基于神经网络的范例推理

目前对于基于范例推理的研究越来越受到人们的重视.本文探讨用神经网络来实现范例推理系统,用此方法建造一个高效的范例推理系统,并给出了一些算法.     

用神经网络来实现基于范例的推理系统

范例推理与神经网络有一种自然的联系，神经网络有许多优点，利用神经网络来实现范例推理可以取得非常好的效果。文章首先详细探讨了在范你推理中使用的神经网络模型与技术，并给出了其上的搜索与学习算法以及数据挖掘算法，旨在提高范例推理系统的鲁棒性和知识获取的自动化程度。     

基于效用值的范例库记忆算法研究

基于范例推理的系统中,如果所有新范例不加辨别地加入到范例库,那么范例库中将充满许多冗余范例和噪声范例。针对这个问题,提出基于效用值的范例库记忆算法。该算法能选择性地加入新范例,删除范例库中冗余的和错误的范例,强化经常判断正确的范例,弱化经常判断出错的范例。实验结果表明,包含记忆算法的范例推理系统不但能减少范例库存储空间,还能提高分类准确度。     

利用数据挖掘技术构造范例库的新方法探究

范例推理技术作为基于规则推理技术的补充,其关键就是能很好地解决知识获取的瓶颈问题,但在范例推理技术的实际应用中,如何高效建立范例库也是一个棘手的问题。采用数据挖掘技术,提出一种综合算法从传统数据库中构造范例库,可望部分解决范例获取的自动化问题,提高系统的运行效率及整体性能。     

范例推理在地理信息系统中的应用研究

范例推理(CBR)是一种用先前求解问题的经验和方法,通过类比和联想来解决当前相似问题的推理技术,它是动态决策环境下求解不良结构问题的常用方法。GIS系统作为一种新兴的地学工具,具有很强的空间分析能力,但由于地学问题的复杂性,一些地学现象很难用确切的模型进行模拟和预测。考虑到范例推理系统在处理半结构化和非结构化问题方面的出色能力,文中探讨了一个基于范例推理的GIS系统结构,并给出了地理范例的构建方法和表达模型。     

基于范例推理的税收案例分析系统设计

基于范例推理技术是专家系统实用而成熟的技术。对税收案例分析而言,其应用在实用性方面优于基于规则的系统。提出基于范例推理技术和应用XML来表示和搜索范例,应用数据仓库构建税收案例分析系统,详细介绍了系统的基于范例推理流程、相似性度量函数、范例相似匹配方法及范例维护的设计思路和实现步骤。利用基于范例推理技术,大大提高了系统的“智能”性和实际功能,在实际应用中产生了较好的经济效益和社会效益。     

范例推理在地理信息系统中的应用研究

范例推理（CBR）是一种用先前求解问题的经验和方法，通过类比和联想来解决当前相似问题的推理技术，它是动态决策环境下求解不良结构问题的常用方法。GIS系统作为一种新兴的地学工具，具有很强的空间分析能力，但由于地学问题的复杂性，一些地学现象很难用确切的模型进行模拟和预测。考虑到范例推理系统在处理半结构化和非结构化问题方面的出色能力，文中探讨了一个基于范例推理的GIS系统结构，并给出了地理范例的构建方法和表达模型。     

用遗传模拟退火算法挖掘特征项权重的研究

能否在范例库中检索和选择出最为相似的范例决定了范例推理系统性能。文中介绍了遗传算法和模拟退火算法,比较了两种算法的特性,提出一种混合遗传模拟退火算法。该算法不但具有强的局部搜索能力,还缩短了搜索时间。将该算法用于发掘范例库上特征权重,理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法。     

基于范例库推理的软件成本估算模型研究

用传统的经验函数估算软件成本有很多局限性，采用基于范例库推理的估算方法可以很好地弥补其中的问题。讨论了软件成本估算和基于CBR推理研究的特点，从总体上阐述了COSCBR系统结构，描述了系统重要的研究方面：影响软件成本因素；层次推理；COSCRB系统的范例表示方法；相似度的基本计算算法。     

用遗传模拟退火算法挖掘特征项权重的研究

能否在范例库中检索和选择出最为相似的范例决定了范例推理系统性能。文中介绍了遗传算法和模拟退火算法，比较了两种算法的特性．提出一种混合遗传模拟退火算法。该算法不但具有强的局部搜索能力．还缩短了搜索时间。将该算法用于发掘范例库上特征权重，理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法。     

MBNR: Case-Based Reasoning with Local Feature Weighting by Neural Network

Our aim is to build an integrated learning framework of neural network and case-based reasoning. The main idea is that feature weights for case-based reasoning can be evaluated by neural networks. In this paper, we propose MBNR (Memory-Based Neural Reasoning), case-based reasoning with local feature weighting by neural network. In our method, the neural network guides the case-based reasoning by providing case-specific weights to the learning process. We developed a learning algorithm to train the neural network to learn the case-specific local weighting patterns for case-based reasoning. We showed the performance of our learning system using four datasets.     

