本书主要介绍了物联网智能技术的理论及其相关算法，从知识管理、知识表达、知识推理、智能计算、机器学习等方面，对物联网智能技术进行了详细介绍，以期为读者提供一个更为系统、综合的物联网智能技术体系。



        本书内容丰富、详略得当、专业性强，既可作为系统工程专业、计算机专业及通信等相关专业本科生及研究生的教材，也可作为高等学校学生毕业论文及毕业设计的参考资料，以及从事物联网智能技术相关工作的专业人员的参考书。

        智能技术与管理是信息科学与管理科学发展的高级阶段，是一门新兴的交叉前沿学科，具有极为广泛的应用领域，特别是在近年来兴起的物联网技术中表现得尤为突出。物联网智能技术与专家系统属于信息技术的应用课，其先导课程有“计算机基础”、“离散数学”、“数据库理论及数据挖掘技术”等。通过对物联网智能技术和专家系统的概念、结构、功能以及知识表示、推理机制等知识的学习，学生可以掌握智能信息处理的一般方法和原理，以解决一定领域内的实际问题。物联网智能技术将人工智能技术和IT基础设施整合为一体，使全球信息化进程发生重要转折，即从“数字化”阶段向“智能化”阶段迈进。物联网智能技术将大大加快信息化进程，拓展信息化领域，通过该技术实现的各种应用将快速渗透到经济、社会、安全等各个方面，并极大地提高社会生产效率。



        本书内容丰富、详略得当、专业性强，共分12章进行讲解，其中：第1章主要概述了物联网和商务智能的基本概念、发展及应用等；第2章介绍了知识表示方法，包括与/或树表示法、产生式表示法、语义网络表示法、框架表示法、过程表示法、剧本表示法及面向对象表示法；第3章介绍了高级知识推理；第4章介绍了专家系统的概念、开发过程和发展趋势；第5章介绍了知识管理系统及与商务智能关系；第6章讲述了神经网络与遗传算法的基本概念；第7章对蚁群算法、免疫克隆算法、鱼群算法及粒子群优化算法进行介绍；第8章对粗糙集合及其算法进行讲解；第9章介绍了机器学习；第10章介绍了multiagent多智能体；第11章介绍了自然语言理解的概念和发展过程及自然语言理解研究的关键问题；第12章介绍了知识工程和常用的数据挖掘方法。



        本书由张文宇、李栋主编，其中第1～8章由张文宇教授编写，第9～12章由李栋老师编写。西安理工大学贾嵘教授对全书各章节进行了审阅。全文的校对和修改由西安邮电学院研究生任露、高晶、邹佳利和马晨共同完成，在此表示感谢。



        由于编写时间仓促，加之水平有限，书中疏漏和不妥之处在所难免，恳请读者批评指正。


                                                    编  者

 

