HMCAP的新实现方法及其应用

ＨＭＣＡＰ是一种混合型多概念获取算法，它将基于概率论的符号学习与ＢＰ神经网络学习相结合，能从隶属于某个概述集的实例集中归纳出满足用户精度要求的以混合型判定树表示的概念描述，并具且有增量学习能力，本文给出了该算法的一种新的实现方法及其应用。     

混合型学习系统HMCAP的设计与实现

本文介绍混合型学习系统ＨＭＣＡＰ的设计与实现，该系统将符号学习ＣＡＰ算法的主要思想和ＢＰ神经网络有机结合，以状态在实例空间出现的概念为启发信息，以提供的混合实例集为分类依据，根据用户的要求得到不同精度的结合ＢＰ网的二叉多分类判定树，并具有增量学习能力。本文还给出ＨＭＣＡＰ的实现技术与应用实例。     

一种混合型机器学习模型

本文运用多概念获取算法ＨＭＣＡＰ，结合神经网络算法ＦＴＡＲＴ提出了一种新的混合型学习模型ＨＬＭ。在ＨＬＭ中，符号学习与神经网络学习具有结合紧密和转换灵活等特点，并采用了新的竞争学习机制，以样本在实例空间中出现的概率为启发信息修改学习中生成的分类。     

一种混合型多概念获取算法HMCAP及其应用

本文提出了一处混合型多概念获取算法的ＨＭＣＡＰ,它将符号学习ＣＡＰ算法的主要和ＢＰ神经网络有机结合,以状态在实例空间出现的概率为启发信息,以提供的混合实例集为分类依据,并具有增量学习能力。ＨＭＣＡＰ所依据的实例集既可具有离散属性又可有连续属性,并且能根据用户的要求得晃同精度的结合ＢＰ网的二叉多分类判定树。     

CMAC神经网络的N维概念映射算法

小脑模型神经网络（ＣＭＡＣ）是１９７２年由Ｊ．Ｓ．Ａｌｂｕｓ提出的，是实际控制上用得最多的神经网络之一，但是其概念映射较为复杂，至今尚未给出一般公式。本文在Ａｌｂｕｓ的概念映射基础上，给出了ＣＭＡＣ神经网络的Ｎ维概念映射算法，为ＣＭＡＣ神经网络应用提供了极大方便。     

FKCN优化的RBF神经网络

ＦＫＣＮ（Ｆｕｚｚｙ Ｋｏｈｏｎｅｎ ｃｌｕｓｔｅｒ ｎｅｔｗ ｏｒｋ）将模糊隶属度的概念用于Ｋｏｈｏｎｅｎ 神经网络的学习和更新策略中,改善了Ｋｏｈｏｎｅｎ 网络的性能,是一种更为快速有效的聚类网络。作者将ＦＫＣＮ用于优化ＲＢＦ（Ｒａｄｉａｌｂａｓｉｃ ｆｕｎｃｔｉｏｎ）神经网络基函数的中心,并将优化后的ＲＢＦ网络用于曲线拟合和非线性时间序列预测,同时与基于Ｃ－ＭＥＡＮＳ的ＲＢＦ网络进行比较。实验结果表明：采用ＦＫＣＮ优化的ＲＢＦ网络具有更好的拟合和预测能力,尤其在曲线拟合实验中,ＦＫＣＮ优化的ＲＢＦ网络可以达到最小学习误差,比Ｃ－ＭＥＡＮＳ的网络小一个数量级,可见用ＦＫＣＮ优化ＲＢＦ神经网络可以较好地提高ＲＢＦ神经网络的性能。     

高阶CMAC神经网络的研究

提出了一种高阶ＣＭＡＣ（ＨＣＭＡＣ）神经网络，它是采用高阶的径向基函数作为接收域函数，为了进一步增强对输入模式的表达，还可以用接收域函数输入模式向量构成张量积，这时产生的是高维的增强表达，同时ＨＣＭＡＣ沿用ＣＭＡＣ的地址映射方法，由于高阶接收域函数的引入，使其可以获得较ＣＭＡＣ连续性强且有解析微分的复杂函数近似，ＨＣＭＡＣ在不改变ＣＭＡＣ简单结构的基础上较ＲＢＦ网络有计算量少，学习效率高等优点，中     

增量式IHMCAP算法的研究及其应用

增量式ＩＨＭＣＡＰ算法采用适用于混合型学习的ＦＴＡＲＴ神经网络，成功解决了符号学习与神经网络学习精度之间的均衡性问题。该算法还具有较强的增量学习能力，在给系统增加新的示例时，不用重新生成已有判定树和神经网络，只需进行一遍增量学习即可调整原结构以提高学习精度，效率高，速度快。     

基于Transputer的CMAC神经网络模型的高速高精度直接驱动机器人的运动控制研究

本文主要研究了利用智能学习方法（ＣＭＡＣ神经网络）获得高品质运动控制的问题，重点解决了ＣＭＡＣ的快速实现问题；用Ｔｒａｎｓｐｕｔｅｒ和ＣＭＡＣ网络构成并行数字控制器，对两关节的直接驱动机器人进行了实验研究，结果表明，ＣＭＡＣ网络学习控制方法是一种有效的和实用的高速高精度运动控制方法，并具有良好的鲁棒性。     

智能过程控制系统的概念模型

以ＫＡＤＳ原理为基础，基于模型的智能过程控制系统ＭＩＰＣＳ的构造过程被分为知识分析和系统实现两个阶段，知识分析阶段建立ＭＩＰＣＳ的概念模型，系统实现阶段则根据概念模型建造一个面向特定应用问题的智能过程控制系统ＭＩＰＣＳ，概念模型从知识一级描述了智能过程控制系统ＭＩＰＣＳ所具有知识与使用这些知识的策略，知识表示为模型，模型按ＫＡＤＳ原理组织成四层框架形式，本文描述了上述内容。     

一种混合型多概念获取系统

文章实现混合型多概念获取系统HMCAS(hybrid multi-concept acquisition system).无论在离散值或连续值输入下,HMCAS系统都可以实现增量式教师学习.HMCAS的核心算法HMCAP基于事例空间的概率分布,结合了符号学习和神经网络学习,能够以混合型判定树形式产生概念描述.HMCAS的原型系统已经成功应用于台风预测领域.     

