Knowledge Processing with Interval and Soft Computing

ویرایش:  
نویسندگان: Hu C.,  Kearfott R.B.,  de Korvin A.,  Kreinovich V. (eds.)  
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: [241] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 Mb 

قیمت کتاب (تومان) : 53,000

Springer, 2008. — 241 p. پردازش دانش با روشهای بازه ای دارای شایستگی ذاتی است. اولاً، ویژگی‌های کیفی اغلب به‌عنوان محدوده‌ای از ویژگی‌های داده به جای نقاط خاص ارائه می‌شوند. به عنوان مثال، اگر فشار خون فرد در محدوده طبیعی باشد (مثلاً فاصله طبیعی) طبیعی است. با گروه بندی مقادیر مشخصه در فواصل معنی دار، می توانیم تفاوت های کمی ناچیز را حذف کنیم و بیشتر بر پردازش کیفی مجموعه داده ها تمرکز کنیم. مهمتر از همه، ویژگی‌های با ارزش بازه‌ای حاوی اطلاعات بیشتری نسبت به نقاط هستند و می‌توانند تنوع و عدم قطعیت را نشان دهند. در نهایت، نتایج محاسباتی با ارزش بازه‌ای می‌توانند از خروجی نقطه‌ای در یک محیط پویا معنادارتر و مفیدتر باشند.
روش‌های آماری و احتمالی به‌طور گسترده در کشف دانش به کار رفته‌اند. با این حال، علیرغم این واقعیت که از فواصل اطمینان و فواصل فازی برای مقابله با عدم قطعیت ها استفاده شده است، ممکن است همیشه در عمل خوب کار نکنند. این کتاب با ادغام روش‌های بازه‌ای با مدل‌های تصادفی و منطق فازی، حداقل ابزارهای اضافی، اگر نگوییم قدرتمندتر، برای پردازش دانش، به‌ویژه برای مدیریت تغییرپذیری و عدم قطعیت، ارائه می‌کند.
برنامه‌های کاربردی موفق، محاسبات بازه‌ای را در جریان اصلی قرار داده‌اند. محاسبه. در سال 2006، کمیته استاندارد C پیشنهاد مفصلی را برای گنجاندن محاسبات بازه ای به عنوان بخشی از کتابخانه استاندارد ANSI/ISO C ارزیابی کرد. محاسبات بازه ای قبلاً در محاسبات هسته معماری مبتنی بر Itanium اینتل وجود داشته است. گذشته از بسیاری از ابزارهای نرم افزاری دیگر، Sun Microsystems قبلاً حساب بازه ای را در Sun Studio خود گنجانده است.
مهمتر از آن، با استفاده از ویژگی های منحصر به فرد محاسبات بازه ای، الگوریتم های جدیدی برای حل برخی از مسائل بسیار دشوار توسعه یافته اند. برای مثال، می‌توان به‌طور محاسباتی تمام ریشه‌های سیستم‌های غیرخطی معادلات را در یک دامنه معین با روش‌های تقسیم بازه‌ای نیوتن/تعمیم یافته پیدا کرد و به طور قابل اعتمادی بهینه جهانی غیرخطی را با الگوریتم‌های شاخه و کران بازه‌ای به صورت محاسباتی پیدا کرد. اخیراً، فرگوسن و هیلز حدس 400 ساله کپلر را با روش های فاصله ای ثابت کردند. در سال 2007، آنها اولین جایزه رابینز را از AMS برای کار خود دریافت کردند.
پردازش دانش با فواصل به طور قابل توجهی با پردازش امتیاز متفاوت است. در این کتاب، روش‌های پردازش دانش قبلی را به مجموعه داده‌های با ارزش بازه‌ای گسترش می‌دهیم. با جاسازی روش‌های محاسباتی بازه‌ای و نرم در سیستم‌های پایگاه داده همگن و/یا ناهمگن توزیع شده که مجموعه‌های داده عظیم را جمع‌آوری و مدیریت می‌کنند، دانشمندان ممکن است توانایی خود را در پردازش مجموعه‌های داده عظیم به طور قابل توجهی افزایش دهند.
این کتاب می‌تواند به عنوان مقدمه‌ای برای روش‌های بازه‌ای و محاسبات نرم برای پردازش دانش برای دانش‌آموزان سطح بالا یا دانشجویان سال اول کارشناسی ارشد. همچنین می تواند مرجعی برای محققین و دست اندرکاران باشد.
این کتاب تنها به معرفی برخی از کاربردهای اولیه روش های فاصله ای در پردازش دانش می پردازد. ما صمیمانه امیدواریم که در آینده شاهد نتایج پربارتر و قابل توجهی در زمینه تئوری و کاربرد باشیم. br/>روابط بین محاسبات بازه‌ای و محاسبات نرم.
ماتریس‌های بازه‌ای در کشف دانش.
تعریف تابع فاصله و کاربردها.
ماتریس‌های قاعده بازه‌ای برای تصمیم‌گیری.
بازی‌های ماتریس بازه‌ای.
گراف‌ها و شبکه‌های جریانی با وزن فاصله.
حساب در خانواده‌های توزیع‌های محدود: آموزش الگوریتم DEnv.
IntBox: جعبه ابزار نرم‌افزار محاسبات بازه‌ای شی گرا در C .

