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。《云模型与粒计算/粒计算研究丛书》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。
　　《云模型与粒计算/粒计算研究丛书》可供计算机、自动化等相关专业的研究人员、教师、研究生、高年级本科生和工程技术人员参考。

　　《云模型与粒计算/粒计算研究丛书》：
　　第1章 双向认知计算模型――云模型
　　王国胤1，2，3 许昌林1，2 张清华1
　　1.重庆邮电大学 计算智能重庆市重点实验室
　　2.西南交通大学 信息科学与技术学院
　　3.中国科学院重庆绿色智能技术研究院 电子信息技术研究所
　　人类的认知，实质上是客观世界的一种映像。客观世界的不确定性，决定了人类主观认知过程的不确定性。这种不确定性通过认知的最小（基本）单元―――概念反映出来。因此，人类在认知过程中的概念形成和知识更新，不可避免地伴随着不确定性的产生。不确定性概念具有随机性、模糊性、不完备性和不稳定性等特征。在不确定性的研究中涌现出许多理论和方法，其中，研究随机性的概率论至今已有百余年的历史，并形成概率论、随机过程和数理统计3大分支。20世纪中后期，以模糊集合为代表研究模糊性、不完备性等知识表示和推理的理论和方法陆续出现，推动了不确定性研究的发展。粒计算是研究和模拟人类从不同侧面、不同粒度对事物进行表示、分析和推理的方法。模糊集、粗糙集和商空间是目前粒计算的三大主要方法，并应用于机器学习、数据挖掘和智能控制等领域。当前，大多数数据挖掘和机器学习的理论和方法主要是研究从定量数据中提取定性概念，也就是在从概念外延（客观世界中的样本集合）抽取概念内涵（主观世界中的抽象概念）的研究。而要使机器具有或者能够模仿人的智能，人类和机器之间能够相互“理解”，相互“交流”，首先要使人类语言所描述的定性知识（概念）能被计算机所理解和处理，这不可避免地要建立从定性概念到定量数据的转换模型，实现定性概念与定量数据的相互转换，即概念内涵与外延的相互转换。云模型是一个在概率论和模糊数学理论两者结合的基础上研究定性概念与其定量表示的认知计算模型。云模型用期望、熵和超熵这三个数字特征来定量描述一个不确定性概念，通过正向云发生器和逆向云发生器实现定性概念与定量数据之间的双向认知变换，揭示客观对象具有的模糊性和随机性，刻画人类的双向认知计算过程。本章将把云模型作为一种实现概念内涵与外延双向转换这一认知计算的理论模型，讨论其一般递归定义形式，并对正向云发生器和逆向云发生器模拟实现的双向认知计算过程进行分析和讨论。
　　1.1 引言
　　认知是一个源自于心理学的概念，《辞海》将认知解释为人类认识客观事物、获得知识的活动，包括知觉、记忆、学习、语言、思维和问题解决等过程。人类对事物的认知，往往是从一个“不知到”“了解”，再到“理解”的过程。人脑接受外界输入的信息，经过头脑的加工处理，转换成内在的心理活动，再进而支配人的行为，这个过程就是信息加工的过程，也就是认知过程[1]。认知科学是研究人类感知和思维对信息处理过程的科学，包括从感觉的输入到复杂问题的求解，从人类个体到人类社会的智能活动，以及人类智能和机器智能的性质[2]，它是现代心理学、信息科学、神经科学、数学、科学语言学、人类学乃至自然哲学等学科交叉发展的结果。认知科学是20世纪世界科学标志性的新兴研究门类，它作为探究人脑或心智工作机制的前沿性尖端学科，已经引起了全世界科学家们的广泛关注。认知科学的研究将使人类自我了解和自我控制，把人的知识和智能提高到前所未有的高度。生命现象错综复杂，许多问题还没有得到很好的说明，而能从中学习的内容也是大量的、多方面的。如何从中提炼出最重要的、关键性的问题和相应的技术，这是许多科学家长期以来追求的目标[3]。认知计算源自模拟人脑的计算机系统的人工智能，20世纪90年代后，研究人员开始用认知计算一词，用于教计算机像人脑一样思考，而不只是开发一种人工系统[4]。传统的计算技术是定量的，并着重于精度和序列等级，而认知计算则试图解决生物系统中不精确、不确定和部分真实的问题。认知计算是认知科学的子领域之一，也是认知科学的核心技术领域。认知计算对于未来信息技术、人工智能等领域均有着十分重要的影响。研究认知的机理，建立认知的模型，然后用计算机模拟人类认知的过程来处理实际问题是人工智能领域的重要课题，受到很多研究者的关注。
　　……

