大數據與智慧計算（簡體書）

D.P.阿奇利亞、薩特旦安達·德忽爾、敘格塔· 桑亞爾編*的這本《大數據與智能計算》面向不同領 域的大數據分析研究和從業人員介紹理論前沿，同時 將大數據前沿理論應用于求解生活中實際問題。本書 包括三個部分：**部分主要介紹大數據分析的理論 基礎，如面向大數據的時序預測，混合智能技術，使 用神經智集進行決策等；第二部分討論面向大數據分 析的框架結構問題，如高效分組遺傳算法、大數據在 醫療領域的應用等；第三部分討論與云計算相關的議 題。
本書可作為各大學計算機科學與工程、管理科學 與工程、系統工程等專業本科生和研究生的教材，也 可作為相關研究機構和企業從事人工智能、數據挖掘 以及電子商務等專業研究和工作的相關人員的參考書 籍。

部分 大數據分析理論基礎atrain分布式系統(ADS)：面向任何四維特征大數據的可變規模數據架構 1 引言 2 r-train(train)和r-atrain(atrain)：大數據數據結構 2.1 類數組 2.2 面向同構大數據的同構數據結構r-train 2.3 r-atrain(atrain)：面向大數據的高效異構數據結構 3 立體矩陣和立體類矩陣(用于大數據和暫存大數據) 3.1 立體矩陣和立體類矩陣 3.2 三維立體矩陣及其特點 4 （元素為數值的）立體矩陣代數運算 5 面向立體矩陣／類矩陣的同構數據結構MT 5.1 三維立體矩陣（三維立體類矩陣）的應用 6 異構矩陣和異構類矩陣：異構大數據的存儲模型 7 用于大數據的atrain分布式系統 7.1 atrain分布式系統 7.2 用于ADS的“多馬拉車”拓撲結構和循環拓撲結構 8 atrain分布式系統中的異構數據結構r-atrain 8.1 在ADS中r-atrain的數據類 8.2 環形train和環形atrain 8.3 面向大數據的ADS內r-atrain的基本操作 9 用于大數據立體異構類矩陣的異構數據結構MA 10 結論 參考文獻大數據時序預測模型：基于模糊神經網絡的混合方法 1 引言 2 模糊集基礎 3 混合模糊-神經網絡與大數據時間序列 3.1 神經網絡：綜述 3.2 混合模糊-神經網絡方法：應用于大數據時序預測問題的新方法 4 數據集描述 5 方法與算法 5.1 EIBD方法 5.2 大數據時序預測模型算法 6 面向大數據的模糊神經網絡預測模型 7 性能分析參數 8 實證分析 8.1 M因子預測 8.2 雙因子預測 8.3 三因子預測 8.4 統計顯著性 9 結論與討論 參考文獻基于混合智能技術的學習方法 1 引言 2 基于智能混合粒子群和快速約簡算法的基因選擇方法 2.1 粒子群算法 2.2 算法步驟 2.3 算法執行與結果 3 面向癌癥分類問題的基于粗糙集的混合基因選擇 3.1 粗糙集 3.2 基于基因選擇的粗糙集方法 3.3 有監督條件下的基于相關性的約簡算法(CFS-RST) 3.4 算法執行與結果 4 面向微陣列數據分類精度增強的混合數據挖掘技術(CFS-PLS) 4.1 SIMPLS與分類框架中的維度約簡 4.2 偏小二乘回歸 4.3 算法執行與結果 5 結論 6 工作展望 參考文獻智集及其在決策中的應用 1 引言 2 單值智集 3 多個單值智集的距離、相似性與熵 3.1 兩個智集之間的距離 3.2 兩個單值智集間的相似性 4 區間值智集軟集 4.1 軟集 4.2 區間智集軟集 4.3 IVNSS在決策支持中的應用 5 結論 參考文獻第二部分 面向大數據分析的框架結構一種用于數據聚類和大數據分析的高效分組遺傳算法 1 引言 2 定義 3 算法 3.1 編碼 3.2 適應度函數 3.3 選擇算子 3.4 交叉算子 3.5 變異算子 3.6 取代和精英策略 3.7 局部搜索 4 聚類分析的驗證 5 實驗與評價 5.1 數據集 5.2 結果 6 結論 參考文獻用于大規模優化的Nelder Mead交叉Log-Logistic突變自組織遷移算法 1 引言 2 自組織遷移算法 3 NMSOMA-M算法 3.1 NM交叉算子 3.2 Log—Logistic突變算子 3.3 NMSOMA-M算法步驟 4 基準函數 5 基準問題的數值結果 6 結論 參考文獻面向數據分析的大數據應用縱覽 1 引言 2 醫療領域的大數據 3 大數據分析框架 3.1 大數據 3.2 數據的預處理 3.3 訓練集 3.4 數據挖掘技術 3.5 描述和可視化 4 結果和實現 5 結論 參考文獻腦電信號基本原理及其在醫療領域的應用 1 引言 2 腦電波 2.1 自發的腦電圖波 2.2 事件相關電位 2.3 基于腦電圖的系統的組成 3 視覺刺激生成 4 腦信號的處理 4.1 預處理 4.2 特征提取 4.3 特征選擇與壓縮 4.4 分類 5 結論 6 未來展望 參考文獻第三部分 大數據分析及云計算大數據：基于云技術的數據密集型應用處理 1 引言 2 云計算及大數據 2.1 云技術為大數據提供的優勢 3 云計算中的大數據處理所面臨的挑戰 3.1 數據獲得和存儲 3.2 數據傳輸 3.3 數據策管 3.4 數據分析 3.5 數據可視化 4 大數據云工具：一種新的技術手段 4.1 基于MapReduce的大數據處理 4.2 基于HacIoop的大數據處理 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 Web Services 5 結論 參考文獻基于模型驅動的異構云框架 1 引言 2 背景 2.1 云計算 2.2 模型驅動工程 2.3 使用多個云的必要性 2.4 遷移的難點 3 應用至云端的現代化技術 3.1 已有的技術 4 云應用的可移植性問題 5 已提出的方法 6 結論 參考文獻基于云端的大數據分析：廣域網優化技術與解決方案 1 引言 2 廣域網優化 2.1 問題及挑戰 3 廣域網優化技術 3.1 面向視頻監控的廣域網優化 4 提高應用性能的工具 4.1 藍衣應用輔助網絡 5 廣域網優化設備 6 廣域網優化控制器 6.1 面向大數據和批量數據傳輸的補充廣域網優化控制器 6.2 廣域網優化控制器的比較：評估供應商和產品 7 廣域網優化應用于大數據分析 7.1 廣域網優化的大數據分析的關鍵趨勢 7.2 大數據下廣域網優化的驅動 8 廣域網優化解決方案 8.1 Infia系統和Q架構 8.2 BIG-IP廣域網優化管理 8.3 邊緣虛擬服務器基礎架構 8.4 EMC Isilon和Silver Bank廣域網優化 8.5 F5廣域網優化模塊 8.6 BIG-IP廣域網優化模塊 8.7 面向甲骨文數據庫快速復制的F5廣域網優化 9 未來發展研究趨勢 9.1 虛擬數據環境和云服務中的廣域網優化 9.2 廣域網優化產品的局限性 9.3 加速數據遷移與廣域網優化 10 結論 參考文獻基于云計算的電子政務方案：案例分析 1 引言 2 ACME發展部管理系統 3 云方案 3.1 技術方案構架 3.2 模塊式aDAMS方案 4 結論 參考文獻