云模型是研究定性概念与定量数值之间相互转换的不确定性认知模型。粒计算是当前计算智能研究领域中模拟人类思维和解决复杂问题的新方法。它覆盖了所有有关粒度的理论、方法和技术，是研究复杂问题求解、海量数据挖掘和模糊信息处理等问题的有力工具。本书介绍云模型与粒计算交叉研究的新进展，由国内外相关领域的华人学者撰文14章，内容涉及云模型、高斯云的数学性质、云模型与相近概念的关系、区间集、区间值信息系统的粒计算模型与方法、多粒度粗糙集、粒计算模型的特性分析与比较、云计算环境下层次粗糙集模型约简算法、基于粒计算的聚类分析、并行约简与F-粗糙集、单调性分类学习、不确定性研究中若干问题的探讨、基于云模型的文本分类应用、数据挖掘算法的云实现。

前言
第1章双向认知计算模型——云模型1
1.1引言2
1.2正态分布与正态隶属函数4
1.3云模型6
1.3.1云模型的定义6
1.3.2云模型的数字特征7
1.3.3正态云模型的递归定义及其数学性质8
1.3.4云发生器8
1.3.5双向认知计算模型12
1.4本章小结20
参考文献21
第2章高斯云的数学性质23
2.1高斯云分布23
2.2高斯云的数学性质25
2.2.1高斯云的数字特征25
2.2.2高斯云的期望曲线27
2.2.3高斯云的雾化特性28
2.2.4高阶高斯云的数字特征30
2.3高斯云的参数对峰度的影响分析32
2.4高斯云的幂律特性实验35
2.5本章小结39
参考文献39
第3章云模型与相近概念的关系40
3.1二型Fuzzy集40
3.1.1二型Fuzzy集的定义40
3.1.2二型Fuzzy集的运算42
3.1.3区间值Fuzzy集44
3.1.4Gaussian二型Fuzzy集46
3.1.5二型Fuzzy集的嵌入区间值Fuzzy集47
3.1.6m型Fuzzy集与Genuine集49
3.1.7区间集与阴影集50
3.2直觉Fuzzy集52
3.2.1直觉Fuzzy集的定义52
3.2.2直觉Fuzzy集的运算53
3.2.3区间值直觉Fuzzy集53
3.3Neumaier云55
3.3.1Neumaier云的定义55
3.3.2离散云58
3.3.3连续云与潜云58
3.4Fuzzy概率集59
3.4.1随机集59
3.4.2Fuzzy概率集59
3.4.3Bifuzzy概率集和区间值概率集61
3.5Soft集61
3.5.1Soft集的定义61
3.5.2Soft集的运算63
3.6云模型64
3.6.1云模型的定义64
3.6.2云模型算法64
3.6.3正态云生成的区间值Fuzzy集65
3.7云集67
3.7.1各类集合的关系67
3.7.2云集69
3.8本章小结69
参考文献70
第4章区间集74
4.1引言74
4.2不准确概念及其表示75
4.3区间集76
4.3.1区间集与部分已知概念76
4.3.2区间集与概念近似77
4.4区间集代数78
4.4.1幂代数78
4.4.2区间集运算78
4.4.3基于包含序的区间集代数80
4.4.4基于知识序的区间集代数81
4.5基于不完备信息表的区间集构造方法81
4.6区间集与其他理论的联系85
4.6.1区间集与Kleene三值逻辑85
4.6.2区间集与粗糙集86
4.6.3区间集与三支决策86
4.6.4区间集、模糊集和云模型87
4.7本章小结87
参考文献87
第5章区间值信息系统的粒计算模型与方法94
5.1引言94
5.2基础概念95
5.2.1不可分辨关系和近似域95
5.2.2决策系统中的不确定性度量95
5.3区间值决策系统的不确定性度量96
5.3.1区间值的相似关系96
5.3.2相似类和决策类97
5.3.3θ-条件熵99
5.3.4不确定性度量和θ-粗糙决策熵101
5.4实验103
5.5本章小结107
参考文献107
第6章多粒度粗糙集110
6.1问题描述110
6.2乐观多粒度粗糙集112
6.2.1Pawlak粗糙集理论112
6.2.2乐观粗糙近似113
6.2.3多粒度粗糙集中的几个度量122
6.2.4特征选择125
6.3悲观多粒度粗糙集128
6.3.1悲观粗糙近似128
6.3.2粗糙成员函数132
6.3.3多粒度粗糙集中的规则133
6.4本章小结134
参考文献135
第7章粒计算模型的特性分析与比较137
7.1引言137
7.2不确定性表示方法141
7.2.1隶属度的方法141
7.2.2粗糙集的表示方法143
7.2.3商空间的表示方法144
7.3粒计算表示不确定性方法之间的关系145
7.3.1隶属度函数表示方法与商空间链表示方法的关系145
7.3.2粗糙集的表示方法与商空间链表示方法之间的关系146
7.3.3云模型与二型模糊之间的关系148
