大數(shù)據(jù)與智能計算

第一部分 大數(shù)據(jù)分析理論基礎
atrain分布式系統(tǒng)（ADS）：面向任何四維特征大數(shù)據(jù)的可變規(guī)模數(shù)據(jù)架構(gòu)
1 引言
2 r-train（train）和r-atrain（atrain）：大數(shù)據(jù)數(shù)據(jù)結(jié)構(gòu)
2．1 類數(shù)組
2．2 面向同構(gòu)大數(shù)據(jù)的同構(gòu)數(shù)據(jù)結(jié)構(gòu)r-train
2．3 r-atrain（atrain）：面向大數(shù)據(jù)的高效異構(gòu)數(shù)據(jù)結(jié)構(gòu)
3 立體矩陣和立體類矩陣（用于大數(shù)據(jù)和暫存大數(shù)據(jù)）
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(shù)值的）立體矩陣代數(shù)運算
5 面向立體矩陣／類矩陣的同構(gòu)數(shù)據(jù)結(jié)構(gòu)MT
5．1 三維立體矩陣（三維立體類矩陣）的應用
6 異構(gòu)矩陣和異構(gòu)類矩陣：異構(gòu)大數(shù)據(jù)的存儲模型
7 用于大數(shù)據(jù)的atrain分布式系統(tǒng)
7．1 atrain分布式系統(tǒng)
7．2 用于ADS的“多馬拉車”拓撲結(jié)構(gòu)和循環(huán)拓撲結(jié)構(gòu)
8 atrain分布式系統(tǒng)中的異構(gòu)數(shù)據(jù)結(jié)構(gòu)r-atrain
8．1 在ADS中r-atrain的數(shù)據(jù)類
8．2 環(huán)形train和環(huán)形atrain
8．3 面向大數(shù)據(jù)的ADS內(nèi)r-atrain的基本操作
9 用于大數(shù)據(jù)立體異構(gòu)類矩陣的異構(gòu)數(shù)據(jù)結(jié)構(gòu)MA
10 結(jié)論
參考文獻
大數(shù)據(jù)時序預測模型：基于模糊神經(jīng)網(wǎng)絡的混合方法
1 引言
2 模糊集基礎
3 混合模糊-神經(jīng)網(wǎng)絡與大數(shù)據(jù)時間序列
3．1 神經(jīng)網(wǎng)絡：綜述
3．2 混合模糊-神經(jīng)網(wǎng)絡方法：應用于大數(shù)據(jù)時序預測問題的新方法
4 數(shù)據(jù)集描述
5 方法與算法
5．1 EIBD方法
5．2 大數(shù)據(jù)時序預測模型算法
6 面向大數(shù)據(jù)的模糊神經(jīng)網(wǎng)絡預測模型
7 性能分析參數(shù)
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(tǒng)計顯著性
9 結(jié)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(zhí)行與結(jié)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(jiān)督條件下的基于相關性的約簡算法（CFS-RST）
3．4 算法執(zhí)行與結(jié)果
4 面向微陣列數(shù)據(jù)分類精度增強的混合數(shù)據(jù)挖掘技術（CFS-PLS）
4．1 SIMPLS與分類框架中的維度約簡
4．2 偏最小二乘回歸
4．3 算法執(zhí)行與結(jié)果
5 結(jié)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(qū)間值智集軟集
4．1 軟集
4．2 區(qū)間智集軟集
4．3 IVNSS在決策支持中的應用
5 結(jié)論
參考文獻
第二部分 面向大數(shù)據(jù)分析的框架結(jié)構(gòu)
一種用于數(shù)據(jù)聚類和大數(shù)據(jù)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(shù)
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(shù)據(jù)集
5．2 結(jié)果
6 結(jié)論
參考文獻
