第1章 物聯網與商務智能
1.1 物聯網概述
1.1.1 物聯網的概念
1.1.2 物聯網的體繫結構
1.1.3 物聯網的特點
1.1.4 物聯網的發展趨勢
1.2 商務智能
1.2.1 商務智能的定義
1.2.2 商務智能的功能及作用
1.2.3 商務智能的過程
1.3 商務智能的產生與發展過程
1.3.1 決策支持繫統引發商務智能
1.3.2 數據倉庫實現商業信息的聚集
1.3.3 聯機分析產生多維數據
1.3.4 數據挖掘產生有價值的知識
1.3.5 信息可視化提供直觀的視覺效果
1.3.6 知識時代的競爭利器
1.4 商務智能的體繫結構
1.5 主流商務智能產品
1.6 商務智能未來的發展趨勢
1.7 物聯網對商務智能活動的影響
1.8 物聯網環境下商務智能創新模式前景分析
本章小結
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 產生式表示法
2.4.1 產生式繫統的基本概念
2.4.2 產生式繫統的特點
2.4.3 產生式表示的知識種類及基本形式
2.4.4 產生式繫統的構成
2.4.5 產生式繫統的基本過程
2.4.6 產生式繫統的控制策略
2.5 語義網絡表示法
2.5.1 語義網絡的基本概念
2.5.2 語義網絡的表示
2.5.3 語義網絡的推理過程
2.5.4 語義網絡表示法的特征
2.6 框架表示法
2.6.1 框架結構和框架表示
2.6.2 框架繫統
2.6.3 框架表示法的特性
2.7 過程表示法
2.7.1 過程規則的組成
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 劇本的構成
2.8.3 劇本的推理
2.9 面向對像表示法
2.9.1 面向對像的基本概念
2.9.2 面向對像技術表示知識的方法
本章小結
本章習題
第3章 高級知識推理
3.1 推理的相關知識
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
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 謂詞公式的範式
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 證據不確定性的表示
3.3.3 組合證據不確定性的計算
3.3.4 不確定性的更新
3.3.5 結論不確定性的合成
3.4 證據理論
3.4.1 DS 理論的形式描述
3.4.2 證據理論的推理模型
本章小結
本章習題
第4章 專家繫統
4.1 專家繫統的定義、特點及其類型
4.1.1 專家繫統的定義
4.1.2 專家繫統的一般特點
4.1.3 專家繫統的類型
4.2 專家繫統的結構、功能及其基本原理
4.2.1 專家繫統的結構及其基本功能
4.2.2 專家繫統的基本原理
4.3 專家繫統的開發
4.3.1 專家繫統的開發過程
4.3.2 專家繫統開發語言和工具
4.4 專家繫統的發展趨勢及應用
4.4.1 專家繫統的發展趨勢
4.4.2 專家繫統的應用
本章小結
本章習題
第5章 知識管理繫統
5.1 知識管理繫統概述
5.1.1 知識管理繫統的概念
5.1.2 知識管理繫統的構建目標與實現途徑
5.1.3 知識管理繫統的功能架構與實現框架
5.2 知識管理繫統模型
5.2.1 從理論角度構建知識管理繫統模型
5.2.2 從技術角度構建知識管理繫統模型
5.3 知識管理繫統在企業中的應用
5.3.1 知識管理繫統在企業中的作用
5.3.2 知識管理繫統在生產企業中應用
5.3.3 知識管理繫統實現企業智能運營
5.4 知識管理與商務智能的關繫
5.4.1 知識管理和商務智能的區別
5.4.2 知識管理和商務智能的共同點
5.4.3 知識管理與商務智能整合
本章小結
本章習題
第6章 神經網絡與遺傳算法
6.1 生模型
6.2 人工神經網絡概述
6.2.1 人工神經網絡的發展
6.2.2 神經網絡的特性
6.2.3 人模型
6.2.4 神經網絡的分類
6.2.5 神經網絡學習方法
6.3 向前神經網絡模型
6.3.1 感知器算法及其應用
6.3.2 BP神經網絡
6.4 Hopfield神經網絡
6.5 遺傳算法
本章小結
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
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用
7.2 免疫克隆算法
7.2.1 算法原理基礎
7.2.2 免疫克隆算法算子
7.2.3 免疫克隆算法的實現步驟
7.2.4 免疫克隆算法在傳感器網絡路由的應用
7.3 魚群算法
7.3.1 算法原理基礎
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絡覆蓋中的應用
7.4 粒子群優化算法
7.4.1 粒子群優化算法基礎分析
7.4.2 算法原理
7.4.3 粒子群算法參數
7.4.4 粒子群優化算法流程
7.4.5 粒子群優化算法在無線傳感器網絡定位中的應用
本章小結
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工具的數學機理
8.1.3 知識表達繫統
8.1.4 決策繫統
8.2 連續屬性離散化方法
8.2.1 離散化問題的正規化描述
8.2.2 現有連續屬性離散化方法綜述
8.2.3 基於數據分布特征的離散化方法
8.2.4 基於數據分區的離散化方法
8.2.5 不完備信息表的數據預處理方法
8.3 靜態決策繫統分類算法
8.3.1 數據分析約簡算法中涉及的概念
8.3.2 數據分析約簡算法的描述
8.4 動態決策繫統分類算法
8.4.1 增量式數據挖掘模型的提出
8.4.2 增量式數據挖掘模型的研究
本章小結
本章習題
第9章 機器學習
9.1 機器學習簡史
9.1.1 機器學習的發展歷史
9.1.2 機器學習的概念
9.1.3 機器學習繫統的基本結構
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
本章習題
第10章 multiagent多智能體
10.1 多智能體的概念與發展過程
10.1.1 智能體的定義
10.1.2 多智能體的發展歷史和研究領域
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
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 自然語言理解的發展歷史
11.2 自然語言理解研究的關鍵問題
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
本章習題
第12章 知識工程和數據挖掘
12.1 知識工程簡介
12.1.1 知識工程的相關概念和發展過程
12.1.2 知識管理與信息管理
12.2 數據挖掘和知識發現
12.2.1 數據挖掘與知識發現的概念、過程及方法
12.2.2 數據倉庫
12.3 常用的數據挖掘方法
12.3.1 關聯規則
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
本章習題
參考文獻
