大数据与智能计算

　　《大数据与智能计算》面向不同领域的大数据分析研究和从业人员介绍理论前沿，同时将大数据前沿理论应用于求解生活中实际问题。《大数据与智能计算》包括三个部分：第一部分主要介绍大数据分析的理论基础，如面向大数据的时序预测，混合智能技术，使用神经智集进行决策等；第二部分讨论面向大数据分析的框架结构问题，如高效分组遗传算法、大数据在医疗领域的应用等；第三部分讨论与云计算相关的议题。
　　《大数据与智能计算》可作为各大学计算机科学与工程、管理科学与工程、系统工程等专业本科生和研究生的教材，也可作为相关研究机构和企业从事人工智能、数据挖掘以及电子商务等专业研究和工作的相关人员的参考书籍。

第一部分 大数据分析理论基础
atrain分布式系统（ADS）：面向任何四维特征大数据的可变规模数据架构
1 引言
2 r-train（train）和r-atrain（atrain）：大数据数据结构
2．1 类数组
2．2 面向同构大数据的同构数据结构r-train
2．3 r-atrain（atrain）：面向大数据的高效异构数据结构
3 立体矩阵和立体类矩阵（用于大数据和暂存大数据）
3．1 立体矩阵和立体类矩阵
3．2 三维立体矩阵及其特点
4 （元素为数值的）立体矩阵代数运算
5 面向立体矩阵／类矩阵的同构数据结构MT
5．1 三维立体矩阵（三维立体类矩阵）的应用
6 异构矩阵和异构类矩阵：异构大数据的存储模型
7 用于大数据的atrain分布式系统
7．1 atrain分布式系统
7．2 用于ADS的“多马拉车”拓扑结构和循环拓扑结构
8 atrain分布式系统中的异构数据结构r-atrain
8．1 在ADS中r-atrain的数据类
8．2 环形train和环形atrain
8．3 面向大数据的ADS内r-atrain的基本操作
9 用于大数据立体异构类矩阵的异构数据结构MA
10 结论
参考文献
大数据时序预测模型：基于模糊神经网络的混合方法
1 引言
2 模糊集基础
3 混合模糊-神经网络与大数据时间序列
3．1 神经网络：综述
3．2 混合模糊-神经网络方法：应用于大数据时序预测问题的新方法
4 数据集描述
5 方法与算法
5．1 EIBD方法
5．2 大数据时序预测模型算法
6 面向大数据的模糊神经网络预测模型
7 性能分析参数
8 实证分析
8．1 M因子预测
8．2 双因子预测
8．3 三因子预测
8．4 统计显著性
9 结论与讨论
参考文献
基于混合智能技术的学习方法
1 引言
2 基于智能混合粒子群和快速约简算法的基因选择方法
2．1 粒子群算法
2．2 算法步骤
2．3 算法执行与结果
3 面向癌症分类问题的基于粗糙集的混合基因选择
3．1 粗糙集
3．2 基于基因选择的粗糙集方法
3．3 有监督条件下的基于相关性的约简算法（CFS-RST）
3．4 算法执行与结果
4 面向微阵列数据分类精度增强的混合数据挖掘技术（CFS-PLS）
4．1 SIMPLS与分类框架中的维度约简
4．2 偏最小二乘回归
4．3 算法执行与结果
5 结论
6 工作展望
参考文献
智集及其在决策中的应用
1 引言
2 单值智集
3 多个单值智集的距离、相似性与熵
3．1 两个智集之间的距离
3．2 两个单值智集间的相似性
4 区间值智集软集
4．1 软集
4．2 区间智集软集
4．3 IVNSS在决策支持中的应用
5 结论
参考文献

第二部分 面向大数据分析的框架结构
一种用于数据聚类和大数据分析的高效分组遗传算法
1 引言
2 定义
3 算法
3．1 编码
3．2 适应度函数
3．3 选择算子
3．4 交叉算子
3．5 变异算子
3．6 取代和精英策略
3．7 局部搜索
4 聚类分析的验证
5 实验与评价
5．1 数据集
5．2 结果
6 结论
参考文献
用于大规模优化的Nelder Mead交叉Log-Logistic突变自组织迁移算法
1 引言
2 自组织迁移算法
3 NMSOMA-M算法
3．1 NM交叉算子
3．2 Log—Logistic突变算子
3．3 NMSOMA-M算法步骤
4 基准函数
5 基准问题的数值结果
6 结论
参考文献
面向数据分析的大数据应用纵览
1 引言
2 医疗领域的大数据
3 大数据分析框架
3．1 大数据
3．2 数据的预处理
3．3 训练集
3．4 数据挖掘技术
3．5 描述和可视化
4 结果和实现
5 结论
参考文献
脑电信号基本原理及其在医疗领域的应用
1 引言
2 脑电波
2．1 自发的脑电图波
2．2 事件相关电位
2．3 基于脑电图的系统的组成
3 视觉刺激生成
4 脑信号的处理
4．1 预处理
4．2 特征提取
4．3 特征选择与压缩
4．4 分类
5 结论
6 未来展望
参考文献

