POLECAMY
Redakcja:
Wydawca:
Format:
ibuk
Książka ta jest poświęcona problemom badawczym i praktycznym z zakresu informatycznego wspomagania procesów decyzyjnych oraz sterowania w złożonych systemach technicznych, ekonomiczno-społecznych i biologicznych. Współczesny postęp techniki komputerowej spowodował w tej dziedzinie nie tylko rozwój metod usprawniających klasyczne procedury, lecz także rozwój nowatorskich specjalistycznych metod, w których techniki numeryczne odgrywają decydującą rolę, oraz metod, które mogły być dopiero stosowane dzięki powszechnej komputeryzacji, automatyzacji procesów pomiarowych i globalizacji systemów informatycznych łączonych w sieci. Zakres tematów rozpatrywanych w ramach badań systemowych jest bardzo szeroki. Opisanie ich wszystkich jest po prostu niemożliwe. Pewnym rozwiązaniem w tej sytuacji jest zebranie prac przedstawiających te dziedziny badawcze, w których znaczący udział mają polscy naukowcy o uznanej międzynarodowej renomie. Wiele z tych dziedzin jest jak dotychczas nieobecnych w literaturze polskojęzycznej. Książka ta może więc pełnić funkcję nowoczesnego podręcznika akademickiego wspomagającego proces dydaktyczny na wyższych latach studiów magisterskich i na studiach doktoranckich kierunków technicznych, ekonomicznych i uniwersyteckich. Może być także źródłem inspiracji do działań poznawczych i badawczych.
Plik pdf ma postać skanów co uniemożliwia przeszukiwanie tekstu.
Rok wydania | 2007 |
---|---|
Liczba stron | 456 |
Kategoria | Zastosowania informatyki |
Wydawca | Wydawnictwo WNT |
ISBN-13 | 978-83-204-3271-8 |
Numer wydania | 1 |
Język publikacji | polski |
Informacja o sprzedawcy | ePWN sp. z o.o. |
POLECAMY
Ciekawe propozycje
Spis treści
Przedmowa XIII | |
Część I. Modelowanie systemów | 3 |
1. Modelowanie systemowe jako sposób organizacji wiedzy Andrzej P. Wierzbicki | 3 |
1.1. Wstęp | 4 |
1.2. Rola modelowania matematycznego i obliczeń komputerowych w nauce XX wieku | 4 |
1.3. Dwa pojęcia podstawowe: chaos i złożoność | 5 |
1.4. Cywilizacja informacyjna i wiedzy: trendy podstawowe | 8 |
1.5. Zmiana sposobu postrzegania świata | 10 |
1.6. Różnorodne pojęcia wiedzy | 11 |
1.7. Wiedza a modelowanie | 14 |
1.8. Racjonalna teoria intuicji | 15 |
1.8.1. Konsekwencje ontologiczne i epistemologiczne racjonalnej teorii intuicji | 19 |
1.8.2. Strategiczne procesy intuicyjne a tworzenie wiedzy | 21 |
1.9. Konieczność stworzenia nowych podejść w epistemologii | 24 |
1.10. Wnioski | 27 |
Literatura | 28 |
2. Zmienne niepewne i ich zastosowania w systemach niepewnych Zdzisław Bubnicki | 31 |
2.1. Wstęp | 32 |
2.2. Logiki i zmienne niepewne | 32 |
2.3. Problem analizy | 35 |
2.4. Parametryczny problem decyzyjny | 36 |
2.5. Nieparametryczny problem decyzyjny | 38 |
2.6. Uogólnienie: zmienne miękkie | 40 |
2.7. Stabilność systemu dynamicznego z niepewnymi parametrami | 42 |
2.8. Problemy alokacji i zarządzanie projektami | 45 |
2.9. System z parametrami niepewnymi i losowymi | 48 |
2.10. Inne problemy i zastosowania | 50 |
2.11. Uwagi końcowe | 52 |
Literatura | 52 |
3. Metodologia zarządzania rozwojem oparta na wiedzy z uwzględnieniem ryzyka Roman Kulikowski | 55 |
3.1. Wstęp | 56 |
3.2. Użyteczność trwałego rozwoju jako miara opcji rozwojowych | 59 |
3.3. Użyteczność technologii tradycyjnych i innowacyjnych | 65 |
3.4. Wspomaganie zarządzania z uwzględnieniem ryzyka operacyjnego | 70 |