前言

第1章 双向认知计算模型——云模型
1．1 引言
1．2 正态分布与正态隶属函数
1．3 云模型
1．3．1 云模型的定义
1．3．2 云模型的数字特征
1．3．3 正态云模型的递归定义及其数学性质
1．3．4 云发生器
1．3．5 双向认知计算模型
1．4 本章小结
参考文献

第2章 高斯云的数学性质
2．1 高斯云分布
2．2 高斯云的数学性质
2．2．1 高斯云的数字特征
2．2．2 高斯云的期望曲线
2．2．3 高斯云的雾化特性
2．2．4 高阶高斯云的数字特征
2．3 高斯云的参数对峰度的影响分析
2．4 高斯云的幂律特性实验
2．5 本章小结
参考文献

第3章 云模型与相近概念的关系
3．1 二型Fuzzy集
3．1．1 二型Fuzzy集的定义
3．1．2 二型Fuzzy集的运算
3．1．3 区间值Fuzzy集
3．1．4 Gaussian二型Fuzzy集
3．1．5 二型Fuzzy集的嵌入区间值Fuzzy集
3．1．6 m 型Fuzzy集与Genuine集
3．1．7 区间集与阴影集
3．2 直觉Fuzzy集
3．2．1 直觉Fuzzy集的定义
3．2．2 直觉Fuzzy集的运算
3．2．3 区间值直觉Fuzzy集
3．3 Neumaier云
3．3．1 Neumaier云的定义
3．3．2 离散云
3．3．3 连续云与潜云
3．4 Fuzzy概率集
3．4．1 随机集
3．4．2 Fuzzy概率集
3．4．3 Bifuzzy概率集和区间值概率集
3．5 Soft集
3．5．1 Soft集的定义
3．5．2 Soft集的运算
3．6 云模型
3．6．1 云模型的定义
3．6．2 云模型算法
3．6．3 正态云生成的区间值Fuzzy集
3．7 云集
3．7．1 各类集合的关系
3．7．2 云集
3．8 本章小结
参考文献

第4章 区间集
4．1 引言
4．2 不精确概念及其表示
4．3 区间集
4．3．1 区间集与部分已知概念
4．3．2 区间集与概念近似
4．4 区间集代数
4．4．1 幂代数
4．4．2 区间集运算
4．4．3 基于包含序的区间集代数
4．4．4 基于知识序的区间集代数
4．5 基于不完备信息表的区间集构造方法
4．6 区间集与其他理论的联系
4．6．1 区间集与Kleene三值逻辑
4．6．2 区间集与粗糙集
4．6．3 区间集与三支决策
4．6．4 区间集、模糊集和云模型
4．7 本章小结
参考文献

第5章 区间值信息系统的粒计算模型与方法
5．1 引言
5．2 基础概念
5．2．1 不可分辨关系和近似域
5．2．2 决策系统中的不确定性度量
5．3 区间值决策系统的不确定性度量
5．3．1 区间值的相似关系
5．3．2 相似类和决策类
5．3．3 ?-条件熵
5．3．4 不确定性度量和毴灢粗糙决策熵
5．4 实验
5．5 本章小结
参考文献

第6章 多粒度粗糙集
6．1 问题描述
6．2 乐观多粒度粗糙集
6．2．1 Pawlak粗糙集理论
6．2．2 乐观粗糙近似
6．2．3 多粒度粗糙集中的几个度量
6．2．4 特征选择
6．3 悲观多粒度粗糙集
6．3．1 悲观粗糙近似
6．3．2 粗糙成员函数
6．3．3 多粒度粗糙集中的规则
6．4 本章小结
参考文献

第7章 粒计算模型的特性分析与比较
7．1 引言
7．2 不确定性表示方法
7．2．1 隶属度的方法
7．2．2 粗糙集的表示方法
7．2．3 商空间的表示方法
7．3 粒计算表示不确定性方法之间的关系
7．3．1 隶属度函数表示方法与商空间链表示方法的关系
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
7．3．3 云模型与二型模糊之间的关系
7．4 问题求解方法的比较
7．5 本章小结
参考文献