第1章  物联网与商务智能 1

1.1  物联网概述 2

1.1.1  物联网的概念 3

1.1.2  物联网的体系结构 4

1.1.3  物联网的特点 5

1.1.4  物联网的发展趋势 6

1.2  商务智能 8

1.2.1  商务智能的定义 8

1.2.2  商务智能的功能及作用 9

1.2.3  商务智能的过程 10

1.3  商务智能的产生与发展过程 11

1.3.1  决策支持系统引发商务智能 11

1.3.2  数据仓库实现商业信息的聚集 11

1.3.3  联机分析产生多维数据 11

1.3.4  数据挖掘产生有价值的知识 12

1.3.5  信息可视化提供最直观的视觉效果 12

1.3.6  知识时代的竞争利器 13

1.4  商务智能的体系结构 13

1.5  主流商务智能产品 14

1.6  商务智能未来的发展趋势 16

1.7  物联网对商务智能活动的影响 18

1.8  物联网环境下商务智能创新模式前景分析 19

本章小结 21

本章习题 21

第2章  知识表示方法 23

2.1  知识与知识表示 24

2.1.1  知识 24

2.1.2  知识表示 27

2.1.3  知识表示方法 29

2.1.4  衡量知识表示方法的标准 30

2.2  一阶谓词逻辑表示法 30

2.2.1  谓词逻辑 30

2.2.2  一阶谓词演算 31

2.3  与 / 或树表示法 33

2.3.1  问题的分解与等价变换 33

2.3.2  问题归约的与/或树表示 34

2.3.3  与／或树表示法的求解步骤 35

2.4  产生式表示法 35

2.4.1  产生式系统的基本概念 36

2.4.2  产生式系统的特点 36

2.4.3  产生式表示的知识种类及基本形式 36

2.4.4  产生式系统的构成 37

2.4.5  产生式系统的基本过程 41

2.4.6  产生式系统的控制策略 42

2.5  语义网络表示法 43

2.5.1  语义网络的基本概念 43

2.5.2  语义网络的表示 44

2.5.3  语义网络的推理过程 47

2.5.4  语义网络表示法的特征 48

2.6  框架表示法 48

2.6.1  框架结构和框架表示 49

2.6.2  框架系统 51

2.6.3  框架表示法的特性 53

2.7  过程表示法 54

2.7.1  过程规则的组成 54

2.7.2  过程表示的问题求解过程 55

2.7.3  过程表示的特性 56

2.8  剧本表示法 56

2.8.1  概念依赖理论 56

2.8.2  剧本的构成 57

2.8.3  剧本的推理 58

2.9  面向对象表示法 59

2.9.1  面向对象的基本概念 59

2.9.2  面向对象技术表示知识的方法 61

本章小结 62

本章习题 62

第3章  高级知识推理 63

3.1  推理的相关知识 64

3.1.1  推理的概念 64

3.1.2  推理方法及其分类 64

3.1.3  推理的控制策略及其分类 67

3.1.4  正向推理 67

3.1.5  逆向推理 69

3.1.6  混合推理 70

3.2  推理的逻辑基础 71

3.2.1  谓词公式的解释 71

3.2.2  谓词公式的永真性与可满足性 71

3.2.3  谓词公式的等价性与永真蕴涵性 72

3.2.4  谓词公式的范式 73

3.2.5  置换与合一 74

3.3  主观Bayes方法 76

3.3.1  知识不确定性的表示 76

3.3.2  证据不确定性的表示 76

3.3.3  组合证据不确定性的计算 76

3.3.4  不确定性的更新 77

3.3.5  结论不确定性的合成 79

3.4  证据理论 80

3.4.1  DS 理论的形式描述 80

3.4.2  证据理论的推理模型 82

本章小结 88

本章习题 88

第4章  专家系统 91

4.1  专家系统的定义、特点及其类型 92

4.1.1  专家系统的定义 92

4.1.2  专家系统的一般特点 92

4.1.3  专家系统的类型 93

4.2  专家系统的结构、功能及其基本原理 96

4.2.1  专家系统的结构及其基本功能 96

4.2.2  专家系统的基本原理 97

4.3  专家系统的开发 98

4.3.1  专家系统的开发过程 99

4.3.2  专家系统开发语言和工具 102

4.4  专家系统的发展趋势及应用 106

4.4.1  专家系统的发展趋势 106

4.4.2  专家系统的应用 110

本章小结 110

本章习题 110

第5章  知识管理系统 111

5.1  知识管理系统概述 112

5.1.1  知识管理系统的概念 112

5.1.2  知识管理系统的构建目标与实现途径 112

5.1.3  知识管理系统的功能架构与实现框架 117

5.2  知识管理系统模型 119

5.2.1  从理论角度构建知识管理系统模型 119

5.2.2  从技术角度构建知识管理系统模型 120

5.3  知识管理系统在企业中的应用 120

5.3.1  知识管理系统在企业中的作用 121

5.3.2  知识管理系统在生产企业中应用 121

5.3.3  知识管理系统实现企业智能运营 122

5.4  知识管理与商务智能的关系 123

5.4.1  知识管理和商务智能的区别 123

5.4.2  知识管理和商务智能的共同点 123

