大數(shù)據(jù)與智能計(jì)算

第一部分 大數(shù)據(jù)分析理論基礎(chǔ)
atrain分布式系統(tǒng)（ADS）：面向任何四維特征大數(shù)據(jù)的可變規(guī)模數(shù)據(jù)架構(gòu)
1 引言
2 r-train（train）和r-atrain（atrain）：大數(shù)據(jù)數(shù)據(jù)結(jié)構(gòu)
2．1 類數(shù)組
2．2 面向同構(gòu)大數(shù)據(jù)的同構(gòu)數(shù)據(jù)結(jié)構(gòu)r-train
2．3 r-atrain（atrain）：面向大數(shù)據(jù)的高效異構(gòu)數(shù)據(jù)結(jié)構(gòu)
3 立體矩陣和立體類矩陣（用于大數(shù)據(jù)和暫存大數(shù)據(jù)）
3．1 立體矩陣和立體類矩陣
3．2 三維立體矩陣及其特點(diǎn)
4 （元素為數(shù)值的）立體矩陣代數(shù)運(yùn)算
5 面向立體矩陣／類矩陣的同構(gòu)數(shù)據(jù)結(jié)構(gòu)MT
5．1 三維立體矩陣（三維立體類矩陣）的應(yīng)用
6 異構(gòu)矩陣和異構(gòu)類矩陣：異構(gòu)大數(shù)據(jù)的存儲(chǔ)模型
7 用于大數(shù)據(jù)的atrain分布式系統(tǒng)
7．1 atrain分布式系統(tǒng)
7．2 用于ADS的“多馬拉車”拓?fù)浣Y(jié)構(gòu)和循環(huán)拓?fù)浣Y(jié)構(gòu)
8 atrain分布式系統(tǒng)中的異構(gòu)數(shù)據(jù)結(jié)構(gòu)r-atrain
8．1 在ADS中r-atrain的數(shù)據(jù)類
8．2 環(huán)形train和環(huán)形atrain
8．3 面向大數(shù)據(jù)的ADS內(nèi)r-atrain的基本操作
9 用于大數(shù)據(jù)立體異構(gòu)類矩陣的異構(gòu)數(shù)據(jù)結(jié)構(gòu)MA
10 結(jié)論
參考文獻(xiàn)
大數(shù)據(jù)時(shí)序預(yù)測(cè)模型：基于模糊神經(jīng)網(wǎng)絡(luò)的混合方法
1 引言
2 模糊集基礎(chǔ)
3 混合模糊-神經(jīng)網(wǎng)絡(luò)與大數(shù)據(jù)時(shí)間序列
3．1 神經(jīng)網(wǎng)絡(luò)：綜述
3．2 混合模糊-神經(jīng)網(wǎng)絡(luò)方法：應(yīng)用于大數(shù)據(jù)時(shí)序預(yù)測(cè)問(wèn)題的新方法
4 數(shù)據(jù)集描述
5 方法與算法
5．1 EIBD方法
5．2 大數(shù)據(jù)時(shí)序預(yù)測(cè)模型算法
6 面向大數(shù)據(jù)的模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
7 性能分析參數(shù)
8 實(shí)證分析
8．1 M因子預(yù)測(cè)
8．2 雙因子預(yù)測(cè)
8．3 三因子預(yù)測(cè)
8．4 統(tǒng)計(jì)顯著性
9 結(jié)論與討論
參考文獻(xiàn)
基于混合智能技術(shù)的學(xué)習(xí)方法
1 引言
2 基于智能混合粒子群和快速約簡(jiǎn)算法的基因選擇方法
2．1 粒子群算法
2．2 算法步驟
2．3 算法執(zhí)行與結(jié)果
3 面向癌癥分類問(wèn)題的基于粗糙集的混合基因選擇
3．1 粗糙集
3．2 基于基因選擇的粗糙集方法
3．3 有監(jiān)督條件下的基于相關(guān)性的約簡(jiǎn)算法（CFS-RST）
3．4 算法執(zhí)行與結(jié)果
4 面向微陣列數(shù)據(jù)分類精度增強(qiáng)的混合數(shù)據(jù)挖掘技術(shù)（CFS-PLS）
4．1 SIMPLS與分類框架中的維度約簡(jiǎn)
4．2 偏最小二乘回歸
4．3 算法執(zhí)行與結(jié)果
5 結(jié)論
6 工作展望
參考文獻(xiàn)
智集及其在決策中的應(yīng)用
1 引言
2 單值智集
3 多個(gè)單值智集的距離、相似性與熵
3．1 兩個(gè)智集之間的距離
3．2 兩個(gè)單值智集間的相似性
4 區(qū)間值智集軟集
4．1 軟集
4．2 區(qū)間智集軟集
4．3 IVNSS在決策支持中的應(yīng)用
5 結(jié)論
參考文獻(xiàn)
第二部分 面向大數(shù)據(jù)分析的框架結(jié)構(gòu)
一種用于數(shù)據(jù)聚類和大數(shù)據(jù)分析的高效分組遺傳算法
1 引言
2 定義
3 算法
3．1 編碼
3．2 適應(yīng)度函數(shù)
3．3 選擇算子
3．4 交叉算子
3．5 變異算子
3．6 取代和精英策略
3．7 局部搜索
4 聚類分析的驗(yàn)證
5 實(shí)驗(yàn)與評(píng)價(jià)
5．1 數(shù)據(jù)集
5．2 結(jié)果
6 結(jié)論
參考文獻(xiàn)
用于大規(guī)模優(yōu)化的Nelder Mead交叉Log-Logistic突變自組織遷移算法
1 引言
2 自組織遷移算法
3 NMSOMA-M算法
3．1 NM交叉算子