第8章 云计算环境下层次粗糙集模型约简算法
8．1 层次粗糙集模型
8．1．1 引言
8．1．2 概念层次
8．1．3 基于云模型的概念提取及概念提升
8．1．4 层次粗糙集模型
8．2 云计算技术
8．2．1 云计算介绍
8．2．2 MapReduce技术
8．3 云计算环境下层次粗糙集模型约简算法
8．3．1 云计算环境下知识约简算法中的并行性分析
8．3．2 云计算环境下计算层次编码决策表算法
8．3．3 云计算环境下层次粗糙集模型约简算法的研究
8．4 实验与分析
8．4．1 理论分析
8．4．2 实验结果
8．4．3 实验分析
8．5 本章小结
参考文献

第9章 基于粒计算的聚类分析
9．1 引言
9．2 粒度计算与聚类分析的关系
9．3 粒聚类的基本方法
9．3．1 模糊聚类分析
9．3．2 粗糙集聚类分析
9．3．3 商空间聚类分析
9．4 基于融合的粒度模型的聚类分析
9．4．1 模糊集与粗糙集的结合
9．4．2 模糊商空间
9．5 多粒度聚类若干问题的研究
9．5．1 多粒度聚类中粒子的转换问题
9．5．2 约简集粒度的精准性
9．5．3 多粒度快速聚类算法
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
9．6．1 粗糙RBF神经网络的学习算法
9．6．2 粗糙RBF神经网络的可用性与可靠性实验
9．7 本章小结
参考文献

第10章 并行约简与F-粗糙集
10．1 粗糙集基本知识
10．2 F-粗糙集
10．3 并行约简定义与性质
10．4 并行约简算法
10．4．1 基于属性重要度矩阵的并行约简算法
10．4．2 基于属性重要度矩阵的并行约简算法的优化
10．4．3 基于F灢属性重要度的并行约简算法
10．4．4 （F，ε）-并行约简
10．5 决策系统的分解
10．6 本章小结
参考文献

第11章 单调性分类学习
11．1 引言
11．2 基于优势关系粗糙集的单调性分类分析
11．3 基于模糊偏好粗糙集的单调性分类分析
11．4 基于排序熵模型的单调性分类分析
11．4．1 Shannon信息熵
11．4．2 有序信息熵
11．5 基于排序熵的单调性决策树
11．5．1 程序描述
11．5．2 性质研究
11．5．3 在人工数据上的实验
11．6 本章小结
参考文献

第12章 不确定性研究中若干问题的探讨
12．1 隶属度的不确定性问题
12．2 运算法则的不确定性问题
12．3 模糊运算与逻辑运算问题
12．3．1 模糊运算
12．3．2 逻辑运算
12．4 排序的不确定性问题
12．5 截集水平的不确定性问题
12．6 Fuzzy集合的互补律问题
12．7 集合的统一问题
12．8 本章小结
参考文献

第13章 基于云模型的文本分类应用
13．1 云模型在文本挖掘中的理论扩充
13．1．1 基于VSM模型的文本知识表示
13．1．2 基于信息表的文本知识表示
13．1．3 基于云模型的文本信息表转换
13．1．4 基于云相似度的文本相似度量
13．2 文本分类及其常用方法
13．2．1 文本分类概述
13．2．2 文本分类常用方法
13．2．3 性能分析
13．2．4 文本分类模型的评估
13．3 基于云模型与粒计算的文本分类
13．3．1 虚拟泛概念树及概念跃升
13．3．2 基于云模型的文本特征自动提取算法
13．3．3 基于云概念跃升的文本分类
13．4 本章小结
参考文献

第14章 数据挖掘算法的云实现
14．1 在云上实现数据挖掘算法的技术背景
14．2 现有基于云计算的数据挖掘平台
14．2．1 “大云”系统
14．2．2 Mahout开源项目
14．2．3 电子科技大学与华为公司合作的云挖掘项目
14．3 经典数据挖掘算法的MapReduce实现思路
14．4 经典数据挖掘算法在Hadoop平台的实现范例
14．4．1 协同过滤算法在Hadoop平台的实现
14．4．2 朴素贝叶斯算法在Hadoop平台的实现
14．5 云挖掘技术的展望
14．5．1 针对Web信息的云挖掘
14．5．2 针对图结构的云挖掘
14．5．3 针对声音与视频等多媒体信息的云挖掘
参考文献