物聯(lián)網(wǎng)智能技術(shù)

第1章 物聯(lián)網(wǎng)與商務(wù)智能
1.1 物聯(lián)網(wǎng)概述
1.1.1 物聯(lián)網(wǎng)的概念
1.1.2 物聯(lián)網(wǎng)的體系結(jié)構(gòu)
1.1.3 物聯(lián)網(wǎng)的特點(diǎn)
1.1.4 物聯(lián)網(wǎng)的發(fā)展趨勢(shì)
1.2 商務(wù)智能
1.2.1 商務(wù)智能的定義
1.2.2 商務(wù)智能的功能及作用
1.2.3 商務(wù)智能的過(guò)程
1.3 商務(wù)智能的產(chǎn)生與發(fā)展過(guò)程
1.3.1 決策支持系統(tǒng)引發(fā)商務(wù)智能
1.3.2 數(shù)據(jù)倉(cāng)庫(kù)實(shí)現(xiàn)商業(yè)信息的聚集
1.3.3 聯(lián)機(jī)分析產(chǎn)生多維數(shù)據(jù)
1.3.4 數(shù)據(jù)挖掘產(chǎn)生有價(jià)值的知識(shí)
1.3.5 信息可視化提供最直觀的視覺效果
1.3.6 知識(shí)時(shí)代的競(jìng)爭(zhēng)利器
1.4 商務(wù)智能的體系結(jié)構(gòu)
1.5 主流商務(wù)智能產(chǎn)品
1.6 商務(wù)智能未來(lái)的發(fā)展趨勢(shì)
1.7 物聯(lián)網(wǎng)對(duì)商務(wù)智能活動(dòng)的影響
1.8 物聯(lián)網(wǎng)環(huán)境下商務(wù)智能創(chuàng)新模式前景分析
本章小結(jié)
本章習(xí)題第2章 知識(shí)表示方法
2.1 知識(shí)與知識(shí)表示
2.1.1 知識(shí)
2.1.2 知識(shí)表示
2.1.3 知識(shí)表示方法
2.1.4 衡量知識(shí)表示方法的標(biāo)準(zhǔn)
2.2 一階謂詞邏輯表示法
2.2.1 謂詞邏輯
2.2.2 一階謂詞演算
2.3 與?/?或樹表示法
2.3.1 問題的分解與等價(jià)變換
2.3.2 問題歸約的與/或樹表示
2.3.3 與／或樹表示法的求解步驟
2.4 產(chǎn)生式表示法
2.4.1 產(chǎn)生式系統(tǒng)的基本概念
2.4.2 產(chǎn)生式系統(tǒng)的特點(diǎn)
2.4.3 產(chǎn)生式表示的知識(shí)種類及基本形式
2.4.4 產(chǎn)生式系統(tǒng)的構(gòu)成
2.4.5 產(chǎn)生式系統(tǒng)的基本過(guò)程
2.4.6 產(chǎn)生式系統(tǒng)的控制策略
2.5 語(yǔ)義網(wǎng)絡(luò)表示法
2.5.1 語(yǔ)義網(wǎng)絡(luò)的基本概念
2.5.2 語(yǔ)義網(wǎng)絡(luò)的表示
2.5.3 語(yǔ)義網(wǎng)絡(luò)的推理過(guò)程
2.5.4 語(yǔ)義網(wǎng)絡(luò)表示法的特征
2.6 框架表示法
2.6.1 框架結(jié)構(gòu)和框架表示
2.6.2 框架系統(tǒng)
2.6.3 框架表示法的特性
2.7 過(guò)程表示法
2.7.1 過(guò)程規(guī)則的組成
2.7.2 過(guò)程表示的問題求解過(guò)程
2.7.3 過(guò)程表示的特性
2.8 劇本表示法
2.8.1 概念依賴?yán)碚?br />2.8.2 劇本的構(gòu)成
2.8.3 劇本的推理
2.9 面向?qū)ο蟊硎痉?br />2.9.1 面向?qū)ο蟮幕靖拍?br />2.9.2 面向?qū)ο蠹夹g(shù)表示知識(shí)的方法
本章小結(jié)
本章習(xí)題第3章 高級(jí)知識(shí)推理
3.1 推理的相關(guān)知識(shí)
3.1.1 推理的概念
3.1.2 推理方法及其分類
3.1.3 推理的控制策略及其分類
3.1.4 正向推理
3.1.5 逆向推理
3.1.6 混合推理
3.2 推理的邏輯基礎(chǔ)
3.2.1 謂詞公式的解釋
3.2.2 謂詞公式的永真性與可滿足性
3.2.3 謂詞公式的等價(jià)性與永真蘊(yùn)涵性
3.2.4 謂詞公式的范式
3.2.5 置換與合一
3.3 主觀Bayes方法
3.3.1 知識(shí)不確定性的表示
3.3.2 證據(jù)不確定性的表示
3.3.3 組合證據(jù)不確定性的計(jì)算