第三部分 大数据分析及云计算
大数据：基于云技术的数据密集型应用处理
1 引言
2 云计算及大数据
2．1 云技术为大数据提供的优势
3 云计算中的大数据处理所面临的挑战
3．1 数据获得和存储
3．2 数据传输
3．3 数据策管
3．4 数据分析
3．5 数据可视化
4 大数据云工具：一种新的技术手段
4．1 基于MapReduce的大数据处理
4．2 基于HacIoop的大数据处理
4．3 Cloudant
4．4 Xeround
4．5 StormDB
4．6 SAP
4．7 Rackspace
4．8 MongoLab
4．9 Microsoft Azure
4．10 Google Cloud SQL
4．11 Garantia Data
4．12 EnterpRiseDB
4．13 Amazon Web Services
5 结论
参考文献
基于模型驱动的异构云框架
1 引言
2 背景
2．1 云计算
2．2 模型驱动工程
2．3 使用多个云的必要性
2．4 迁移的难点
3 应用至云端的现代化技术
3．1 已有的技术
4 云应用的可移植性问题
5 已提出的方法
6 结论
参考文献
基于云端的大数据分析：广域网优化技术与解决方案
1 引言
2 广域网优化
2．1 问题及挑战
3 广域网优化技术
3．1 面向视频监控的广域网优化
4 提高应用性能的工具
4．1 蓝衣应用辅助网络
5 广域网优化设备
6 广域网优化控制器
6．1 面向大数据和批量数据传输的补充广域网优化控制器
6．2 广域网优化控制器的比较：评估供应商和产品
7 广域网优化应用于大数据分析
7．1 广域网优化的大数据分析的关键趋势
7．2 大数据下广域网优化的驱动
8 广域网优化解决方案
8．1 Infineta系统和Q架构
8．2 BIG-IP广域网优化管理
8．3 边缘虚拟服务器基础架构
8．4 EMC Isilon和Silver Bank广域网优化
8．5 F5广域网优化模块
8．6 BIG-IP广域网优化模块
8．7 面向甲骨文数据库快速复制的F5广域网优化
9 未来发展研究趋势
9．1 虚拟数据环境和云服务中的广域网优化
9．2 广域网优化产品的局限性
9．3 加速数据迁移与广域网优化
10 结论
参考文献
基于云计算的电子政务方案：案例分析
1 引言
2 ACME发展部管理系统
3 云方案
3．1 技术方案构架
3．2 模块式aDAMS方案
4 结论
参考文献

　　《大数据与智能计算》：
　　长期以来，对自然界线性因果关系的探究成了自然科学研究的中心任务。牛顿力学的极大成功成为科学理论的范本，确立了自然科学研究中典型的严格决定论范式，即人们通常认为任何现实事物的运动变化都有其原因，而要把握一件事物的本质就必须找出它的原因。严格决定论是指事物符合线性因果关系，事件发生与否、如何发生及其过程是按照“因果性”完全决定的，严格决定论实际上是一种满足充分必要条件的因果关系。
　　随着19世纪中后期达尔文进化论、热力学和20世纪早期现代物理科学的发展，人们看到了生物世界与物理世界、微观世界与宏观世界的巨大区别，认识到牛顿力学并不能解释全部世界的运动和变化，例如，在量子世界，以丹麦物理学家玻尔为首的包括海森堡、玻恩、泡利等在内的哥本哈根学派，创建了描述粒子状态的波函数的统计解释以及测不准原理和互补原理。量子科学将概率统计学引入到量子世界的研究当中，使得严格决定论的世界图景遭到严峻的挑战。
　　但是，如果我们理解并承认因果性具有可变的形式，“因果性”的假说依然具有普适性。爱因斯坦认为：量子物理学向我们显示了非常复杂的过程，为了适应这个过程，我们必须进一步扩大和改善我们的因果性概念。事实上，统计决定论也是因果性的一种表现，多次丢硬币会形成规律性，统计物理学就是建立在大量微观粒子随机运动的统计规律上的。在自然科学研究中，因果性可以表现为“严格决定论”和“统计决定论”两种方式，广义上讲，“因果性”的认识对其他全部的科学领域产生了巨大的借鉴和模仿效应。
　　在各种归纳推理的合法性解释中，因果性解释似乎最为合理，至今，因果性依然是对归纳推理问题最通行的解答。罗素对因果性的解释是：一个普遍原理，在已知关于某些时空领域的充分数据的条件下，凭借这个原理我们可以推论出关于某些其他时空领域的某些情况。这种推论可能只具有概然性，但是只有在概率超过一半的时候，我们所谈的那个原理才能被称得上是一个“因果律”。人类通过“因果律”来认知我们所在的世界。
　　……