一种具有抗噪音能力的增量式混合学习算法

文中提出了一种具有抗噪音能力的增量式混合学习算法ＩＨＭＣＡＰ,该算法将基于概率论的符号学习与神经网络学习相结合,通过引入ＦＴＡＲＴ神经网络,不仅实现了两种不同思维层次的靠近,还成功地解决了符号学习与神经网络学习精度之间的均衡性问题。其独特的增理学习机制不仅使得它只需进行一遍增量学习即可完成对新增示例的学习,还使该算法具有较好的抗噪音能力,从而可以应用于实时在线学习任务。     

混合型多概念获取算法的设计及其抗噪音能力

IHMCAP(incremental hybrid multi-concepts acquisit ion procedure)算法将基于概率论的符号学习与神经网络学习相结合,通过引入FTART(field theory-based adaptive resonance theory)神经网络,成功地解决了符号学习与神经网络 学习精度之间的均衡性问题,实现了两种不同思维层次的靠近.该算法采用一种独特的增量学 习机制,当增加新的实例时,只需进行一遍增量学习,调整原结构,不必重新生成判定树和神经 网络,即可提高学习精度,速度快,效率高.同时,这种增量学习机制还可以降低算法对噪音数 据的敏感度,从而使IHMCAP可以应用于实时在线学习任务.     

基于混合学习算法IHMCAP的故障诊断模型

在故障集和差错属性集的基础上,通过结合了基于概率论的符号学习与神经网络学 习的增量式混合型多概念获取算法IHMCAP寻找属性值与故障类型之间的对应关系,由此 建立一个故障诊断模型.实验表明,该模型不仅精度高、速度快、学习能力强,而且在利用系统 的先验知识与新增数据上也取得了均衡.     

Case-based reasoning and neural network based expert system for personalization

We suggest a hybrid expert system of case-based reasoning (CBR) and neural network (NN) for symbolic domain. In previous research, we proposed a hybrid system of memory and neural network based learning. In the system, the feature weights are extracted from the trained neural network, and used to improve retrieval accuracy of case-based reasoning. However, this system has worked best in domains in which all features had numeric values. When the feature values are symbolic, nearest neighbor methods typically resort to much simpler metrics, such as counting the features that match. A more sophisticated treatment of the feature space is required in symbolic domains.We propose feature-weighted CBR with neural network, which uses value difference metric (VDM) as distance function for symbolic features. In our system, the feature weight set calculated from the trained neural network plays the core role in connecting both the learning strategies. Moreover, the explanation on prediction can be given by presenting the most similar cases from the case base. To validate our system, illustrative experimental results are presented. We use datasets from the UCI machine learning archive for experiments. Finally, we present an application with a personalized counseling system for cosmetic industry whose questionnaires have symbolic features. Feature-weighted CBR with neural network predicts the five elements, which show customers’ character and physical constitution, with relatively high accuracy and expert system for personalization recommends personalized make-up style, color, life style and products.     

An incremental neural learning framework and its application to vehicle diagnostics

This paper presents a framework for incremental neural learning (INL) that allows a base neural learning system to incrementally learn new knowledge from only new data without forgetting the existing knowledge. Upon subsequent encounters of new data examples, INL utilizes prior knowledge to direct its incremental learning. A number of critical issues are addressed including when to make the system learn new knowledge, how to learn new knowledge without forgetting existing knowledge, how to perform inference using both the existing and the newly learnt knowledge, and how to detect and deal with aged learnt systems. To validate the proposed INL framework, we use backpropagation (BP) as a base learner and a multi-layer neural network as a base intelligent system. INL has several advantages over existing incremental algorithms: it can be applied to a broad range of neural network systems beyond the BP trained neural networks; it retains the existing neural network structures and weights even during incremental learning; the neural network committees generated by INL do not interact with one another and each sees the same inputs and error signals at the same time; this limited communication makes the INL architecture attractive for parallel implementation. We have applied INL to two vehicle fault diagnostics problems: end-of-line test in auto assembly plants and onboard vehicle misfire detection. These experimental results demonstrate that the INL framework has the capability to successfully perform incremental learning from unbalanced and noisy data. In order to show the general capabilities of INL, we also applied INL to three general machine learning benchmark data sets. The INL systems showed good generalization capabilities in comparison with other well known machine learning algorithms.     

混合型学习模型HLM中的增量学习算法

混合型学习模型HLM将概念获取算法HMCAP和神经网络算法FTART有机结合，能学习多概念和连续属性，其增量学习算法建立在二叉混合判定树结构和FTART网络的基础上，在给系统增加新的实例时，只需进行一遍增量学习调整原结构，不用重新生成判定树和神经网络，即可提高学习精度，速度快、效率高．本文主要介绍该模型中的增量学习算法．