3.3.4 不確定性的更新
3.3.5 結(jié)論不確定性的合成
3.4 證據(jù)理論
3.4.1 DS 理論的形式描述
3.4.2 證據(jù)理論的推理模型
本章小結(jié)
本章習(xí)題第4章 專家系統(tǒng)
4.1 專家系統(tǒng)的定義、特點(diǎn)及其類型
4.1.1 專家系統(tǒng)的定義
4.1.2 專家系統(tǒng)的一般特點(diǎn)
4.1.3 專家系統(tǒng)的類型
4.2 專家系統(tǒng)的結(jié)構(gòu)、功能及其基本原理
4.2.1 專家系統(tǒng)的結(jié)構(gòu)及其基本功能
4.2.2 專家系統(tǒng)的基本原理
4.3 專家系統(tǒng)的開發(fā)
4.3.1 專家系統(tǒng)的開發(fā)過(guò)程
4.3.2 專家系統(tǒng)開發(fā)語(yǔ)言和工具
4.4 專家系統(tǒng)的發(fā)展趨勢(shì)及應(yīng)用
4.4.1 專家系統(tǒng)的發(fā)展趨勢(shì)
4.4.2 專家系統(tǒng)的應(yīng)用
本章小結(jié)
本章習(xí)題第5章 知識(shí)管理系統(tǒng)
5.1 知識(shí)管理系統(tǒng)概述
5.1.1 知識(shí)管理系統(tǒng)的概念
5.1.2 知識(shí)管理系統(tǒng)的構(gòu)建目標(biāo)與實(shí)現(xiàn)途徑
5.1.3 知識(shí)管理系統(tǒng)的功能架構(gòu)與實(shí)現(xiàn)框架
5.2 知識(shí)管理系統(tǒng)模型
5.2.1 從理論角度構(gòu)建知識(shí)管理系統(tǒng)模型
5.2.2 從技術(shù)角度構(gòu)建知識(shí)管理系統(tǒng)模型
5.3 知識(shí)管理系統(tǒng)在企業(yè)中的應(yīng)用
5.3.1 知識(shí)管理系統(tǒng)在企業(yè)中的作用
5.3.2 知識(shí)管理系統(tǒng)在生產(chǎn)企業(yè)中應(yīng)用
5.3.3 知識(shí)管理系統(tǒng)實(shí)現(xiàn)企業(yè)智能運(yùn)營(yíng)
5.4 知識(shí)管理與商務(wù)智能的關(guān)系
5.4.1 知識(shí)管理和商務(wù)智能的區(qū)別
5.4.2 知識(shí)管理和商務(wù)智能的共同點(diǎn)
5.4.3 知識(shí)管理與商務(wù)智能整合
本章小結(jié)
本章習(xí)題第6章 神經(jīng)網(wǎng)絡(luò)與遺傳算法
6.1 生物神經(jīng)元模型
6.2 人工神經(jīng)網(wǎng)絡(luò)概述
6.2.1 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展
6.2.2 神經(jīng)網(wǎng)絡(luò)的特性
6.2.3 人工神經(jīng)元模型
6.2.4 神經(jīng)網(wǎng)絡(luò)的分類
6.2.5 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法
6.3 向前神經(jīng)網(wǎng)絡(luò)模型
6.3.1 感知器算法及其應(yīng)用
6.3.2 BP神經(jīng)網(wǎng)絡(luò)
6.4 Hopfield神經(jīng)網(wǎng)絡(luò)
6.5 遺傳算法
本章小結(jié)
本章習(xí)題第7章 其他計(jì)算智能法
7.1 蟻群算法
7.1.1 蟻群算法的基礎(chǔ)
7.1.2 蟻群算法的原理
7.1.3 蟻群算法描述
7.1.4 蟻群算法的特點(diǎn)
7.1.5 蟻群算法在多傳感器管理中的應(yīng)用
7.2 免疫克隆算法
7.2.1 算法原理基礎(chǔ)
7.2.2 免疫克隆算法算子
7.2.3 免疫克隆算法的實(shí)現(xiàn)步驟
7.2.4 免疫克隆算法在傳感器網(wǎng)絡(luò)路由的應(yīng)用
7.3 魚群算法
7.3.1 算法原理基礎(chǔ)
7.3.2 魚群算法描述
7.3.3 魚群算法分析
7.3.4 人工魚群算法在無(wú)線傳感網(wǎng)絡(luò)覆蓋中的應(yīng)用
7.4 粒子群優(yōu)化算法
7.4.1 粒子群優(yōu)化算法基礎(chǔ)分析
7.4.2 算法原理
7.4.3 粒子群算法參數(shù)
