人工智能算法及其在土壤重金屬殘留物檢測中的運用研究

理論篇
第1章 機器學習算法
1．1 機器學習算法概述
1．2 決策樹算法
1．2．1 決策樹特征選擇
1．2．2 決策樹生成
1．2．3 決策樹剪枝
1．3 聚類算法
1．3．1 相似度矩陣和鄰接矩陣
1．3．2 拉普拉斯矩陣
1．3．3 譜聚類中切圖方法
1．4 鏈接分析算法
1．4．1 PageRank算法
1．4．2 HITS算法
1．5 概率密度估計算法
1．5．1 直方圖密度估計
1．5．2 核密度估計
1．5．3 K近鄰估計法
1．5．4 典型參數(shù)估計方法
1．6 EM算法
1．6．1 EM算法理論
1．6．2 高斯混合模型
1．7 概率圖模型
1．7．1 貝葉斯網(wǎng)絡
1．7．2 馬爾科夫網(wǎng)絡
1．8 貝葉斯深度學習
1．8．1 前向傳播
1．8．2 反向傳播
1．9 MCMC
1．9．1 接收-拒絕采樣
1．9．2 重要性采樣
1．9．3 MCMC
參考文獻
第2章 集成學習算法
2．1 集成學習概述
2．2 隨機森林算法（RF）
2．3 Boosting算法
2．3．1 加法模型
2．3．2 前向分布算法
2．4 AdaBoost算法
2．5 梯度提升算法（GBDT）
2．5．1 梯度下降提升（Gradient Boosting）
2．5．2 GBDT
2．6 XGBoost算法
2．6．1 XGBoost原理
2．6．2 XGBoost工程實現(xiàn)
2．7 Light GBM算法
2．7．1 Light GBM原理
2．7．2 Light GBM工程實現(xiàn)
2．8 CatBoost算法
2．8．1 CatBoost算法原理
2．8．2 CatBoost高效實現(xiàn)
2．9 NGBoost算法
2．9．1 自然梯度
2．9．2 NGBoost
2．10 本章小結
參考文獻
第3章 圖神經(jīng)網(wǎng)絡
3．1 圖神經(jīng)網(wǎng)絡概述
3．2 GCN算法
3．2．1 理論基礎
3．2．2 圖卷積神經(jīng)網(wǎng)絡
3．3 圖注意力網(wǎng)絡（GAT）
3．3．1 Attention理解
3．3．2 Attention權重求取
3．3．3 圖注意力網(wǎng)絡
3．4 變分圖自編碼器（VGAE）
3．5 GGN圖生成網(wǎng)絡
3．6 GSTN圖時空網(wǎng)絡
3．7 DeepWalk和Node2vec算法
3．7．1 理論基礎
3．7．2 DeepWalk
3．7．3 Node2vec
3．8 GraphSage算法
3．9 本章小結
參考文獻
第4章 深度生成模型
4．1 深度生成模型概述
4．2 自編碼器（AE）
4．3 變分自編碼器及相關變體
4．3．1 變分自編碼器
4．3．2 條件變分自編碼器CVAE
4．4 PixelRNN-CNN
4．5 生成式對抗模型（GAN）
4．5．1 經(jīng)典GAN模型
4．5．2 條件GAN
4．6 GAN變種模型
4．6．1 WGAN算法
4．6．2 InfoGAN算法
4．6．3 VAE-GAN算法
4．7 Flow模型
4．7．1 數(shù)學理論基礎
4．7．2 Flow模型
4．8 本章小結
參考文獻
第5章 自動機器學習
5．1 AutoML概述
5．2 特征工程
5．2．1 特征清洗
5．2．2 單特征處理
5．2．3 多特征處理
5．3 NAS
5．3．1 搜索空間
5．3．2 搜索策略
5．3．3 性能評估
5．4 Meta Learning
5．4．1 Few-shot Learing
5．4．2 MAML
5．4．3 Reptile
5．5 遷移學習
5．5．1 傳統(tǒng)的非深度遷移
5．5．2 深度網(wǎng)絡的finetune
5．5．3 深度網(wǎng)絡自適應
5．5．4 深度對抗網(wǎng)絡的遷移
5．6 超參數(shù)調(diào)優(yōu)
5．6．1 貝葉斯優(yōu)化
5．6．2 網(wǎng)格搜索
5．6．3 隨機搜索
5．7 自動模型集成
5．8 本章小結
參考文獻
第6章 知識圖譜
6．1 知識圖譜概述
6．2 知識表示
6．2．1 RDF和RDFS
6．2．2 OWL
6．2．3 向量表示
6．3 知識存儲
6．3．1 Neo4j
6．3．2 Jena框架
6．4 知識抽取
6．4．1 結構化數(shù)據(jù)知識抽取
6．4．2 半結構化數(shù)據(jù)知識抽取
6．4．3 非結構化數(shù)據(jù)知識抽取
6．5 知識融合
6．5．1 本體層融合
6．5．2 實體對齊
6．5．3 實體鏈接
6．6 知識推理
6．6．1 基于邏輯的推理
6．6．2 基于規(guī)則的推理
6．6．3 基于表示學習的推理
6．6．4 基于路徑排序的推理
6．7 本章小結
參考文獻
運用篇
第7章 基于貝葉斯優(yōu)化-集成學習的重金屬污染風險智能評價方法研究
7．1 研究概述
7．2 風險評價與數(shù)據(jù)特征工程
7．2．1 污染等級評價
7．2．2 數(shù)據(jù)相關處理
7．3 模型構建與實驗分析
7．3．1 基于貝葉斯優(yōu)化的超參數(shù)搜索
7．3．2 集成學習
7．4 本章小結
參考文獻
第8章 基于GNNs的農(nóng)田重金屬研究區(qū)采樣點聚類方法研究
8．1 研究概述
8．2 圖結構數(shù)據(jù)生成
8．3 基于GNNs的采樣點聚類方法建模
8．4 實驗結果
8．5 本章小結
參考文獻
第9章 基于深度強化學習的變異函數(shù)模型參數(shù)估算研究
9．1 研究概述
9．2 變異函數(shù)
9．3 基于深度強化學習的變異函數(shù)模型參數(shù)估算研究
9．3．1 DECGA遺傳算法
9．3．2 基于DQN的DECGA超參數(shù)進化策略
9．4 實驗結果
9．4．1 變異函數(shù)單一模型參數(shù)估計
9．4．2 變異函數(shù)套合模型參數(shù)估計
9．5 本章小結
參考文獻
第10章 基于知識圖譜的農(nóng)田重金屬知識問答
10．1 背景與意義
10．2 知識圖譜構建
10．2．1 數(shù)據(jù)處理
10．2．2 本體層設計
10．2．3 實體構建與存儲
10．3 知識圖譜的重金屬知識問答
10．3．1 問句理解
10．3．2 答案推理
10．4 本章小結
參考文獻
附錄A 農(nóng)田重金屬
附錄B 數(shù)學基礎
附錄C 學習資源