智能方法及應用

序
第1章緒論1
1.1智能計算方法1
1.1.1神經(jīng)網(wǎng)絡2
1.1.2遺傳算法與演化計算2
1.1.3免疫信息處理4
1.1.4生態(tài)計算5
1.1.5各領域的內(nèi)在聯(lián)系5
1.2智能挖掘方法6
1.2.1決策樹類模型7
1.2.2k平均算法9
1.2.3支持向量機9
1.2.4貝葉斯分類器11
1.2.5k鄰近算法13
1.2.6CART回歸樹分類器14
1.2.7Adaboost分類器15
1.2.8關聯(lián)規(guī)則Apriori算法16
1.2.9最大期望17
1.2.10PageRank17
第2章智能方法基礎19
2.1模糊計算19
2.1.1模糊理論基礎19
2.1.2模糊邏輯與模糊推理24
2.1.3模糊判決基本方法26
2.2粗糙集理論27
2.2.1粗糙集理論的概念27
2.2.2粗糙集屬性約簡基本算法30
2.2.3粗糙集理論的應用31
2.3人工神經(jīng)網(wǎng)絡33
2.3.1人工神經(jīng)網(wǎng)絡概念33
2.3.2人工神經(jīng)網(wǎng)絡學習算法35
2.3.3人工神經(jīng)網(wǎng)絡典型模型及其算法35
2.4進化計算43
2.4.1進化計算原理基礎43
2.4.2遺傳算法44
2.4.3進化策略49
2.4.4進化規(guī)劃50
2.5人工免疫計算52
2.5.1人工免疫系統(tǒng)的工作原理52
2.5.2一般人工免疫算法54
2.5.3陰性選擇算法55
2.5.4克隆選擇算法56
2.5.5免疫遺傳算法（IGA）56
2.6群智能計算58
2.6.1粒子群優(yōu)化算法58
2.6.2蟻群算法61
2.7深度學習模型66
    iv    第3章智能挖掘方法70
3.1關聯(lián)規(guī)則挖掘70
3.1.1關聯(lián)規(guī)則的概念70
3.1.2關聯(lián)規(guī)則基本原理72
3.1.3關聯(lián)規(guī)則基本算法74
3.1.4實例分析79
3.2序列模式挖掘80
3.2.1序列模式挖掘的概念81
3.2.2序列模式挖掘基本原理82
3.2.3序列模式挖掘基本算法83
3.3監(jiān)督學習90
3.3.1最近鄰分類90
3.3.2決策樹92
3.3.3貝葉斯分類器97
3.4無監(jiān)督學習100
3.4.1k 均值聚類算法100
3.4.2層次聚類104
3.4.3基于密度的聚類108
3.5向量空間模型112
3.5.1基本定義112
3.5.2基本方法112
3.5.3實例分析115
3.6語義網(wǎng)模型116
3.6.1WordNet簡介116
3.6.2WordNet節(jié)點間的關系117
3.6.3WordNet中各類詞性的組織119
3.6.4WordNet在計算機中的存儲結(jié)構(gòu)及其使用方式120
3.6.5基于WordNet語義相似度的計算方法123
    v    第4章智能融合方法124
4.1灰色神經(jīng)網(wǎng)絡124
4.1.1灰色神經(jīng)網(wǎng)絡原理124
4.1.2灰色神經(jīng)網(wǎng)絡模型127
4.1.3遺傳優(yōu)化的灰色神經(jīng)網(wǎng)絡136
4.1.4實例分析137
4.2灰色粗糙集139
4.2.1灰色粗糙集基本原理140
4.2.2灰色粗糙集基本方法140
4.2.3實例分析143
4.3量子神經(jīng)網(wǎng)絡145
4.3.1量子理論的基本原理及概念145
4.3.2量子計算與量子學習147
4.3.3量子神經(jīng)網(wǎng)絡149
4.3.4實例分析152
4.4量子進化計算153
4.4.1量子進化算法153
4.4.2典型應用156
4.4.3實例分析156
第5章智能方法典型應用160
5.1基于不完備信息系統(tǒng)的知識約簡160
5.1.1不完備信息系統(tǒng)的基本概念161
5.1.2基于動態(tài)量化非對稱相似關系的擴充粗糙集模型162
5.1.3動態(tài)調(diào)節(jié)知識重要性的約簡算法163
5.1.4實例分析166
5.2最小屬性約簡168
5.2.1最小屬性約簡過程168
5.2.2粒矩陣屬性約簡的啟發(fā)式算法169
5.2.3實例分析169
5.3求解最小MPR集171
5.3.1節(jié)點的最小MPR集求解172
5.3.2基于蟻群算法求解最小MPR集173
5.3.3改進的蟻群算法模型174
5.3.4OPNET仿真176
5.4城市隧道監(jiān)控數(shù)據(jù)清理178
    vi    5.4.1智能交通的現(xiàn)狀179
5.4.2城市監(jiān)控數(shù)據(jù)的特征179
5.4.3基于不重復采樣的RICA車檢器數(shù)據(jù)清理算法180
5.4.4實驗分析183
5.5城市隧道交通態(tài)勢預測187
5.5.1數(shù)據(jù)來源和特征項的選取187
5.5.2交通態(tài)勢等級的劃分188
5.5.3隧道交通態(tài)勢的預測189
5.5.4多類分類方法190
5.5.5基于分類的交通態(tài)勢預測算法191
5.5.6實驗分析193
第6章智能方法Web應用196
6.1Web信息檢索及其個性化技術196
6.1.1信息檢索的概念196
6.1.2文本相似度計算197
6.1.3個性化信息檢索202
6.2微博語義特征擴展和實時檢索平臺206
6.2.1基于向量空間模型的微博文本相似度計算207
6.2.2基于WordNet的微博文本語義相似度計算208
6.2.3基于維基百科的微博特征擴展209
6.2.4基于TwitterStorm平臺的實時微博檢索系統(tǒng)211
6.3Web推薦系統(tǒng)及其示例217
6.3.1協(xié)同過濾推薦217
6.3.2基于用戶的協(xié)同過濾推薦218
6.3.3基于項目的協(xié)同過濾推薦221
6.3.4評分相關223
6.3.5基于模型的協(xié)同過濾推薦225
6.3.6推薦系統(tǒng)的實際應用232
6.3.7谷歌新聞個性化推薦234
6.3.8協(xié)同過濾方法的應用分析235
6.4產(chǎn)品觀點的挖掘以及用戶滿意度的評價236
6.4.1用戶滿意度評價的一般方法236
6.4.2基于灰色評估的用戶滿意度綜合評價方法237
6.4.3基于灰色評估的用戶滿意度評價仿真研究241
6.4.4實驗結(jié)果分析245
第7章智能方法拓展研究246
7.1智能方法應用246
7.2拓展研究247
7.2.1智能方法與物聯(lián)網(wǎng)247
7.2.2智能方法與云計算248
7.2.3智能方法與社會計算249
7.2.4智能方法與大數(shù)據(jù)251
7.2.5智能方法與綠色計算254
參考文獻256