云模型是研究定性概念與定量數(shù)值之間相互轉換的不確定性認知模型。粒計算是當前計算智能研究領域中模擬人類思維和解決復雜問題的新方法。它覆蓋了所有有關粒度的理論、方法和技術，是研究復雜問題求解、海量數(shù)據(jù)挖掘和模糊信息處理等問題的有力工具�！读Ｓ嬎阊芯繀矔涸颇Ｐ团c粒計算》介紹云模型與粒計算交叉研究的最新進展，由國內(nèi)外相關領域的華人學者撰文14章，內(nèi)容涉及云模型、高斯云的數(shù)學性質(zhì)、云模型與相近概念的關系、區(qū)間集、區(qū)間值信息系統(tǒng)的粒計算模型與方法、多粒度粗糙集、粒計算模型的特性分析與比較、云計算環(huán)境下層次粗糙集模型約簡算法、基于粒計算的聚類分析、并行約簡與F-粗糙集、單調(diào)性分類學習、不確定性研究中若干問題的探討、基于云模型的文本分類應用、數(shù)據(jù)挖掘算法的云實現(xiàn)。
《粒計算研究叢書：云模型與粒計算》可供計算機、自動化等相關專業(yè)的研究人員、教師、研究生、高年級本科生和工程技術人員參考。
更多科學出版社服務，請掃碼獲取。
目錄
前言
第1章 雙向認知計算模型——云模型 1
1.1 引言 2
1.2 正態(tài)分布與正態(tài)隸屬函數(shù) 4
1.3 云模型 6
1.3.1 云模型的定義 6
1.3.2 云模型的數(shù)字特征 7
1.3.3 正態(tài)云模型的遞歸定義及其數(shù)學性質(zhì) 8
1.3.4 云發(fā)生器 8
1.3.5 雙向認知計算模型 12
1.4 本章小結 20
參考文獻 21
第2章 高斯云的數(shù)學性質(zhì) 23
2.1 高斯云分布 23
2.2 高斯云的數(shù)學性質(zhì) 25
2.2.1 高斯云的數(shù)字特征 25
2.2.2 高斯云的期望曲線 27
2.2.3 高斯云的霧化特性 28
2.2.4 高階高斯云的數(shù)字特征 30
2.3 高斯云的參數(shù)對峰度的影響分析 32
2.4 高斯云的冪律特性實驗 35
2.5 本章小結 39
參考文獻 39
第3章 云模型與相近概念的關系 40
3.1 二型Fuzzy集 40
3.1.1 二型Fuzzy集的定義 40
3.1.2 二型Fuzzy集的運算 42
3.1.3 區(qū)間值Fuzzy集 44
3.1.4 Gaussian二型Fuzzy集 46
3.1.5 二型Fuzzy集的嵌入?yún)^(qū)間值Fuzzy集 47
3.1.6 m 型Fuzzy集與Genuine集 49
3.1.7 區(qū)間集與陰影集 50
3.2 直覺Fuzzy集 52
3.2.1 直覺Fuzzy集的定義 52
3.2.2 直覺Fuzzy集的運算 53
3.2.3 區(qū)間值直覺Fuzzy集 53
3.3 Neumaier云 55
3.3.1 Neumaier云的定義 55
3.3.2 離散云 58
3.3.3 連續(xù)云與潛云 58
3.4 Fuzzy概率集 59
3.4.1 隨機集 59
3.4.2 Fuzzy概率集 59
3.4.3 Bifuzzy概率集和區(qū)間值概率集 61
3.5 Soft集 61
3.5.1 Soft集的定義 61
3.5.2 Soft集的運算 63
3.6 云模型 64
3.6.1 云模型的定義 64
3.6.2 云模型算法 64
3.6.3 正態(tài)云生成的區(qū)間值Fuzzy集 65
3.7 云集 67
3.7.1 各類集合的關系 67
3.7.2 云集 69
3.8 本章小結 69
參考文獻 70
第4章 區(qū)間集 74
4.1 引言 74
4.2 不精確概念及其表示 75
4.3 區(qū)間集 76
4.3.1 區(qū)間集與部分已知概念 76
4.3.2 區(qū)間集與概念近似 77
4.4 區(qū)間集代數(shù) 78
4.4.1 冪代數(shù) 78
4.4.2 區(qū)間集運算 78
4.4.3 基于包含序的區(qū)間集代數(shù) 80
4.4.4 基于知識序的區(qū)間集代數(shù) 81
4.5 基于不完備信息表的區(qū)間集構造方法 81
4.6 區(qū)間集與其他理論的聯(lián)系 85
4.6.1 區(qū)間集與Kleene三值邏輯 85
4.6.2 區(qū)間集與粗糙集 86
4.6.3 區(qū)間集與三支決策 86
4.6.4 區(qū)間集、模糊集和云模型 87
4.7 本章小結 87
參考文獻 87
第5章 區(qū)間值信息系統(tǒng)的粒計算模型與方法 94
