方程组智能求解系统知识获取与优化

基于Rough集理论对方程组智能求解系统进行知识获取与优化。属性提取时采用分类的思想，有效降低了属性提取的难度；应用ITIL算法进行规则化简，减小了规则库；并针对方程组解题的实际问题确定特殊的分类标准，巧用冲突解决了一题多解。     

基于神经网络的交互式自动获取知识的N—R方法

本文为解决知识系统构造过程中瓶颈问题－－知识获取，提出了一种基于神经网络ＮＮ的自动获取多级推理产生规则的Ｎ－４方法，该方法采用了特有的ＮＮ结构模型和相应的学习算法，使得ＮＮ在学习过程中动态确定隐层节点数的同时，也产生了样例集中没有定义的新概念，学习后的ＮＮ能用本文提出的转换算法转换成推理网络，最终方便地得到了产生式规则集。     

基于神经网络的交互式自动获取知识的N－R方法

本文为解决知识系统构造过程中的瓶颈问题──知识获取，提出了一种基于神经网络ＮＮ（ｎｅｕｒａｌｎｅｔｗｏｒｋ）的自动获取多级推理产生式规则的Ｎ－Ｒ方法，该方法采用了特有的ＮＮ结构模型和相应的学习算法，使得ＮＮ在学习过程中动态确定隐层节点数的同时，也产生了样例集中没有定义的新概念，学习后的ＮＮ能用本文提出的转换算法转换成推理网络，最终方便地得到产生式规则集.     

一种基于Rough集获取规则知识的增量式学习方法

将Rough集理论应用于规则归纳系统,提出了一种基于粗糙集获取规则知识库的增量式学习方法,能够有效处理决策表中不一致情形,采用启发式算法获取决策表的最简规则,当新对象加入时在原有规则集基础上进行规则知识库的增量式更新,避免了为更新规则而重新运行规获取算法。并用UCI中多个数据集从规则集的规则数目、数据浓缩率、预测能力等指标对该算法进行了测试。实验表明了该算法的有效性。     

基于背景知识的关联规则挖掘算法研究

为了解决传统算法中存在的频繁模式集生成的瓶颈问题，本文将启发式背景知识和归纳背景知识同时运用在频繁模式的生成过程中，提出了一种基于背景知识的关联规则挖掘算法BasedBackground。该算法不仅通过启发式背景知识，有效降低了模式的计数代价，而且通过由样本挖掘获取的归纳背景知识，有效地减少I／O代价，因此提高了挖掘的效串和质量。本文最後通过恒星光谱数据作为实验数据集，验证了该算法的有效性。     

以面向属性归纳的算法实现知识发现的可行性研究

面向属性归纳的方法以关系的或面向属性的操作实现知识发现过程。面向属性归纳的含义还表现在知识获取工具的核心与基础是一组动作基元,包括问题表达,知识提升,人机交互等。文中着重讨论了知识生成规则,基于置信度的归纳策略,并以野生大豆数据库为基础设计了一个算法。     

一种基于二叉树的元知识学习算法MKL及其应用

ＭＫＬ是知识获取系统ＮＤＫＡＳ中实现的一个元知识学习算法，它在分类及抽象的基础上归纳出二叉树结构的元知识，用以有效地组织知识库中的规则．ＭＫＬ生成的元知识满足元知识的基本性质．本文给出了ＭＫＬ的算法描述，基本性质的满足性证明及算法的应用例子．     

基于SSA算法的飞行动作规则自动提取

针对空战知识获取问题展开研究，提出了一条从海量飞行参数中获取知识的途径。构建空战专家系统知识库；对于飞行动作规则知识的提取，提出了一种基于樽海鞘群优化算法的飞行动作规则知识提取方法，为了使提取的规则知识简洁有效，对算法的评价函数进行了设计。通过对水平右转弯机动动作和斤斗动作进行规则提取仿真与分析，验证了该方法的有效性和可行性。     

归纳学习算法CAP2的研究与应用

本文提出以实例空间中状态划分概率的大小作为启发式信息，以提供的正反实例集为依据，基于二叉树分类方法的示例式归纳学习算法ＣＡＰ２．它输出的分类规则是谓词演算表达式．该算法可根据用户对精度的要求控制分类深度，得到不同精度的规则，并能处理连续数据、噪音数据和利用用户提供的背景知识，既适用于同时给定概念的正、反例集的情况，也适用于只给正例集的情况．本文还介绍了ＣＡＰ２算法的应用情况，并和著名的ＩＤ３算法进行了比较．ＣＡＰ２已嵌入到一个自动知识获取系统．     

