目錄
“新一代人工智能理論、技術及應用叢書”序
前言
第1章 因素表達的知識圖譜 1
1.1 因素與信息科學的范式變革 1
1.1.1 信息科學的范式變革 1
1.1.2 范式變革的元詞 1
1.1.3 因素的知識表示 2
1.2 因素空間的定義 5
1.3 知識圖譜簡評 6
1.3.1 知識圖譜的數(shù)學定義 7
1.3.2 知識圖譜的貢獻 7
1.3.3 對知識圖譜發(fā)展方向的質疑 8
1.4 因素譜系和因素空間藤 9
1.4.1 知識增長表達式 9
1.4.2 因素譜系的定義 11
1.4.3 因素的祖裔矩陣 12
1.4.4 因素譜系的嵌入結構 13
1.4.5 根因素與派生因素 14
1.4.6 因素譜系的蓓蕾和因素空間藤 15
1.5 因素編碼 16
1.5.1 因素編碼——知識本體的 DNA 16
1.5.2 因素編碼原理 17
1.5.3 基于因素譜系的因素編碼 17
1.5.4 因素編碼應用與實現(xiàn)原則 19
1.5.5 中醫(yī)因素譜系 20
1.6 小結 22
第2章 智能生成機制的實踐探索 23
2.1 數(shù)字化時代的智能孵化 23
2.2 因素空間是智能孵化的平臺 24
2.2.1 智能生成的感知模型 24
2.2.2 智能生成的認知模型 30
2.2.3 全信息定律的數(shù)學實現(xiàn) 34
2.2.4 智能生成的謀行模型 35
2.2.5 智能生成的行動模型 36
2.2.6 智能創(chuàng)生總過程 36
2.3 洛神天庫 37
2.3.1 洛神天庫的定義 37
2.3.2 洛神天庫與智能孵化的關系 38
2.4 智造銀行 39
2.4.1 金融行業(yè)所面臨的挑戰(zhàn)與解決思路 39
2.4.2 智造銀行的因素譜系 39
2.4.3 統(tǒng)籌狀態(tài)空間 41
2.4.4 銀行統(tǒng)籌分析法 41
2.4.5 智造銀行的天庫結構 45
2.4.6 試錯 46
2.4.7 靈敏度分析 47
2.4.8 智造銀行的問答系統(tǒng) 48
2.5 因素化查詢語言 49
2.5.1 FQL的數(shù)據(jù)定義 49
2.5.2 FQL的數(shù)據(jù)查詢 50
2.5.3 FQL的數(shù)據(jù)操作 51
2.5.4 FQL的特點 52
2.5.5 FQL的概括 53
2.6 因素空間對本能常識的刻畫 53
2.7 小結 55
第3章 因素空間與知識表示 56
3.1 背景關系、因素運算和背景基 56
3.1.1 背景關系 56
3.1.2 因素的質根運算和邏輯運算 56
3.1.3 背景基 61
3.1.4 背景基提取算法的進一步發(fā)展 64
3.2 因素空間區(qū)分對象 74
3.2.1 事物異同的因素定義 75
3.2.2 對象區(qū)分的基本問題 75
3.2.3 基本問題的解答 75
3.3 因素空間生成概念 76
3.3.1 原子概念 76
3.3.2 水生物形式概念舉例 78
3.3.3 基本概念半格的提取算法 79
3.3.4 因素空間與形式概念分析的一致性 80
3.4 因素神經(jīng)網(wǎng)絡 81
3.5 小結 84
第4章 因素空間中的因果分析 85
4.1 因素空間是因果分析的平臺 85
4.1.1 因果歸納、推理和因果分析 85
4.1.2 因果歸納的普遍形式和原理 86
4.1.3 多種決定度 90
4.1.4 因果歸納的理論問題 92
4.2 連續(xù)變量因果歸納算法 93
4.2.1 差轉算法 93
4.2.2 等距劃分算法 94
4.3 多目標因果歸納算法 96
4.3.1 多目標因果歸納基本算法 96
4.3.2 多目標因果歸納降維算法 96
4.4 其他因果歸納算法 100
4.4.1 逆向因果歸納算法 100
4.4.2 異類查字因果歸納算法 101
4.5 簡單棋中智能孵化的雙向夾逼過程 103
4.5.1 用因素空間下三子棋 103
4.5.2 用因素空間下五子棋 106
4.6 小結 109
第5章 簡熵、線性熵與勢態(tài)分析 110
5.1 簡熵 110
5.1.1 簡熵定義及性質 110
5.1.2 基于簡熵的隨機森林算法 112
5.2 線性熵與序權線性熵 114
5.2.1 熵與線性熵 114
