基于度量学习和随机森林的地化异常识别研究
| 摘要 | 第3-4页 |
| Abstract | 第4-8页 |
| 第1章引言 | 第8-17页 |
| 1.1选题背景及意义 | 第8-9页 |
| 1.2研究现状 | 第9-13页 |
| 1.2.1地球化学数据处理研究现状 | 第9-10页 |
| 1.2.2度量学习算法 | 第10-12页 |
| 1.2.3随机森林 | 第12-13页 |
| 1.3本文创新点分析 | 第13-14页 |
| 1.4研究内容 | 第14-15页 |
| 1.5章节安排 | 第15-17页 |
| 第2章度量学习相关理论 | 第17-28页 |
| 2.1度量学习理论 | 第17-27页 |
| 2.1.1度量学习的基本原理 | 第18-22页 |
| 2.1.2非监督的度量学习 | 第22-25页 |
| 2.1.3监督的局部度量学习 | 第25-26页 |
| 2.1.4监督的全局度量学习 | 第26-27页 |
| 2.2度量学习存在问题 | 第27页 |
| 2.3本章小结 | 第27-28页 |
| 第3章随机森林 | 第28-38页 |
| 3.1决策树算法 | 第28-32页 |
| 3.1.1决策树算法概述 | 第28-29页 |
| 3.1.2主要的决策树算法 | 第29-32页 |
| 3.2Bagging | 第32-33页 |
| 3.3随机森林 | 第33-37页 |
| 3.3.1随机森林算法原理 | 第34-35页 |
| 3.3.2随机森林的优缺点 | 第35-36页 |
| 3.3.3袋外数据估计 | 第36-37页 |
| 3.4本章小结 | 第37-38页 |
| 第4章ML-RF模型构建及仿真实验 | 第38-45页 |
| 4.1ML-RF模型构建 | 第38-41页 |
| 4.1.1ML-RF模型原理 | 第38-39页 |
| 4.1.2ML-RF算法过程 | 第39-41页 |
| 4.2仿真实验 | 第41-44页 |
| 4.2.1实验环境 | 第41页 |
| 4.2.2实验过程 | 第41-44页 |
| 4.3本章小结 | 第44-45页 |
| 第5章ML-RF模型应用分析 | 第45-65页 |
| 5.1应用实验数据获取及预处理 | 第45-56页 |
| 5.1.1区域地理条件 | 第45-46页 |
| 5.1.2区域地球化学元素特征 | 第46-50页 |
| 5.1.3因子分析 | 第50-56页 |
| 5.2ML-RF模型应用研究区 | 第56-63页 |
| 5.2.1标签数据选择 | 第56-58页 |
| 5.2.2应用原理 | 第58-60页 |
| 5.2.3结果对比 | 第60-63页 |
| 5.3实验结论 | 第63-64页 |
| 5.4本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读学位期间取得学术成果 | 第72-73页 |
