第一章 不确定性理论与方法
1.1 概率基础
1.2 信息熵
1.2.1 信息熵的概念
1.2.2 联合熵与条件熵
1.2.3 离散互信息
1.3 模糊集
1.3.1 模糊集合
1.3.2 隶属函数
1.3.3 模糊集与普通集
1.3.4 模糊关系
1.3.5 模糊数
1.3.6 模糊集的距离
1.3.7 模糊聚类
1.4 粗糙集
1.4.1 属性约简
1.4.2 粗糙集基本概念
1.4.3 粗糙模糊集
1.4.4 概率粗糙集
1.4.5 基于相似关系的粗糙近似
1.5 遗传算法
1.5.1 遗传算法的生物遗传学基础
1.5.2 遗传算法的基本概念
1.5.3 遗传算法的基本流程
1.5.4 遗传算法应用实例
1.5.5 遗传算法的模式理论及收敛理论
1.5.6 遗传算法的特点及应用领域
参考文献注释
参考文献
第二章 数据依赖
2.1 数据依赖
2.1.1 函数依赖
2.1.2 多值依赖
2.1.3 连接依赖
2.1.4 非圈连接依赖
2.2 数据依赖间的蕴涵关系
2.2.1 模式等价
2.2.2 连接依赖蕴涵的检验
2.2.3 函数依赖蕴涵的检验
2.2.4 追逐表之间的关系
2.3 模糊数据依赖
2.3.1 模糊关系数据模型
2.3.2 模糊值的贴近度
2.3.3 模糊关系操作
2.3.4 模糊函数依赖与多值依赖
2.3.5 模糊连接依赖
2.3.6 模糊数据依赖蕴涵
2.3.7 模糊度约束
2.3.8 模糊函数依赖的应用
参考文献注释
参考文献
第三章 分类和聚类分析
3.1 分类分析
3.1.1 分类的基本概念
3.1.2 分类模型简介
3.1.3 基于决策树的分类
3.1.4 基于距离的分类
3.1.5 贝叶斯分类
3.1.6 其他分类方法概述
3.2 聚类分析
3.2.1 聚类的基本概念
3.2.2 数据类型和相似性度量
3.2.3 基于划分的聚类
3.2.4 层次聚类
3.2.5 基于密度的聚类
3.2.6 模糊聚类
3.2.7 其他聚类方法
参考文献注释
参考文献
第四章 贝叶斯网
4.1 马尔可夫网与贝叶斯网
4.1.1 依赖模型与图的关系
4.1.2 马尔可夫网
4.1.3 贝叶斯网
4.2 构造贝叶斯网
4.2.1 参数学习
4.2.2 贝叶斯网结构学习的打分－搜索方法
4.2.3 基于依赖分析的马尔可夫网的构造算法
4.2.4 由数据依赖构造贝叶斯网
4.3 贝叶斯网的推理
4.3.1 推理概述
4.3.2 Cutsetconditioning推理方法
4.3.3 Clustering推理方法
4.4 贝叶斯网的聚集
4.4.1 链图模型
4.4.2 贝叶斯网的聚集
参考文献注释
参考文献
第五章 基于影响图模型的决策分析
5.1 统计决策的基本概念
5.1.1 普通统计决策
5.1.2 模糊统计决策
5.1.3 效用函数
5.2 影响图
5.3 影响图决策
5.3.1 影响图决策的结点约简方法
5.3.2 影响图决策的遗传算法
5.3.3 影响图决策的增强学习算法
5.4 影响图结构学习与参数学习
5.4.1 影响图结构学习算法
5.4.2 影响图局部结构的修改
5.4.3 效用函数学习
参考文献注释
参考文献
第六章 对策分析
6.1 对策论基础
6.1.1 策略博弈
6.1.2 不完全信息博弈
6.1.3 协作博弈
6.1.4 多阶段博弈
6.2 求解离散空间的e－纳什均衡
6.3 n人博弈的化简
6.3.1 n人博弈中对局者的地位
6.3.2 对局者间的策略依赖度
6.3.3 博弈相关
6.4 多阶段博弈的增强学习算法
参考文献注释
参考文献
第七章 融合分析
7.1 数据融合概述
7.2 身份与证据融合
7.2.1 古典统计方法
7.2.2 贝叶斯统计方法
7.2.3 Dempster-Shafer证据理论
7.2.4 证据叠加
7.3 推理融合
7.3.1 条件事件代数概述
7.3.2 基于GNw条件事件代数的贝叶斯网逻辑表达式计算
7.3.3 基于乘积空间条件事件代数的贝叶斯网的逻辑推理
7.4 模型融合
7.4.1 基于马尔可夫等价的贝叶斯网合并方法
7.4.2 基于扩展关系数据理论的贝叶斯网合并方法
7.4.3 贝叶斯网的参数合并
7.5 决策融合
7.5.1 多目标决策融合
7.5.2 群决策中的方案选择
7.5.3 群决策中决策方案的融合
参考文献注释
参考文献
缺书网
扫码进群