7.4.4 粒子群優(yōu)化算法流程
7.4.5 粒子群優(yōu)化算法在無(wú)線傳感器網(wǎng)絡(luò)定位中的應(yīng)用
本章小結(jié)
本章習(xí)題第8章 粗糙集合
8.1 基本概念
8.1.1 RSDA工具概述
8.1.2 RSDA工具的數(shù)學(xué)機(jī)理
8.1.3 知識(shí)表達(dá)系統(tǒng)
8.1.4 決策系統(tǒng)
8.2 連續(xù)屬性離散化方法
8.2.1 離散化問題的正規(guī)化描述
8.2.2 現(xiàn)有連續(xù)屬性離散化方法綜述
8.2.3 基于數(shù)據(jù)分布特征的離散化方法
8.2.4 基于數(shù)據(jù)分區(qū)的離散化方法
8.2.5 不完備信息表的數(shù)據(jù)預(yù)處理方法
8.3 靜態(tài)決策系統(tǒng)分類算法
8.3.1 數(shù)據(jù)分析約簡(jiǎn)算法中涉及的概念
8.3.2 數(shù)據(jù)分析約簡(jiǎn)算法的描述
8.4 動(dòng)態(tài)決策系統(tǒng)分類算法
8.4.1 增量式數(shù)據(jù)挖掘模型的提出
8.4.2 增量式數(shù)據(jù)挖掘模型的研究
本章小結(jié)
本章習(xí)題第9章 機(jī)器學(xué)習(xí)
9.1 機(jī)器學(xué)習(xí)簡(jiǎn)史
9.1.1 機(jī)器學(xué)習(xí)的發(fā)展歷史
9.1.2 機(jī)器學(xué)習(xí)的概念
9.1.3 機(jī)器學(xué)習(xí)系統(tǒng)的基本結(jié)構(gòu)
9.2 機(jī)器學(xué)習(xí)的主要策略和方法
9.2.1 機(jī)械學(xué)習(xí)
9.2.2 指導(dǎo)學(xué)習(xí)
9.2.3 歸納學(xué)習(xí)
9.2.4 類比學(xué)習(xí)
9.2.5 解釋學(xué)習(xí)
9.2.6 其他學(xué)習(xí)策略
9.3 幾種常用的機(jī)器學(xué)習(xí)算法
9.3.1 決策樹算法
9.3.2 支持向量機(jī)
9.3.3 貝葉斯學(xué)習(xí)算法
本章小結(jié)
本章習(xí)題第10章 multiagent多智能體
10.1 多智能體的概念與發(fā)展過(guò)程
10.1.1 智能體的定義
10.1.2 多智能體的發(fā)展歷史和研究領(lǐng)域
10.1.3 多智能體與自治智能體
10.1.4 智能體的學(xué)習(xí)
10.2 多智能體強(qiáng)化學(xué)習(xí)
10.2.1 馬爾可夫決策過(guò)程
10.2.2 多智能體環(huán)境下的強(qiáng)化學(xué)習(xí)
10.2.3 TD算法
10.2.4 Dyna算法
10.2.5 Q學(xué)習(xí)
10.3 博弈學(xué)習(xí)
本章小結(jié)
本章習(xí)題第11章 自然語(yǔ)言與感知
11.1 自然語(yǔ)言理解的概念和發(fā)展過(guò)程
11.1.1 自然語(yǔ)言的概念
11.1.2 自然語(yǔ)言理解的概念
11.1.3 自然語(yǔ)言理解的發(fā)展歷史
11.2 自然語(yǔ)言理解研究的關(guān)鍵問題
11.2.1 詞法分析
11.2.2 句法分析
11.2.3 語(yǔ)義分析
11.2.4 語(yǔ)言的自動(dòng)生成
本章小結(jié)
本章習(xí)題第12章 知識(shí)工程和數(shù)據(jù)挖掘
12.1 知識(shí)工程簡(jiǎn)介
12.1.1 知識(shí)工程的相關(guān)概念和發(fā)展過(guò)程
12.1.2 知識(shí)管理與信息管理
12.2 數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)
12.2.1 數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)的概念、過(guò)程及方法
12.2.2 數(shù)據(jù)倉(cāng)庫(kù)
12.3 常用的數(shù)據(jù)挖掘方法
12.3.1 關(guān)聯(lián)規(guī)則
12.3.2 時(shí)間序列分析
12.3.3 聚類分析
12.3.4 孤立點(diǎn)分析
本章小結(jié)
本章習(xí)題
參考文獻(xiàn)