用于大規(guī)模優(yōu)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(shù)
5 基準問題的數(shù)值結(jié)果
6 結(jié)論
參考文獻
面向數(shù)據(jù)分析的大數(shù)據(jù)應用縱覽
1 引言
2 醫(yī)療領域的大數(shù)據(jù)
3 大數(shù)據(jù)分析框架
3．1 大數(shù)據(jù)
3．2 數(shù)據(jù)的預處理
3．3 訓練集
3．4 數(shù)據(jù)挖掘技術
3．5 描述和可視化
4 結(jié)果和實現(xiàn)
5 結(jié)論
參考文獻
腦電信號基本原理及其在醫(yī)療領域的應用
1 引言
2 腦電波
2．1 自發(fā)的腦電圖波
2．2 事件相關電位
2．3 基于腦電圖的系統(tǒng)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(jié)論
6 未來展望
參考文獻
第三部分 大數(shù)據(jù)分析及云計算
大數(shù)據(jù)：基于云技術的數(shù)據(jù)密集型應用處理
1 引言
2 云計算及大數(shù)據(jù)
2．1 云技術為大數(shù)據(jù)提供的優(yōu)勢
3 云計算中的大數(shù)據(jù)處理所面臨的挑戰(zhàn)
3．1 數(shù)據(jù)獲得和存儲
3．2 數(shù)據(jù)傳輸
3．3 數(shù)據(jù)策管
3．4 數(shù)據(jù)分析
3．5 數(shù)據(jù)可視化
4 大數(shù)據(jù)云工具：一種新的技術手段
4．1 基于MapReduce的大數(shù)據(jù)處理
4．2 基于HacIoop的大數(shù)據(jù)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 Amazon Web Services
5 結(jié)論
參考文獻
基于模型驅(qū)動的異構(gòu)云框架
1 引言
2 背景
2．1 云計算
2．2 模型驅(qū)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(xiàn)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(jié)論
參考文獻
基于云端的大數(shù)據(jù)分析：廣域網(wǎng)優(yōu)化技術與解決方案
1 引言
2 廣域網(wǎng)優(yōu)化
2．1 問題及挑戰(zhàn)
3 廣域網(wǎng)優(yōu)化技術
3．1 面向視頻監(jiān)控的廣域網(wǎng)優(yōu)化
4 提高應用性能的工具
4．1 藍衣應用輔助網(wǎng)絡
5 廣域網(wǎng)優(yōu)化設備
6 廣域網(wǎng)優(yōu)化控制器
6．1 面向大數(shù)據(jù)和批量數(shù)據(jù)傳輸?shù)难a充廣域網(wǎng)優(yōu)化控制器
6．2 廣域網(wǎng)優(yōu)化控制器的比較：評估供應商和產(chǎn)品
7 廣域網(wǎng)優(yōu)化應用于大數(shù)據(jù)分析
7．1 廣域網(wǎng)優(yōu)化的大數(shù)據(jù)分析的關鍵趨勢
7．2 大數(shù)據(jù)下廣域網(wǎng)優(yōu)化的驅(qū)動
8 廣域網(wǎng)優(yōu)化解決方案
8．1 Infineta系統(tǒng)和Q架構(gòu)
8．2 BIG-IP廣域網(wǎng)優(yōu)化管理
8．3 邊緣虛擬服務器基礎架構(gòu)
8．4 EMC Isilon和Silver Bank廣域網(wǎng)優(yōu)化
8．5 F5廣域網(wǎng)優(yōu)化模塊
8．6 BIG-IP廣域網(wǎng)優(yōu)化模塊
8．7 面向甲骨文數(shù)據(jù)庫快速復制的F5廣域網(wǎng)優(yōu)化
9 未來發(fā)展研究趨勢
9．1 虛擬數(shù)據(jù)環(huán)境和云服務中的廣域網(wǎng)優(yōu)化
9．2 廣域網(wǎng)優(yōu)化產(chǎn)品的局限性
9．3 加速數(shù)據(jù)遷移與廣域網(wǎng)優(yōu)化
10 結(jié)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(fā)展部管理系統(tǒng)
3 云方案
3．1 技術方案構(gòu)架
3．2 模塊式aDAMS方案
4 結(jié)論
參考文獻