3.5. Wspomaganie rozwoju dźwignią finansową z uwzględnieniem ryzyka kredytowego | 75 |
3.6. Perspektywy rozwojowe metodologii i zastosowań UTR | 76 |
Literatura | 77 |
4. Estymatory jądrowe w zagadnieniach badań systemowych Piotr Kulczycki | 79 |
4.1. Wstęp | 80 |
4.2. Metodyka konstruowania estymatorów jądrowych | 80 |
4.2.1. Wybór postaci jądra | 82 |
4.2.2. Określenie wartości parametru wygładzania | 83 |
4.2.3. Dodatkowe procedury | 83 |
4.2.4. Modyfikacja parametru wygładzania | 84 |
4.2.5. Transformacja liniowa | 84 |
4.2.6. Ograniczenie nośnika | 85 |
4.2.7. Współrzędne binarne | 86 |
4.2.8. Liczność próby | 87 |
4.2.9. Uwagi i komentarze | 87 |
4.3. Przykładowe zastosowania do badań systemowych | 88 |
4.3.1. Elementy teorii decyzji: reguły bayesowska i minimaksowa | 89 |
4.3.2. Rozpoznanie elementów nietypowych | 90 |
4.3.3. Wyostrzanie informacji nieprecyzyjnej | 93 |
4.3.4. Identyfikacja parametryczna | 96 |
4.3.5. Określenie przestrzennego rozkładu popytu | 100 |
4.4. Podsumowanie | 103 |
Literatura | 104 |
Część II. Analiza i przetwarzanie informacji | 109 |
5. Statystyczne systemy uczące się Jacek Koronacki | 109 |
5.1. Uwagi wstępne | 110 |
5.2. Analiza regresji | 111 |
5.2.1. Globalne modele parametryczne - od modeli liniowych do uogólnionych modeli liniowych oraz nieliniowych | 111 |
5.2.2. Od lokalnego wygładzania do modelowania adaptacyjnego | 116 |
5.3. Klasyfikacja pod nadzorem | 121 |
5.3.1. Metody liniowe i ich uogólnienia | 123 |
5.3.2. Klasyfikacja bayesowska i oparta na metodzie NW, metoda najbliższych sąsiadów, drzewa klasyfikacyjne | 126 |
5.4. Wątki i dziedziny pominięte | 130 |
5.5. Zamiast konkluzji | 132 |
Literatura | 133 |
6. Metody rozmyto-neuronowe w zastosowaniu do analizy i przetwarzania danych Danuta Rutkowska | 137 |
6.1. Wprowadzenie | 138 |
6.2. Grupowanie danych i klasyfikacja | 138 |
6.3. Rozmyto-neuronowe metody grupowania i klasyfikacji | 139 |
6.4. Ekstrakcja wiedzy z danych | 140 |
6.5. Sieci neuronowe do klasyfikacji i grupowania danych | 142 |
6.6. Systemy rozmyto-neuronowe i neuronowo-rozmyte | 146 |
6.7. Szczególne przypadki sieci rozmyto-neuronowej | 151 |
6.8. Uwagi końcowe | 153 |
Literatura | 154 |
7. Przetwarzanie informacji ziarnistej w procesie konstruowania systemów interaktywnych Witold Pedrycz | 159 |
7.1. Wstęp | 160 |
7.2. Pojęcie środowiska obliczeń ziarnistych | 161 |
7.2.1. Zbiory i analiza przedziałowa | 161 |
7.2.2. Zbiory rozmyte | 162 |
7.2.3. Zbiory przybliżone | 164 |
7.2.4. Zbiory cieniowane | 165 |
7.3. Formalizacja środowiska obliczeń z ziarnami informacji | 168 |
7.3.1. Ziarnistość informacji | 168 |
7.3.2. Rodzina referencyjnych ziaren informacji | 169 |
7.3.3. Definicja środowiska informacji ziarnistej | 170 |
7.4. Komunikacja między środowiskami obliczeń ziarnistych | 170 |
7.5. Konstruowanie ziaren informacji | 172 |
7.5.1. Podejście oparte na informacji uzyskanej od eksperta/użytkownika | 172 |
7.5.2. Podejście oparte na agregacji danych eksperymentalnych | 174 |
7.6. Modele ziarniste | 176 |
7.7. Uwagi końcowe | 176 |
Literatura | 179 |
Część III. Wspomaganie decyzji | 181 |
8. Zbiory przybliżone we wspomaganiu decyzji Zdzisław Pawlak, Roman Słowiński | 181 |
8.1. Wstęp | 182 |
8.2. Wnioskowanie z danych | 184 |
8.3. Zbiory przybliżone - pojęcia podstawowe | 185 |
8.4. Podejście zbiorów przybliżonych oparte na relacji dominacji | 188 |
