天文学硕士论文范文提纲

天文学硕士论文范文提纲--数据挖掘和机器学习在天文学中的应用

摘要：文中详细介绍了天文学中大数据挖掘和设备学习的现况。从这一行业学者的方面看来,大数据挖掘很有可能有一些混和的含意。假如运用恰当,它可能是一种强劲的方式,有可能灵活运用指数级提升的可以用信息量,进而有希望完成极大的科学合理发展。可是,假如误用,它很有可能仅仅繁杂测算优化算法的黑匣子运用,很有可能给予非常少的物理学判断力,并给予怀疑的結果。文中总结了从数据采集到結果表述的全部大数据挖掘全过程,包含了普遍的设备学习优化算法,关键研究的是大数据挖掘和设备学习在地震学中的运用,实际是选用全自动聚类算法融合大行星的光谱仪数据信息对大行星的测光数据信息实现归类,对于此事开展相关资料的查看和搜集,依据搜集到的数据资料完成梳理归纳,关键讲解了4种设备学习优化算法基本原理和大数据挖掘,随后选用全自动聚类算法对观察到的大行星光谱仪数据信息做好解析解决,并开展归类,对分类結果开展深入分析,为此来判定其能否实现了预估的結果。文中较大的特性是,不但规定分类模型具备较好的广泛特性,并且还对信息的选择开展了改善,以得到更快的归类結果。大家应用z-score方式根据设定不一样的z-score集来得到不一样的数据,这促使人们的信息更为集中化。大家大概较为了一组适合的成绩集,这促使分类模型更强。

关键词：数据挖掘;机器学习;自动聚类算法;行星的光谱数据;z-score方法;

摘要

ABSTRACT

第1章 引言

    1.1 介绍

    1.2 为什么数据挖掘

第2章 数据挖掘和机器学习的方法

    2.1 数据挖掘概述

        2.1.1 数据挖掘的产生

        2.1.2 数据挖掘的定义

        2.1.3 数据挖掘的模式和类型

    2.2 机器学习的概念、模型和发展

        2.2.1 机器学习的概念和模型

        2.2.2 机器学习的发展

        2.2.3 常用的机械学习的学习方法

    2.3 机器学习算法原理

        2.3.1 K-最近邻(KNN)

        2.3.2 决策树(DT)

        2.3.3 随机森林(RF)

        2.3.4 支持向量机(SVM)

    2.4 选择和使用机器学习的算法

        2.4.1 监督方法

        2.4.2 无监督方法

        2.4.3 半监督方法

    2.5 标准实践

第3章 实验

    3.1 z-score方式

    3.2 数据预处理

    3.3 数据选择

    3.4 建模

        3.4.1 统一阈值下的建模

        3.4.2 不统一阈值下的建模

    3.5 结论

第4章 总结与展望

参考文献

致谢

附录

[1]晚清天文学译著《谈天》的译介及其影响研究[D]. 俞星月.南京信息工程大学 2015

[2]伽利略天文学成就在中国的传播[D]. 田锋.东华大学 2012

[3]基于数据挖掘的高校学生行为分析方法与应用研究[D]. 明心铭.深圳大学 2020

[4]基于模糊神经网络的勘探资源数据挖掘方法研究与实现[D]. 宋歌.中国石油大学(北京) 2018

[5]基于数据挖掘的大学生涯规划专家系统的研究与实现[D]. 严浩.电子科技大学 2019

[6]基于深度学习的Web数据挖掘[D]. 李骁.上海交通大学 2018

[7]基于历史数据挖掘的异常目标识别系统的设计与实现[D]. 魏璇.北京邮电大学 2019

[8]基于深度学习的医疗数据挖掘及应用研究[D]. 胡飘.北京邮电大学 2016

[9]数据挖掘在机房动力环境监控系统中的应用与研究[D]. 钮恒.厦门理工学院 2017

[10]Using K-Mean and SVM to Build Hybrid Methodology to Classify Diseases[D]. AL-MUREISH NEZAR MOHAMMED GALIB.湖南大学 2017