基于敏感度分析的案例特征项权重算法的改进

研究案例库特征项权重的确定方法,通过集成BP神经网络和敏感度分析,改进案例库特征项的权重确定算法,将案例库中的各特征项和决策目标项构造一个BP神经网络,经训练和学习后,依次删除输入节点,分析网络的输出对输入的敏感程度,确定各特征项的权重。并以红籽西瓜仁重的案例库对其进行测试,结果表明该算法是有效的。     

基于BP神经网络的改进算法研究

BP算法使用优化算法中的梯度下降法,梯度下降法的不足,使BP算法收敛速度慢,计算量比较大,且收敛速度与初始权的选择有关;学习时,无法保证可以得到最小值。BP的改进算法提出权值更新的快速收敛方法,使用MatLab对改进算法进行仿真,结果表明改进算法具有高效性和有效性。     

基于多层前馈神经网络的案例推理系统

采用基于该神经网络技术的案例推理系统，使用交叉覆盖算法，可兰亨登地缩减案例的检索时间、减少案例适应性修改、提高推磊效率。实验表明该系统易于设计构建，极大地提升了CBR在实际中的应用能力。     

Overcoming rule-based rigidity and connectionist limitations through massively-parallel case-based reasoning

Symbol manipulation as used in traditional Artificial Intelligence has been criticized by neural net researchers for being excessively inflexible and sequential. On the other hand, the application of neural net techniques to the types of high-level cognitive processing studied in traditional artificial intelligence presents major problems as well. We claim that a promising way out of this impasse is to build neural net models that accomplish massively parallel case-based reasoning. Case-based reasoning, which has received much attention recently, is essentially the same as analogy-based reasoning, and avoids many of the problems leveled at traditional artificial intelligence. Further problems are avoided by doing many strands of case-based reasoning in parallel, and by implementing the whole system as a neural net. In addition, such a system provides an approach to some aspects of the problems of noise, uncertainty and novelty in reasoning systems. We are accordingly modifying our current neural net system (Conposit), which performs standard rule-based reasoning, into a massively parallel case-based reasoning version.     

基于遗传神经网络的股指预测

股票市场是一项集合许多市场复杂因素的活动,股票分析的方法非常多。将遗传算法用于BP神经网络的训练过程对股票价格的预测,设计一个三层的BP神经网络,优化网络输入,在传统BP神经网络的基础上加入遗传算法。通过实例分析及实际结果表明这种BP神经网络的准确性和科学性。     

基于FCM与神经网络的案例推理方法

目前有关案例推理(CBR)的研究主要集中在案例检索方面,对案例库构造方法的研究则较为少见,而好的案例库,既可以提高案例检索效率,又可以保证较好的检索准确率.鉴于此,针对CBR中的案例库进行研究,引入模糊C均值方法去除原案例库中的冗余案例,从而实现对神经网络-案例推理方法的改进.最后通过对UCI数据进行的仿真实验表明了改进后的案例推理方法无论在案例检索精度还是在案例检索速度上均有所提高.     

基于BP神经网络的垃圾邮件过滤器研究

针对电子邮件特征向量庞大的问题,采用K-L变换与遗传算法（GeneticAlgorithm）相结合的KLGA算法对邮件向量进行降维。对于基于BP神经网络的邮件过滤器,采用遗传算法来优化神经网络权值,进一步提高邮件分类效果。通过试验数据表明,此优化方法能够快速、高效地对垃圾邮件进行过滤。     

基于动态K均值的RBF神经网络日降水预报模型

针对优化径向基函数神经网络的各参数问题,提出一种动态K均值混合优化RBF神经网络并应用于广西降水数据进行建立预报模型,该模型与传统的K均值RBF模型和同期的T213降水预报进行对比,结果表明。该模型建立的5月3个区域的逐日降水预报,预测的精确度明显高于同期的T213降水预报。