大數(shù)據(jù)背景下不確定性人工智能中的知識表達知識獲取及推理

第1章 緒論
1．1 研究背景
1．1．1 不確定性人工智能與貝葉斯網絡
1．1．2 貝葉斯網絡起源、發(fā)展與研究現(xiàn)狀
1．2 問題提出
1．2．1 貝葉斯網絡結構學習與知識獲取
1．2．2 貝葉斯網絡結構學習方法的新要求
1．3 研究內容與框架
1．4 本書的創(chuàng)新點
第2章 相關問題研究現(xiàn)狀
2．1 貝葉斯網絡結構學習方法研究現(xiàn)狀
2．1．1 基于專家知識的貝葉斯網絡結構學習方法
2．1．2 基于數(shù)據(jù)集的貝葉斯網絡結構學習方法
2．2 認知科學領域相關研究現(xiàn)狀
2．2．1 認知與人工智能
2．2．2 認知與不確定性的表達、推理和決策
2．2．3 認知與機器學習
2．2．4 認知與知識獲取
2．3 本章小結
第3章 理論基礎
3．1 貝葉斯網絡的理論基礎
3．1．1 貝葉斯網絡原理、定義和特性
3．1．2 貝葉斯網絡學習和推理
3．2 強相關邏輯的理論基礎
3．2．1 邏輯、推論與知識獲取
3．2．2 條件關系與CML、傳統(tǒng)相關邏輯
3．2．3 知識獲取中的相關推論與強相關邏輯
3．3 雙庫協(xié)同認知機制
3．3．1 雙庫協(xié)同機制的概念
3．3．2 雙庫協(xié)同認知機制理論框架
3．4 本章小結
第4章 基于Mqars算法的貝葉斯網絡結構學習方法
4．1 基于Mqars的方法的提出
4．1．1 問題描述
4．1．2 基于Mqars的方法的技術路線
4．2 基于Mqars的方法的理論框架
4．2．1 基于Mqars的方法的理論平臺
4．2．2 基于Mqars的方法的認知特性
4．3 先驗知識的提取約簡方法
4．3．1 先驗知識提取約簡方法的提出
4．3．2 基于RS的貝葉斯網絡節(jié)點約簡算法
4．3．3 基于KPCA的先驗知識提取算法
4．3．4 基于RS&KPCA的先驗知識提取約簡算法
4．4 基于粗糙集的多值屬性關聯(lián)規(guī)則挖掘算法（Mqars）
4．4．1 Mqars算法的提出
4．4．2 Mqars算法的描述
4．4．3 Mqars算法的實現(xiàn)
4．4．4 Mqars算法的實例
4．5 因果關聯(lián)規(guī)則的貝葉斯網絡結構表示方法
4．6 本章小結
第5章 基于強相關邏輯的貝葉斯網絡及其結構學習方法
5．1 問題描述
5．1．1 概率邏輯模型
5．1．2 SRL-BNs的提出
5．2 SRL-BNs的概述與特點
5．2．1 SRL-BNs的知識演化
5．2．2 SRL-BNs的特點
5．3 SRL-BNs的組件和語義
5．3．1 SRL-BNs的組件
5．3．2 SRL-BNs宣言式的語義
5．4 基于SRL-BNs的貝葉斯網絡結構學習方法
5．4．1 基于SRL-BNs的方法的提出
5．4．2 基于SRL-BNs的方法的認知特性
5．4．3 基于SRL-BNs的方法的流程和算法描述
5．5 一個SRL-BNs的實例研究
5．6 本章小結
第6章 基于Mqars的方法在財務預警問題研究中的應用
6．1 問題提出
6．1．1 研究背景
6．1．2 財務危機界定與財務預警模型研究綜述
6．1．3 貝葉斯網絡方法的提出
6．2 研究設計
6．2．1 樣本的界定與選取
6．2．2 財務指標的確定
6．3 構建基于貝葉斯網絡的財務預警模型
6．3．1 基于RS的財務指標的約簡
6．3．2 財務預警模型的網絡結構學習
6．3．3 財務預警模型節(jié)點參數(shù)確定
6．4 模型應用及實證研究結論
6．4．1 財務預警系統(tǒng)的應用
6．4．2 實證研究結論
6．5 本章小結
第7章 基于SRL-BNs的方法在產業(yè)集群衰退預測中的應用
7．1 研究背景與研究現(xiàn)狀
7．2 研究設計
7．2．1 研究樣本的選取
7．2．2 研究樣本的界定
7．3 產業(yè)集群衰退知識庫構建
7．3．1 邏輯斯蒂方程與需求增長率
7．3．2 資源需求量與企業(yè)成本
7．3．3 集群規(guī)模與吸引力
7．3．4 經濟周期與市場需求量
7．3．5 路徑依賴與技術創(chuàng)新力
7．3．6 路徑依賴與戰(zhàn)略選擇
7．3．7 知識溢出效應
7．4 構建基于SRL-BNs的產業(yè)集群衰退模型
7．4．1 基于SRL的簡單條件句和謂詞提取
7．4．2 創(chuàng)建定性貝葉斯子句
7．4．3 創(chuàng)建過程貝葉斯子句
7．4．4 確定定量貝葉斯子句
7．5 預測結果分析及結論
7．6 本章小結
第8章 結論與展望
8．1 本書的主要結論
8．2 未來工作的展望
參考文獻
附錄