Springer, 2008. — 241 p. Knowledge processing with interval methods has intrinsic merit. First, qualitative properties are often presented as ranges of data attributes rather than specific points. For example, one’s blood pressure is normal if within the normal range (i. e. normal interval). By grouping attribute values into meaningful intervals, we can omit insignificant quantitative differences and focus more on qualitatively processing datasets. More importantly, interval-valued attributes contain more information than points and can represent variability and uncertainty. Finally, interval-valued computational results can be more meaningful and useful than point-valued output in a dynamic environment.
Statistical and probabilistic methods have been widely applied in knowledge discovery. However, despite the fact that confidence intervals and fuzzy intervals have been used to deal with uncertainties, they may not always work well in practice. By integrating interval methods with stochastic models and fuzzy logic, this book provides at least additional, if not more powerful, tools for knowledge processing, especially for handling variability and uncertainty.
Successful applications have been putting interval computing into the mainstream of computing. In 2006, the C++ standard committee evaluated a detailed proposal to include interval computing as a part of the ANSI/ISO C++ standard library. Interval arithmetic has already been in the kernel computations of Intel’s Itanium-based architecture. Aside from many other software tools, Sun Microsystems has already included interval arithmetic in its Sun Studio.
More importantly, applying unique properties of interval computing, new algorithms have been developed to solve some otherwise very difficult problems. For example, one can computationally find all roots for nonlinear systems of equations on a given domain with interval Newton/generalized bisection methods and reliably find nonlinear global optima with interval branch-and-bound algorithms computationally. Very recently, Ferguson and Hales proved the 400-year-old Kepler conjecture with interval methods. In 2007, they received the first Robbins Prize from AMS for their work.
Knowledge processing with intervals is significantly different from that with points. In this book, we extend previous knowledge processing methods to interval-valued datasets. By embedding interval and soft computing methods into distributed homogeneous and/or heterogeneous database systems that collect and manage massive datasets, scientists may significantly enhance their ability to process massive datasets.
This book can be used as an introduction to interval methods and soft computing for knowledge processing for upper-level undergraduates or first-year graduate students. It can also be a reference for researchers and practitioners.
This book only introduces some initial applications of interval methods in knowledge processing. We sincerely hope to see more fruitful and significant results in both of theory and application in the future. Fundamentals of Interval Computing.
Soft Computing Essentials.
Relations between Interval Computing and Soft Computing.
Interval Matrices in Knowledge Discovery.
Interval Function Approximation and Applications.
Interval Rule Matrices for Decision Making.
Interval Matrix Games.
Interval-Weighted Graphs and Flow Networks.
Arithmetic on Bounded Families of Distributions: A DEnv Algorithm Tutorial.
IntBox: An Object-Oriented Interval Computing Software Toolbox in C++.