8.4.1. Wnioskowanie indukcyjne a wiedza dziedzinowa | 188 |
8.4.2. Granule wiedzy w postaci stożków dominacji | 191 |
8.4.3. Podejście zbiorów przybliżonych oparte na dominacji (DRSA) | 193 |
8.4.4. Indukcja wzorców klasyfikacji w postaci reguł decyzyjnych | 197 |
8.4.5. Przykład zastosowania podejścia DRSA | 200 |
8.5. Zastosowania podejścia zbiorów przybliżonych opartego na dominacji | 203 |
8.6. Zakończenie | 205 |
Literatura | 205 |
9. Decyzje statystyczne w analizie systemowej Olgierd Hryniewicz | 209 |
9.1. Podstawowe problemy podejmowania decyzji w badaniach systemowych | 210 |
9.2. Klasyczny model w teorii podejmowania decyzji | 212 |
9.3. Podejmowanie decyzji jako problem weryfikacji hipotez statystycznych | 216 |
9.4. Bayesowskie metody weryfikacji hipotez statystycznych | 218 |
9.5. Bayesowskie metody weryfikacji hipotez statystycznych dla danych nieprecyzyjnych | 219 |
9.6. Posybilistyczne podejście do bayesowskiej weryfikacji hipotez statystycznych | 222 |
9.7. Decyzje bayesowskie w przypadku nieprecyzyjnie sformułowanych hipotez statystycznych oraz nieprecyzyjnie określonej funkcji strat | 226 |
Literatura | 228 |
10. Rozmyte programowanie dynamiczne Janusz Kacprzyk | 231 |
10.1. Wstęp | 232 |
10.2. Zbiory rozmyte i rozmyte układy dynamiczne | 233 |
10.2.1. Podstawowe elementy teorii zbiorów rozmytych | 232 |
10.2.2. Deterministyczne, stochastyczne i rozmyte układy dynamiczne | 238 |
10.2.2.1. Deterministyczny układ sterowany | 239 |
10.2.2.2. Stochastyczny układ sterowany | 239 |
10.2.2.3. Rozmyty układ sterowany | 239 |
10.3. Wieloetapowe podejmowanie decyzji i sterowanie w warunkach rozmytości | 240 |
10.3.1. Podejmowanie decyzji w otoczeniu rozmytym – podejście Bellmana i Zadeha | 240 |
10.3.2. Wieloetapowe podejmowanie decyzji (sterowanie) w otoczeniu rozmytym | 243 |
10.4. Procesy sterowania z ustalonym z góry czasem zakończenia | 246 |
10.4.1. Sterowanie układem deterministycznym | 246 |
10.4.2. Sterowanie układem stochastycznym | 249 |
10.4.2.1. Sformułowanie Bellmana i Zadeha | 249 |
10.4.2.2. Sformułowanie Kacprzyka i Staniewskiego | 251 |
10.4.3. Sterowanie układem rozmytym | 253 |
10.5. Uwagi o procesach sterowania z niejawnie zadanym czasem zakończenia | 256 |
10.6. Procesy sterowania z rozmytym czasem zakończenia | 257 |
10.6.1. Sterowanie układem deterministycznym | 259 |
10.6.2. Sterowanie układem stochastycznym | 260 |
10.6.3. Uwagi o sterowaniu układem rozmytym | 262 |
10.7. Procesy sterowania z nieskończonym czasem zakończenia | 263 |
10.7.1. Sterowanie układem deterministycznym | 264 |
10.7.2. Sterowanie układem stochastycznym | 266 |
10.7.3. Uwagi o sterowaniu układem rozmytym | 269 |
10.8. Przykłady zastosowań rozmytego programowania dynamicznego | 269 |
Literatura | 275 |
11. Sieci bayesowskie w podejmowaniu decyzji Mieczysław Alojzy Kłopotek | 283 |
11.1. Wprowadzenie | 284 |
11.1.1. Procesy decyzyjne | 284 |
11.1.2. Niepewność przy podejmowaniu decyzji | 284 |
11.2. Pojęcie sieci bayesowskiej | 285 |
11.2.1. Łączny rozkład prawdopodobieństwa | 285 |
11.2.2. Reprezentacja bezpośrednich przyczyn | 287 |
11.2.3. Reprezentacja warunkowych niezależności | 287 |
11.2.4. Rodzaje struktur grafowych sieci bayesowskich | 288 |
11.2.5. Rodzaje zmiennych w sieciach bayesowskich | 291 |
11.3. Metody podejmowania decyzji w sieci bayesowskie | 292 |
11.3.1. Drzewo Markowa a wnioskowanie | 294 |