5.1 引言 94
5.2 基礎概念 95
5.2.1 不可分辨關系和近似域 95
5.2.2 決策系統(tǒng)中的不確定性度量 95
5.3 區(qū)間值決策系統(tǒng)的不確定性度量 96
5.3.1 區(qū)間值的相似關系 96
5.3.2 相似類和決策類 97
5.3.3 θ-條件熵 99
5.3.4 不確定性度量和θ-粗糙決策熵 101
5.4 實驗 103
5.5 本章小結 107
參考文獻 107
第6章 多粒度粗糙集 110
6.1 問題描述 110
6.2 樂觀多粒度粗糙集 112
6.2.1 Pawlak粗糙集理論 112
6.2.2 樂觀粗糙近似 113
6.2.3 多粒度粗糙集中的幾個度量 122
6.2.4 特征選擇 125
6.3 悲觀多粒度粗糙集 128
6.3.1 悲觀粗糙近似 128
6.3.2 粗糙成員函數(shù) 132
6.3.3 多粒度粗糙集中的規(guī)則 133
6.4 本章小結 134
參考文獻 135
第7章 粒計算模型的特性分析與比較 137
7.1 引言 137
7.2 不確定性表示方法 141
7.2.1 隸屬度的方法 141
7.2.2 粗糙集的表示方法 143
7.2.3 商空間的表示方法 144
7.3 粒計算表示不確定性方法之間的關系 145
7.3.1 隸屬度函數(shù)表示方法與商空間鏈表示方法的關系 145
7.3.2 粗糙集的表示方法與商空間鏈表示方法之間的關系 146
7.3.3 云模型與二型模糊之間的關系 148
7.4 問題求解方法的比較 149
7.5 本章小結 153
參考文獻 154
第8章 云計算環(huán)境下層次粗糙集模型約簡算法 156
8.1 層次粗糙集模型 157
8.1.1 引言 157
8.1.2 概念層次 158
8.1.3 基于云模型的概念提取及概念提升 159
8.1.4 層次粗糙集模型 162
8.2 云計算技術 167
8.2.1 云計算介紹 167
8.2.2 MapReduce技術 167
8.3 云計算環(huán)境下層次粗糙集模型約簡算法 168
8.3.1 云計算環(huán)境下知識約簡算法中的并行性分析 168
8.3.2 云計算環(huán)境下計算層次編碼決策表算法 169
8.3.3 云計算環(huán)境下層次粗糙集模型約簡算法的研究 170
8.4 實驗與分析 174
8.4.1 理論分析 174
8.4.2 實驗結果 175
8.4.3 實驗分析 175
8.5 本章小結 178
參考文獻 178
第9章 基于粒計算的聚類分析 182
9.1 引言 182
9.2 粒度計算與聚類分析的關系 183
9.3 粒聚類的基本方法 186
9.3.1 模糊聚類分析 186
9.3.2 粗糙集聚類分析 188
9.3.3 商空間聚類分析 189
9.4 基于融合的粒度模型的聚類分析 189
9.4.1 模糊集與粗糙集的結合 190
9.4.2 模糊商空間 191
9.5 多粒度聚類若干問題的研究 192
9.5.1 多粒度聚類中粒子的轉換問題 192
9.5.2 約簡集粒度的精準性 196
9.5.3 多粒度快速聚類算法 197
9.6 基于多粒度聚類的問題求解應用舉例:粗糙RBF神經(jīng)網(wǎng)絡的學習算法 201
9.6.1 粗糙RBF神經(jīng)網(wǎng)絡的學習算法 201
9.6.2 粗糙RBF神經(jīng)網(wǎng)絡的可用性與可靠性實驗 202
9.7 本章小結 205
參考文獻 206
第10章 并行約簡與F-粗糙集 210
10.1 粗糙集基本知識 212
10.2 F-粗糙集 214
10.3 并行約簡定義與性質(zhì) 216
10.4 并行約簡算法 217
10.4.1 基于屬性重要度矩陣的并行約簡算法 218
10.4.2 基于屬性重要度矩陣的并行約簡算法的優(yōu)化 220
10.4.3 基于F-屬性重要度的并行約簡算法 220
10.4.4 (F，ε)-并行約簡 222
10.5 決策系統(tǒng)的分解 223
10.6 本章小結 226
參考文獻 227
第11章 單調(diào)性分類學習 229
11.1 引言 229
11.2 基于優(yōu)勢關系粗糙集的單調(diào)性分類分析 230
11.3 基于模糊偏好粗糙集的單調(diào)性分類分析 232
11.4 基于排序熵模型的單調(diào)性分類分析 239
11.4.1 Shannon信息熵 240
11.4.2 有序信息熵 240
11.5 基于排序熵的單調(diào)性決策樹 244