5.2.2 簡線熵 118
5.2.3 序權線性熵 119
5.3 常態(tài)與異態(tài)的區(qū)分 120
5.3.1 異態(tài)分析 120
5.3.2 用線性熵進行勢態(tài)分析 121
5.4 序權線性熵在農(nóng)業(yè)遙感作物識別中的應用 122
5.4.1 農(nóng)業(yè)遙感作物識別 122
5.4.2 計算序權線性熵 124
5.5 線性熵在時間序列分類中的應用 125
5.5.1 線性熵的 Shapelet分類理論 126
5.5.2 線性熵的 Shapelet分類算法 128
5.5.3 線性熵的 Shapelet無監(jiān)督分類算法 129
5.6 小結 130
第6章 因素顯隱 131
6.1 因素顯隱問題 131
6.1.1 怎樣找因素 131
6.1.2 顯隱方程 132
6.1.3 隱因素是顯因素的加權合成 132
6.1.4 因素顯隱的基本問題 133
6.1.5 投影 133
6.1.6 顯隱的回歸方法 136
6.1.7 顯隱的優(yōu)化算法 139
6.2 支持向量機 144
6.2.1 支持向量機的歷史淵源 144
6.2.2 支持向量機的原始模型 145
6.2.3 支持向量機的對偶性 146
6.2.4 柔間隔的支持向量機 148
6.2.5 核函數(shù) 149
6.2.6 誤差估計 150
6.2.7 稀疏支持向量機 151
6.3 因素空間對機器學習的改進 154
6.3.1 掃類學習算法 155
6.3.2 支持向量集的結構試探 166
6.4 小結 173
第7章 因素規(guī)劃與問題求解 174
7.1 線性規(guī)劃的單純形法 174
7.1.1 線性規(guī)劃 174 7.1.2單純形法 174
7.2 棱錐切割算法 176
7.2.1 棱錐切割理論 177
7.2.2 對單純形表的重新解釋 179
7.3 線性規(guī)劃的強多項式算法 181
7.3.1 拔高快速算法 181
7.3.2 虛面消去法 183
7.3.3 主動蛻化法 187
7.4 小結 190
第8章 不確定性因果論 191
8.1 因果關系的正確含義 191
8.1.1 皮爾遜對討論因果關系的反對 191
8.1.2 珀爾的“因果革命”論 192
8.1.3 因果分析的核心思想 194
8.1.4 因果三角化解法 196
8.1.5 因子分析 197
8.1.6 因素空間的歸因分析 199
8.2 因素概率論 203
8.2.1 因素概率論的定義 203
8.2.2 因素概率的確定 204
8.2.3 條件概率與推理 205
8.2.4 聯(lián)合分布轉化為背景分布 209
8.3 因素模糊集理論 210
8.3.1 模糊落影理論 210
8.3.2 隸屬函數(shù)的類型 211
8.3.3 因素評分系統(tǒng) 214
8.4 數(shù)學結構在冪上的提升 215
8.4.1 冪格 215
8.4.2 序結構在冪上的提升 217
8.4.3 拓撲結構在冪格上的表現(xiàn) 217
8.4.4 格化拓撲 221
8.4.5 超拓撲 222
8.4.6 天地對應存在唯一性定理 222
8.5 模糊邏輯運算的疑難問題 225
8.5.1 隨機集落影的簡化模型 225
8.5.2 模糊邏輯算子對的三種基本運算 226
8.6 因素邏輯 229
8.6.1 Stone表現(xiàn)定理與因素表現(xiàn)論域 229
8.6.2 因素空間與泛邏輯 235
8.7 小結 235
第9章 循證因素工程 237
9.1 引言 237
9.2 文本因素工程 238
9.2.1 文本因素工程算法 238
9.2.2 文本循證因素工程 239
9.2.3 基于文化遺傳算法的因素特征提取算法 243
9.2.4 因素約簡 254
9.2.5 因素空間的提取及文本因素庫的構建 255
9.3 循證改造罪犯的證據(jù)因素空間分析工程 256
9.3.1 問題需求 256
9.3.2 改造罪犯的循證因素工程 257
9.3.3 循證改造的證據(jù)因素庫共建共享 261
9.3.4 證據(jù)因素體系結構 261
9.3.5 分布式證據(jù)因素庫研發(fā) 261
9.4 小結 262
參考文獻 263
后記 278