11.3.2. Zamiana sieci bayesowskiej w drzewo Markowa | 295 |
11.3.3. Szczególne przypadki zamiany sieci bayesowskiej w drzewo Markowa | 299 |
11.4. Pozyskiwanie sieci bayesowskich | 301 |
11.4.1. Uczenie sieci bayesowskiej o znanej strukturze przy niepełnych danych | 302 |
11.4.2. Uczenie nieznanej struktury sieci | 304 |
11.5. Zastosowania sieci bayesowskich w podejmowaniu decyzji | 306 |
11.6. Zakończenie | 310 |
Literatura | 311 |
12. Podejście regresji porządkowej do wielokryterialnego porządkowania wariantów decyzyjnych Roman Słowiński | 315 |
12.1. Wstęp | 316 |
12.2. Dezagregacja informacji preferencyjnej metodą regresji porządkowej - metoda UTA | 319 |
12.3. Motywacja propozycji stworzenia nowego podejścia | 325 |
12.4. Nowa metoda wielokryterialnego porządkowania wariantów decyzyjnych oparta na regresji porządkowej | 326 |
12.5. Możliwe rozszerzenia proponowanej metody | 333 |
12.6. Uwagi końcowe | 335 |
Literatura | 336 |
Część IV. Zastosowania | 341 |
13. Systemowe podejście do wybranych zagadnień telemedycyny Ryszard Tadeusiewicz | 341 |
13.1. Wprowadzenie | 342 |
13.2. Ogólna charakterystyka telemedycyny | 342 |
13.3. Obszary zastosowań telemedycyny | 343 |
13.4. Postęp techniki i rozwój telemedycyny | 345 |
13.5. Zdalna terapia jako nowe wyzwanie telemedycyny | 347 |
13.6. Pozatechniczne i pozamedyczne aspekty rozwoju telemedycyny | 349 |
13.7. Rola inżynierii systemów w rozwoju telemedycyny | 350 |
13.8. Podsumowanie | 353 |
Literatura | 355 |
14. Elastyczna wycena usług sieciowych Krzysztof Malinowski | 361 |
14.1. Wprowadzenie | 362 |
14.2. Ceny i opłaty stałe | 364 |
14.3. Ceny i opłaty zmienne, taryfy wykorzystujące pojęcie pasma efektywnego | 366 |
14.4. Ceny i opłaty zmienne, kontrakty elastyczne w sieci Internet | 368 |
14.5. Sieć jako infrastruktura użyteczności publicznej | 375 |
Literatura | 378 |
15. Metody analityczne i sztucznej inteligencji w diagnostyce uszkodzeń Józef Korbicz | 381 |
15.1. Wprowadzenie | 382 |
15.2. Zadania i struktura układu diagnostyki | 383 |
15.3. Układ diagnostyki z modelami analitycznymi | 385 |
15.3.1. Generowanie residuów | 386 |
15.3.1.1. Relacje parzystości | 388 |
15.3.1.2. Obserwatory stanu | 389 |
15.3.1.3. Obserwator o nieznanych wejściach | 391 |
15.3.1.4. Identyfikacja parametryczna | 393 |
15.4. Obliczenia inteligentne w układach diagnostyki | 394 |
15.4.1. Algorytmy ewolucyjne | 394 |
15.4.2. Sztuczne sieci neuronowe | 395 |
15.4.3. Sieci neuronowe z zewnętrzną dynamiką | 395 |
15.4.4. Sieci neuronowe z wewnętrzną dynamiką | 396 |
15.4.5. Dynamiczne sieci neuronowe typu GMDH | 399 |
15.4.6. Logika rozmyta w diagnostyce | 402 |
15.5. Diagnostyka urządzenia wykonawczego automatyki | 406 |
15.6. Zakończenie | 411 |
Literatura | 412 |
16. Zastosowania algorytmów immunologicznych w eksploracyjnej analizie danych Sławomir T. Wierzchoń | 417 |
16.1. Wprowadzenie | 418 |
16.2. Układ odpornościowy | 419 |
16.3. Sztuczne systemy immunologiczne | 423 |
16.3.1. Wybór przestrzeni kształtów | 424 |
16.3.2. Siła wiązania paratop-epitop | 424 |
16.3.3. Wybór algorytmu immunologicznego | 425 |
16.4. Immunologiczne algorytmy uczenia maszynowego | 428 |
16.4.1. Nienadzorowane uczenie maszynowe | 428 |
16.4.2. Nadzorowane uczenie maszynowe | 437 |
16.4.3. Reprezentacja danych wysokowymiarowych | 440 |
16.5. Podsumowanie | 442 |
Literatura | 442 |
Skorowidz | 447 |