学中应用的标准统计方法。1.主要介绍了概率分布的基本意义、随机变量的平均值与方差、分析两变量关系的相关与回归分析方法等基本统计概念;2.回顾了主成份分析的方法和它的一些变化,以及经典相关分析方法;3.引入了基于时间序列数据的分析方法,如奇异谱分析(SSA)
3、、主振荡型分析(POP)等。第4-12章为那些标准的线性统计方法提供了有力的非线性转化。4.关于前馈神经网络模型及其最普遍的代表多层感知哭模型(MLP模型),介绍了MLP模型的一些历史发展知识;5.为MLP神经网络模型所需要的非线性优化的内容;6.探索了几种能够使神经网络模型正确的学习并泛化的方法;7.是关于核方法内容。主要讨论了核方法的数据基础、主要思想以及它的一些缺点,并介绍了从神经网络到核方法的过渡;8.介绍了处理离散型数据的方法非线性分类;9.介绍了两种核方法(支撑微量回归、SVR 和高斯过程、GP)和一种树方法(分类和回归树方法CART);10.关于非线性主成份分析的方法及相关的一些
4、研究方法;11.系统地阐述了MLP和非线性经典相关分析(NLCCA)方法,并以热带太平洋气候变异性数据及它同中纬度气候变异的相关性为例加以说明;12.给出了大量机器学习方法在环境科学众多研究领域中的应用实例如遥感、海洋学、大气科学、水文学及生态学等。作者William W. Hsieh是英属哥伦比亚大学地球与海洋科学系及物理与天文学系的教授,主持大气科学项目。作者在环境科学中发展和应用机器学习方法中所做的先驱性工作在国际上享有很高的知名度。已在天气变化、机器学习、海洋学、大气科学和水文学等领域发表论文80多篇。本书主要适用于研究生初期阶段或者高年级的本科生,而且对于那些致力于在各自的研究领域应用这些新方法的研究者和参与者们也是十分有价值的。朱立峰,博士后(中国科学院动物学研究所)Zhu lifeng,Postdoctoral(Institute of Zoology,CAS)此资料由网络收集而来，如有侵权请告知上传者立即删除。资料共分享，我们负责传递知识。