个性化决策规则获取算法及规则表示

提出了一种基于粗糙集理论的面向个性化知识的决策规则获取算法。从理论上证明了算法的正确性,给出了面向个性化的知识获取算法的描述。算法的重点在于规则合成的方法和可信度、覆盖度和规则强度计算的方法。最后通过例子说明了算法的有效性和实用性。     

PRIMEROSE: PROBABILISTIC RULE INDUCTION METHOD BASED ON ROUGH SETS AND RESAMPLING METHODS

Automated knowledge acquisition is an important research issue in machine learning. Several methods of inductive learning, such as ID3 family and AQ family, have been applied to discover meaningful knowledge from large databases and their usefulness is assured in several aspects. However, since their methods are of a deterministic nature and the reliability of acquired knowledge is not evaluated statistically, these methods are ineffective when applied to domains essentially probabilistic in nature, such as medical domains. Extending concepts of rough set theory to a probabilistic domain, we introduce a new approach to knowledge acquisition, which induces probabilistic rules based on rough set theory (PRIMEROSE) and develop a program that extracts rules for an expert system from a clinical database, using this method. The results show that the derived rules almost correspond to those of the medical experts.     

Learning classification rules from database in the context ofknowledge acquisition and representation

A method for learning knowledge from a database is used to address the bottleneck of manual knowledge acquisition. An attempt is made to improve representation with the assistance of experts and from computer resident knowledge. The knowledge representation is described in the framework of a conceptual schema consisting of a semantic model and an event model. A concept classifies a domain into different subdomains. As a method of knowledge acquisition, inductive learning techniques are used for rule generation. The theory of rough sets is used in designing the learning algorithm. Examples of certain concepts are used to induce general specifications of the concepts called classification rules. The basic approach is to partition the information into equivalence classes and to derive conclusions based on equivalence relations. In a sense, what is involved is a data-reduction process, where the goal is to reduce a large database of information to a small number of rules describing the domain. This completely integrated approach includes user interface, semantics, constraints, representations of temporal events, induction, etc     

基于粗糙集信息等价矩阵的关联规则挖掘

利用粗糙集理论,从矩阵分析的角度来挖掘决策表蕴含的信息,引入粗糙集信息等价关系的同构映射——等价矩阵,等价矩阵可看作是等价关系在信息表内的知识表达。给出了等价矩阵的求取算法以及等价矩阵意义下的属性重要度和核的概念。设计了基于等价矩阵的决策信息表的最小属性约简算法。从等价矩阵本身相关操作运算来挖掘客观知识之间的关联模式,提出了基于信息等价矩阵的关联规则提取的算法。实例证明提出的算法有效,为进一步研究决策信息系统的规则提取和决策算法提供了可行的计算方法。     

专家系统中基于粗集的知识获取、更新与推理

知识获取、知识更新和不确定性推理是设计专家系统的重要方面。根据粗集理论，提出了一种专家系统的结构模型，该系统在规则获取的基础上，利用系统运行的实例增量式地更新知识库中的规则及其参数，以改善系统的性能，利用知识库中的规则及数量参数进行不确定性推理，得出结论的可信度。     

一个专家控制系统的Matlab程序实现

本文首先简述基于粗集方法的专家控制系统的基本构成、知识表达方式及学习推理方法,通过研究导师的知识与学习者的知识之间的依赖程度,提出了一个专家控制系统的生产过程中决策控制规律推理的方法,最后给出了利用Matlab实现该生产系统简化及决策控制规律推理的程序。     

基于粗集理论知识表达系统的一种归纳学习方法

基于粗集（ＲＳ）理论,针对知识表达系统提出一种新的归纳学习方法,对该方法中条件属性的简化,核值表的求取,决策规则的约简进行了详细讨论,并给出相应的求解算法,本方法为机器学习以及从数据库中进行机器发现提供了新的思路。     

核属性蚁群算法的规则获取

蚁群算法是一种新型的模拟进化算法,研究已经表明该算法具有许多优良的性质,并且在优化计算中已得到了很多应用.粗糙集理论作为一种智能数据分析和数据挖掘的新的数学工具,其主要优点在于它不需要任何关于被处理数据的先验或额外知识.本文从规则获取和优化两方面研究基于粗糙集理论和蚁群算法的分类规则挖掘方法.通过研究决策表和决策规则系数,建立基于粗糙集表示和度量的知识理论,将粗糙集理论与蚁群算法融合,采用粗糙集理论进行属性约简,利用蚁群算法获取最优分类规则,优势互补.实验结果比较表明,算法获取的分类规则,具有良好的预测能力和更为简洁的表示形式.     

一种基于粗集理论属性约简的粗化算法

本文基于粗集理论，针对知识表达系统提出了一种新的归纳学习方法，对该方法中条件属性的简化进行了详细的讨论，并给出了一种具体的属性约简算法，其特点是简单，容易实现，考虑了属性值代表范围的合理性。