5.4.3  知识管理与商务智能整合 124

本章小结 125

本章习题 126

第6章  神经网络与遗传算法 127

6.1  生物神经元模型 128

6.2  人工神经网络概述 129

6.2.1  人工神经网络的发展 129

6.2.2  神经网络的特性 130

6.2.3  人工神经元模型 132

6.2.4  神经网络的分类 134

6.2.5  神经网络学习方法 135

6.3  向前神经网络模型 138

6.3.1  感知器算法及其应用 138

6.3.2  BP神经网络 141

6.4  Hopfield神经网络 144

6.5   遗传算法 146

本章小结 150

本章习题 150

第7章  其他计算智能法 151

7.1  蚁群算法 152

7.1.1  蚁群算法的基础 152

7.1.2  蚁群算法的原理 156

7.1.3  蚁群算法描述 157

7.1.4  蚁群算法的特点 158

7.1.5  蚁群算法在多传感器管理中的应用 159

7.2  免疫克隆算法 162

7.2.1  算法原理基础 162

7.2.2  免疫克隆算法算子 164

7.2.3  免疫克隆算法的实现步骤 166

7.2.4  免疫克隆算法在传感器网络路由的应用 167

7.3  鱼群算法 169

7.3.1  算法原理基础 169

7.3.2  鱼群算法描述 171

7.3.3  鱼群算法分析 171

7.3.4  人工鱼群算法在无线传感网络覆盖中的应用 172

7.4  粒子群优化算法 175

7.4.1  粒子群优化算法基础分析 175

7.4.2  算法原理 176

7.4.3  粒子群算法参数 177

7.4.4  粒子群优化算法流程 179

7.4.5  粒子群优化算法在无线传感器网络定位中的应用 179

本章小结 181

本章习题 181

第8章  粗糙集合 183

8.1  基本概念 184

8.1.1  RSDA工具概述 184

8.1.2  RSDA工具的数学机理 186

8.1.3  知识表达系统 190

8.1.4  决策系统 191

8.2  连续属性离散化方法 191

8.2.1  离散化问题的正规化描述 192

8.2.2  现有连续属性离散化方法综述 192

8.2.3  基于数据分布特征的离散化方法 194

8.2.4  基于数据分区的离散化方法 199

8.2.5  不完备信息表的数据预处理方法 201

8.3  静态决策系统分类算法 204

8.3.1  数据分析约简算法中涉及的概念 205

8.3.2  数据分析约简算法的描述 206

8.4  动态决策系统分类算法 209

8.4.1  增量式数据挖掘模型的提出 209

8.4.2  增量式数据挖掘模型的研究 209

本章小结 216

本章习题 216

第9章  机器学习 217

9.1  机器学习简史 218

9.1.1  机器学习的发展历史 218

9.1.2  机器学习的概念 219

9.1.3  机器学习系统的基本结构 220

9.2  机器学习的主要策略和方法 221

9.2.1  机械学习 222

9.2.2  指导学习 222

9.2.3  归纳学习 223

9.2.4  类比学习 224

9.2.5  解释学习 226

9.2.6  其他学习策略 226

9.3  几种常用的机器学习算法 227

9.3.1  决策树算法 227

9.3.2  支持向量机 231

9.3.3  贝叶斯学习算法 233

本章小结 235

本章习题 235

第10章  multiagent多智能体 237

10.1  多智能体的概念与发展过程 238

10.1.1  智能体的定义 238

10.1.2  多智能体的发展历史和研究领域 239

10.1.3  多智能体与自治智能体 241

10.1.4  智能体的学习 242

10.2  多智能体强化学习 243

10.2.1  马尔可夫决策过程 243

10.2.2  多智能体环境下的强化学习 246

10.2.3  TD算法 247

10.2.4  Dyna算法 248

10.2.5  Q学习 249

10.3  博弈学习 250

本章小结 251

本章习题 252

第11章  自然语言与感知 253

11.1  自然语言理解的概念和发展过程 254

11.1.1  自然语言的概念 254

11.1.2  自然语言理解的概念 254

11.1.3  自然语言理解的发展历史 255

11.2  自然语言理解研究的关键问题 257

11.2.1  词法分析 257

11.2.2  句法分析 260

11.2.3  语义分析 263

11.2.4  语言的自动生成 265

本章小结 267

本章习题 267

第12章  知识工程和数据挖掘 269

12.1  知识工程简介 270

12.1.1  知识工程的相关概念和发展过程 270

12.1.2  知识管理与信息管理 273

12.2  数据挖掘和知识发现 276

12.2.1  数据挖掘与知识发现的概念、过程及方法 276

12.2.2  数据仓库 278

12.3  常用的数据挖掘方法 280

12.3.1  关联规则 280

12.3.2  时间序列分析 282

12.3.3  聚类分析 285

12.3.4  孤立点分析 286

本章小结 288

本章习题 288

参考文献 289

无