11.5.1 程序描述 246
11.5.2 性質(zhì)研究 248
11.5.3 在人工數(shù)據(jù)上的實驗 250
11.6 本章小結 252
參考文獻 252
第12章 不確定性研究中若干問題的探討 254
12.1 隸屬度的不確定性問題 254
12.2 運算法則的不確定性問題 256
12.3 模糊運算與邏輯運算問題 260
12.3.1 模糊運算 260
12.3.2 邏輯運算 262
12.4 排序的不確定性問題 265
12.5 截集水平的不確定性問題 268
12.6 Fuzzy集合的互補律問題 268
12.7 集合的統(tǒng)一問題 269
12.8 本章小結 270
參考文獻 270
第13章 基于云模型的文本分類應用 273
13.1 云模型在文本挖掘中的理論擴充 273
13.1.1 基于VSM模型的文本知識表示 273
13.1.2 基于信息表的文本知識表示 274
13.1.3 基于云模型的文本信息表轉換 275
13.1.4 基于云相似度的文本相似度量 276
13.2 文本分類及其常用方法 278
13.2.1 文本分類概述 278
13.2.2 文本分類常用方法 279
13.2.3 性能分析 282
13.2.4 文本分類模型的評估 283
13.3 基于云模型與粒計算的文本分類 285
13.3.1 虛擬泛概念樹及概念躍升 285
13.3.2 基于云模型的文本特征自動提取算法 287
13.3.3 基于云概念躍升的文本分類 297
13.4 本章小結 300
參考文獻 301
第14章 數(shù)據(jù)挖掘算法的云實現(xiàn) 303
14.1 在云上實現(xiàn)數(shù)據(jù)挖掘算法的技術背景 303
14.2 現(xiàn)有基于云計算的數(shù)據(jù)挖掘平臺 304
14.2.1 “大云”系統(tǒng) 304
14.2.2 Mahout開源項目 304
14.2.3 電子科技大學與華為公司合作的云挖掘項目 305
14.3 經(jīng)典數(shù)據(jù)挖掘算法的MapReduce實現(xiàn)思路 305
14.4 經(jīng)典數(shù)據(jù)挖掘算法在Hadoop平臺的實現(xiàn)范例 307
14.4.1 協(xié)同過濾算法在Hadoop平臺的實現(xiàn) 307
14.4.2 樸素貝葉斯算法在Hadoop平臺的實現(xiàn) 312
14.5 云挖掘技術的展望 318
14.5.1 針對Web信息的云挖掘 318
14.5.2 針對圖結構的云挖掘 319
14.5.3 針對聲音與視頻等多媒體信息的云挖掘 319
參考文獻 319
認知是一個源自于心理學的概念，《辭海》將認知解釋為人類認識客觀事物、獲得知識的活動，包括知覺、記憶、學習、語言、思維和問題解決等過程。人類對事物的認知，往往是從一個“不知”到“了解”，再到“理解”的過程。人腦接受外界輸入的信息，經(jīng)過頭腦的加工處理，轉換成內(nèi)在的心理活動，再進而支配人的行為，這個過程就是信息加工的過程，也就是認知過程。認知科學是研究人類感知和思維對信息處理過程的科學，包括從感覺的輸入到復雜問題的求解，從人類個體到人類社會的智能活動，以及人類智能和機器智能的性質(zhì)，它是現(xiàn)代心理學、信息科學、神經(jīng)科學、數(shù)學、科學語言學、人類學乃至自然哲學等學科交叉發(fā)展的結果。認知科學是20世紀世界科學標志性的新興研究門類，它作為探究人腦或心智工作機制的前沿性尖端學科，已經(jīng)引起了全世界科學家們的廣泛關注。認知科學的研究將使人類自我了解和自我控制，把人的知識和智能提高到前所未有的高度。生命現(xiàn)象錯綜復雜，許多問題還沒有得到很好的說明，而能從中學習的內(nèi)容也是大量的、多方面的。如何從中提煉出最重要的、關鍵性的問題和相應的技術，這是許多科學家長期以來追求的目標。認知計算源自模擬人腦的計算機系統(tǒng)的人工智能，20世紀90年代后，研究人員開始用認知計算一詞，用于教計算機像人腦一樣思考，而不只是開發(fā)一種人工系統(tǒng)。傳統(tǒng)的計算技術是定量的，并著重于精度和序列等級，而認知計算則試圖解決生物系統(tǒng)中不精確、不確定和部分真實的問題。認知計算是認知科學的子領域之一，也是認知科學的核心技術領域。認知計算對于未來信息技術、人工智能等領域均有著十分重要的影響。研究認知的機理，建立認知的模型，然后用計算機模擬人類認知的過程來處理實際問題是人工智能領域的重要課題，受到很多研究者的關注。
……
書單推薦