7.4问题求解方法的比较149
7.5本章小结153
参考文献154
第8章云计算环境下层次粗糙集模型约简算法156
8.1层次粗糙集模型157
8.1.1引言157
8.1.2概念层次158
8.1.3基于云模型的概念提取及概念提升159
8.1.4层次粗糙集模型162
8.2云计算技术167
8.2.1云计算介绍167
8.2.2MapReduce技术167
8.3云计算环境下层次粗糙集模型约简算法168
8.3.1云计算环境下知识约简算法中的并行性分析168
8.3.2云计算环境下计算层次编码决策表算法169
8.3.3云计算环境下层次粗糙集模型约简算法的研究170
8.4实验与分析174
8.4.1理论分析174
8.4.2实验结果175
8.4.3实验分析175
8.5本章小结178
参考文献178
第9章基于粒计算的聚类分析182
9.1引言182
9.2粒度计算与聚类分析的关系183
9.3粒聚类的基本方法186
9.3.1模糊聚类分析186
9.3.2粗糙集聚类分析188
9.3.3商空间聚类分析189
9.4基于融合的粒度模型的聚类分析189
9.4.1模糊集与粗糙集的结合190
9.4.2模糊商空间191
9.5多粒度聚类若干问题的研究192
9.5.1多粒度聚类中粒子的转换问题192
9.5.2约简集粒度的精准性196
9.5.3多粒度快速聚类算法197
9.6基于多粒度聚类的问题求解应用举例:粗糙RBF神经网络的学习算法201
9.6.1粗糙RBF神经网络的学习算法201
9.6.2粗糙RBF神经网络的可用性与可靠性实验202
9.7本章小结205
参考文献206
第10章并行约简与F-粗糙集210
10.1粗糙集基本知识212
10.2F-粗糙集214
10.3并行约简定义与性质216
10.4并行约简算法217
10.4.1基于属性重要度矩阵的并行约简算法218
10.4.2基于属性重要度矩阵的并行约简算法的优化220
10.4.3基于F-属性重要度的并行约简算法220
10.4.4(F，ε)-并行约简222
10.5决策系统的分解223
10.6本章小结226
参考文献227
第11章单调性分类学习229
11.1引言229
11.2基于优势关系粗糙集的单调性分类分析230
11.3基于模糊偏好粗糙集的单调性分类分析232
11.4基于排序熵模型的单调性分类分析239
11.4.1Shannon信息熵240
11.4.2有序信息熵240
11.5基于排序熵的单调性决策树244
11.5.1程序描述246
11.5.2性质研究248
11.5.3在人工数据上的实验250
11.6本章小结252
参考文献252
第12章不确定性研究中若干问题的探讨254
12.1隶属度的不确定性问题254
12.2运算法则的不确定性问题256
12.3模糊运算与逻辑运算问题260
12.3.1模糊运算260
12.3.2逻辑运算262
12.4排序的不确定性问题265
12.5截集水平的不确定性问题268
12.6Fuzzy集合的互补律问题268
12.7集合的统一问题269
12.8本章小结270
参考文献270
第13章基于云模型的文本分类应用273
13.1云模型在文本挖掘中的理论扩充273
13.1.1基于VSM模型的文本知识表示273
13.1.2基于信息表的文本知识表示274
13.1.3基于云模型的文本信息表转换275
13.1.4基于云相似度的文本相似度量276
13.2文本分类及其常用方法278
13.2.1文本分类概述278
13.2.2文本分类常用方法279
13.2.3性能分析282
13.2.4文本分类模型的评估283
13.3基于云模型与粒计算的文本分类285
13.3.1虚拟泛概念树及概念跃升285
13.3.2基于云模型的文本特征自动提取算法287
13.3.3基于云概念跃升的文本分类297
13.4本章小结300
参考文献301
第14章数据挖掘算法的云实现303
14.1在云上实现数据挖掘算法的技术背景303
14.2现有基于云计算的数据挖掘平台304
14.2.1“大云”系统304
14.2.2Mahout开源项目304
14.2.3电子科技大学与华为公司合作的云挖掘项目305
14.3经典数据挖掘算法的MapReduce实现思路305
14.4经典数据挖掘算法在Hadoop平台的实现范例307
14.4.1协同过滤算法在Hadoop平台的实现307
14.4.2朴素贝叶斯算法在Hadoop平台的实现312
14.5云挖掘技术的展望318
14.5.1针对Web信息的云挖掘318
14.5.2针对图结构的云挖掘319
14.5.3针对声音与视频等多媒体信息的云挖掘319
参考文献319