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
1.1.4 物聯(lián)網(wǎng)的發(fā)展趨勢
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)智能的過程
1.3 商務(wù)智能的產(chǎn)生與發(fā)展過程
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)倉庫實現(xiàn)商業(yè)信息的聚集
1.3.3 聯(lián)機分析產(chǎn)生多維數(shù)據(jù)
1.3.4 數(shù)據(jù)挖掘產(chǎn)生有價值的知識
1.3.5 信息可視化提供最直觀的視覺效果
1.3.6 知識時代的競爭利器
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)智能未來的發(fā)展趨勢
1.7 物聯(lián)網(wǎng)對商務(wù)智能活動的影響
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)
本章習題第2章 知識表示方法
2.1 知識與知識表示
2.1.1 知識
2.1.2 知識表示
2.1.3 知識表示方法
2.1.4 衡量知識表示方法的標準
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
2.4.3 產(chǎn)生式表示的知識種類及基本形式
2.4.4 產(chǎn)生式系統(tǒng)的構(gòu)成
2.4.5 產(chǎn)生式系統(tǒng)的基本過程
2.4.6 產(chǎn)生式系統(tǒng)的控制策略
2.5 語義網(wǎng)絡(luò)表示法
2.5.1 語義網(wǎng)絡(luò)的基本概念
2.5.2 語義網(wǎng)絡(luò)的表示
2.5.3 語義網(wǎng)絡(luò)的推理過程
2.5.4 語義網(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 過程表示法
2.7.1 過程規(guī)則的組成
2.7.2 過程表示的問題求解過程
2.7.3 過程表示的特性
2.8 劇本表示法
2.8.1 概念依賴理論
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)表示知識的方法
本章小結(jié)
本章習題第3章 高級知識推理
3.1 推理的相關(guān)知識
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 謂詞公式的等價性與永真蘊涵性
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)
本章習題第4章 專家系統(tǒng)
4.1 專家系統(tǒng)的定義、特點及其類型
4.1.1 專家系統(tǒng)的定義
4.1.2 專家系統(tǒng)的一般特點
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)過程
4.3.2 專家系統(tǒng)開發(fā)語言和工具
4.4 專家系統(tǒng)的發(fā)展趨勢及應(yīng)用
4.4.1 專家系統(tǒng)的發(fā)展趨勢
4.4.2 專家系統(tǒng)的應(yīng)用
本章小結(jié)
本章習題第5章 知識管理系統(tǒng)
5.1 知識管理系統(tǒng)概述
5.1.1 知識管理系統(tǒng)的概念
5.1.2 知識管理系統(tǒng)的構(gòu)建目標與實現(xiàn)途徑
5.1.3 知識管理系統(tǒng)的功能架構(gòu)與實現(xiàn)框架
5.2 知識管理系統(tǒng)模型
5.2.1 從理論角度構(gòu)建知識管理系統(tǒng)模型
5.2.2 從技術(shù)角度構(gòu)建知識管理系統(tǒng)模型
5.3 知識管理系統(tǒng)在企業(yè)中的應(yīng)用
5.3.1 知識管理系統(tǒng)在企業(yè)中的作用
5.3.2 知識管理系統(tǒng)在生產(chǎn)企業(yè)中應(yīng)用
5.3.3 知識管理系統(tǒng)實現(xiàn)企業(yè)智能運營
5.4 知識管理與商務(wù)智能的關(guān)系
5.4.1 知識管理和商務(wù)智能的區(qū)別
5.4.2 知識管理和商務(wù)智能的共同點
5.4.3 知識管理與商務(wù)智能整合
本章小結(jié)
本章習題第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)學習方法
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)
本章習題第7章 其他計算智能法
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
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)化算法在無線傳感器網(wǎng)絡(luò)定位中的應(yīng)用
本章小結(jié)
本章習題第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)學機理
8.1.3 知識表達系統(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)分析約簡算法中涉及的概念
8.3.2 數(shù)據(jù)分析約簡算法的描述
8.4 動態(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)
本章習題第9章 機器學習
9.1 機器學習簡史
9.1.1 機器學習的發(fā)展歷史
9.1.2 機器學習的概念
9.1.3 機器學習系統(tǒng)的基本結(jié)構(gòu)
9.2 機器學習的主要策略和方法
9.2.1 機械學習
9.2.2 指導學習
9.2.3 歸納學習
9.2.4 類比學習
9.2.5 解釋學習
9.2.6 其他學習策略
9.3 幾種常用的機器學習算法
9.3.1 決策樹算法
9.3.2 支持向量機
9.3.3 貝葉斯學習算法
本章小結(jié)
本章習題第10章 multiagent多智能體
10.1 多智能體的概念與發(fā)展過程
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 智能體的學習
10.2 多智能體強化學習
10.2.1 馬爾可夫決策過程
10.2.2 多智能體環(huán)境下的強化學習
10.2.3 TD算法
10.2.4 Dyna算法
10.2.5 Q學習
10.3 博弈學習
本章小結(jié)
本章習題第11章 自然語言與感知
11.1 自然語言理解的概念和發(fā)展過程
11.1.1 自然語言的概念
11.1.2 自然語言理解的概念
11.1.3 自然語言理解的發(fā)展歷史
11.2 自然語言理解研究的關(guān)鍵問題
11.2.1 詞法分析
11.2.2 句法分析
11.2.3 語義分析
11.2.4 語言的自動生成
本章小結(jié)
本章習題第12章 知識工程和數(shù)據(jù)挖掘
12.1 知識工程簡介
12.1.1 知識工程的相關(guān)概念和發(fā)展過程
12.1.2 知識管理與信息管理
12.2 數(shù)據(jù)挖掘和知識發(fā)現(xiàn)
12.2.1 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)的概念、過程及方法
12.2.2 數(shù)據(jù)倉庫
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 時間序列分析
12.3.3 聚類分析
12.3.4 孤立點分析
本章小結(jié)
本章習題
參考文獻