大數(shù)據(jù)背景下不確定性人工智能中的知識(shí)表達(dá)知識(shí)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(wǎng)絡(luò)
1．1．2 貝葉斯網(wǎng)絡(luò)起源、發(fā)展與研究現(xiàn)狀
1．2 問題提出
1．2．1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)與知識(shí)獲取
1．2．2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法的新要求
1．3 研究?jī)?nèi)容與框架
1．4 本書的創(chuàng)新點(diǎn)
第2章 相關(guān)問題研究現(xiàn)狀
2．1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法研究現(xiàn)狀
2．1．1 基于專家知識(shí)的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法
2．1．2 基于數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)方法
2．2 認(rèn)知科學(xué)領(lǐng)域相關(guān)研究現(xiàn)狀
2．2．1 認(rèn)知與人工智能
2．2．2 認(rèn)知與不確定性的表達(dá)、推理和決策
2．2．3 認(rèn)知與機(jī)器學(xué)習(xí)
2．2．4 認(rèn)知與知識(shí)獲取
2．3 本章小結(jié)
第3章 理論基礎(chǔ)
3．1 貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)
3．1．1 貝葉斯網(wǎng)絡(luò)原理、定義和特性
3．1．2 貝葉斯網(wǎng)絡(luò)學(xué)習(xí)和推理
3．2 強(qiáng)相關(guān)邏輯的理論基礎(chǔ)
3．2．1 邏輯、推論與知識(shí)獲取
3．2．2 條件關(guān)系與CML、傳統(tǒng)相關(guān)邏輯
3．2．3 知識(shí)獲取中的相關(guān)推論與強(qiáng)相關(guān)邏輯
3．3 雙庫協(xié)同認(rèn)知機(jī)制
3．3．1 雙庫協(xié)同機(jī)制的概念
3．3．2 雙庫協(xié)同認(rèn)知機(jī)制理論框架
3．4 本章小結(jié)
第4章 基于Mqars算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)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(shù)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(tái)
4．2．2 基于Mqars的方法的認(rèn)知特性
4．3 先驗(yàn)知識(shí)的提取約簡(jiǎn)方法
4．3．1 先驗(yàn)知識(shí)提取約簡(jiǎn)方法的提出
4．3．2 基于RS的貝葉斯網(wǎng)絡(luò)節(jié)點(diǎn)約簡(jiǎn)算法
4．3．3 基于KPCA的先驗(yàn)知識(shí)提取算法
4．3．4 基于RS&KPCA的先驗(yàn)知識(shí)提取約簡(jiǎn)算法
4．4 基于粗糙集的多值屬性關(guān)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(shí)現(xiàn)
4．4．4 Mqars算法的實(shí)例
4．5 因果關(guān)聯(lián)規(guī)則的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)表示方法
4．6 本章小結(jié)
第5章 基于強(qiáng)相關(guān)邏輯的貝葉斯網(wǎng)絡(luò)及其結(jié)構(gòu)學(xué)習(xí)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(diǎn)
5．2．1 SRL-BNs的知識(shí)演化
5．2．2 SRL-BNs的特點(diǎn)
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(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)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(rèn)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(gè)SRL-BNs的實(shí)例研究
5．6 本章小結(jié)
第6章 基于Mqars的方法在財(cái)務(wù)預(yù)警問題研究中的應(yīng)用
6．1 問題提出
6．1．1 研究背景
6．1．2 財(cái)務(wù)危機(jī)界定與財(cái)務(wù)預(yù)警模型研究綜述
6．1．3 貝葉斯網(wǎng)絡(luò)方法的提出
6．2 研究設(shè)計(jì)
6．2．1 樣本的界定與選取
6．2．2 財(cái)務(wù)指標(biāo)的確定
6．3 構(gòu)建基于貝葉斯網(wǎng)絡(luò)的財(cái)務(wù)預(yù)警模型
6．3．1 基于RS的財(cái)務(wù)指標(biāo)的約簡(jiǎn)
6．3．2 財(cái)務(wù)預(yù)警模型的網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
6．3．3 財(cái)務(wù)預(yù)警模型節(jié)點(diǎn)參數(shù)確定
6．4 模型應(yīng)用及實(shí)證研究結(jié)論
6．4．1 財(cái)務(wù)預(yù)警系統(tǒng)的應(yīng)用
6．4．2 實(shí)證研究結(jié)論
6．5 本章小結(jié)
第7章 基于SRL-BNs的方法在產(chǎn)業(yè)集群衰退預(yù)測(cè)中的應(yīng)用
7．1 研究背景與研究現(xiàn)狀
7．2 研究設(shè)計(jì)
7．2．1 研究樣本的選取
7．2．2 研究樣本的界定
7．3 產(chǎn)業(yè)集群衰退知識(shí)庫構(gòu)建
7．3．1 邏輯斯蒂方程與需求增長(zhǎng)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(jīng)濟(jì)周期與市場(chǎng)需求量
7．3．5 路徑依賴與技術(shù)創(chuàng)新力
7．3．6 路徑依賴與戰(zhàn)略選擇
7．3．7 知識(shí)溢出效應(yīng)
7．4 構(gòu)建基于SRL-BNs的產(chǎn)業(yè)集群衰退模型
7．4．1 基于SRL的簡(jiǎn)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(yù)測(cè)結(jié)果分析及結(jié)論
7．6 本章小結(jié)
第8章 結(jié)論與展望
8．1 本書的主要結(jié)論
8．2 未來工作的展望
參考文獻(xiàn)
附錄