3．2 Log—Logistic突變算子
3．3 NMSOMA-M算法步驟
4 基準(zhǔn)函數(shù)
5 基準(zhǔn)問(wèn)題的數(shù)值結(jié)果
6 結(jié)論
參考文獻(xiàn)
面向數(shù)據(jù)分析的大數(shù)據(jù)應(yīng)用縱覽
1 引言
2 醫(yī)療領(lǐng)域的大數(shù)據(jù)
3 大數(shù)據(jù)分析框架
3．1 大數(shù)據(jù)
3．2 數(shù)據(jù)的預(yù)處理
3．3 訓(xùn)練集
3．4 數(shù)據(jù)挖掘技術(shù)
3．5 描述和可視化
4 結(jié)果和實(shí)現(xiàn)
5 結(jié)論
參考文獻(xiàn)
腦電信號(hào)基本原理及其在醫(yī)療領(lǐng)域的應(yīng)用
1 引言
2 腦電波
2．1 自發(fā)的腦電圖波
2．2 事件相關(guān)電位
2．3 基于腦電圖的系統(tǒng)的組成
3 視覺(jué)刺激生成
4 腦信號(hào)的處理
4．1 預(yù)處理
4．2 特征提取
4．3 特征選擇與壓縮
4．4 分類
5 結(jié)論
6 未來(lái)展望
參考文獻(xiàn)
第三部分 大數(shù)據(jù)分析及云計(jì)算
大數(shù)據(jù)：基于云技術(shù)的數(shù)據(jù)密集型應(yīng)用處理
1 引言
2 云計(jì)算及大數(shù)據(jù)
2．1 云技術(shù)為大數(shù)據(jù)提供的優(yōu)勢(shì)
3 云計(jì)算中的大數(shù)據(jù)處理所面臨的挑戰(zhàn)
3．1 數(shù)據(jù)獲得和存儲(chǔ)
3．2 數(shù)據(jù)傳輸
3．3 數(shù)據(jù)策管
3．4 數(shù)據(jù)分析
3．5 數(shù)據(jù)可視化
4 大數(shù)據(jù)云工具：一種新的技術(shù)手段
4．1 基于MapReduce的大數(shù)據(jù)處理
4．2 基于HacIoop的大數(shù)據(jù)處理
4．3 Cloudant
4．4 Xeround
4．5 StormDB
4．6 SAP
4．7 Rackspace
4．8 MongoLab
4．9 Microsoft Azure
4．10 Google Cloud SQL
4．11 Garantia Data
4．12 EnterpRiseDB
4．13 Amazon Web Services
5 結(jié)論
參考文獻(xiàn)
基于模型驅(qū)動(dòng)的異構(gòu)云框架
1 引言
2 背景
2．1 云計(jì)算
2．2 模型驅(qū)動(dòng)工程
2．3 使用多個(gè)云的必要性
2．4 遷移的難點(diǎn)
3 應(yīng)用至云端的現(xiàn)代化技術(shù)
3．1 已有的技術(shù)
4 云應(yīng)用的可移植性問(wèn)題
5 已提出的方法
6 結(jié)論
參考文獻(xiàn)
基于云端的大數(shù)據(jù)分析：廣域網(wǎng)優(yōu)化技術(shù)與解決方案
1 引言
2 廣域網(wǎng)優(yōu)化
2．1 問(wèn)題及挑戰(zhàn)
3 廣域網(wǎng)優(yōu)化技術(shù)
3．1 面向視頻監(jiān)控的廣域網(wǎng)優(yōu)化
4 提高應(yīng)用性能的工具
4．1 藍(lán)衣應(yīng)用輔助網(wǎng)絡(luò)
5 廣域網(wǎng)優(yōu)化設(shè)備
6 廣域網(wǎng)優(yōu)化控制器
6．1 面向大數(shù)據(jù)和批量數(shù)據(jù)傳輸?shù)难a(bǔ)充廣域網(wǎng)優(yōu)化控制器
6．2 廣域網(wǎng)優(yōu)化控制器的比較：評(píng)估供應(yīng)商和產(chǎn)品
7 廣域網(wǎng)優(yōu)化應(yīng)用于大數(shù)據(jù)分析
7．1 廣域網(wǎng)優(yōu)化的大數(shù)據(jù)分析的關(guān)鍵趨勢(shì)
7．2 大數(shù)據(jù)下廣域網(wǎng)優(yōu)化的驅(qū)動(dòng)
8 廣域網(wǎng)優(yōu)化解決方案
8．1 Infineta系統(tǒng)和Q架構(gòu)
8．2 BIG-IP廣域網(wǎng)優(yōu)化管理
8．3 邊緣虛擬服務(wù)器基礎(chǔ)架構(gòu)
8．4 EMC Isilon和Silver Bank廣域網(wǎng)優(yōu)化
8．5 F5廣域網(wǎng)優(yōu)化模塊
8．6 BIG-IP廣域網(wǎng)優(yōu)化模塊
8．7 面向甲骨文數(shù)據(jù)庫(kù)快速?gòu)?fù)制的F5廣域網(wǎng)優(yōu)化
9 未來(lái)發(fā)展研究趨勢(shì)
9．1 虛擬數(shù)據(jù)環(huán)境和云服務(wù)中的廣域網(wǎng)優(yōu)化
9．2 廣域網(wǎng)優(yōu)化產(chǎn)品的局限性
9．3 加速數(shù)據(jù)遷移與廣域網(wǎng)優(yōu)化
10 結(jié)論
參考文獻(xiàn)
基于云計(jì)算的電子政務(wù)方案：案例分析
1 引言
2 ACME發(fā)展部管理系統(tǒng)
3 云方案
3．1 技術(shù)方案構(gòu)架
3．2 模塊式aDAMS方案
4 結(jié)論
參考文獻(xiàn)