基于示例学习的特征空间变换方法

特征空间是人工智能领域中经常用的基本概念之一，人工智能领域中的许多问题可以可以通过特征空间变换的方法化简和求解。文中提出了一种基于示例学习的特征空间变换方法。     

基于实例和错误驱动的规则学习方法及其应用

提出了一种基于实例和错误驱动相结合的规则学习方法.该方法首先将提取的文本中的语法结构信息作为实例,然后采用基于转换的错误驱动学习方法找出这些实例的适用上下文环境,从而建立相应的规则库.此方法提取出的规则完全采用机器学习的方式,避免了人工提取规则的主观性缺点.可用于诸如词性标注、未登录词识别、命名实体抽取等自然语言研究课题.     

基于Rough集的规则学习研究

Rough Sets方法是一种处理不确定或模糊知识的重要工具,本文在对Rough Sets理论进行深入研究的基础上,提出了一种基于Rough Sets的自增量学习算法,该算法利用简化的差异矩阵和置信度,能较好地进行确定性规则和非确定性规则的学习。     

连续属性空间上的规则学习算法

文章研究连续属性空间上的规则学习算法。首先简述了研究连续属性空间上的规则学习算法的目的和意义,并将规则学习理论中的一些基本概念推广到连续属性空间。在此基础上,研究了连续属性空间离散化问题,证明了属性空间最小离散化问题是NP困难问题,并将信息熵函数与无穷范数的概念应用到连续属性离散化问题,提出了基于信息熵的属性空间极小化算法。最后,提出了连续属性空间上的规则学习算法,并给出了数值实验结果。     

基于空间推理的设计方法及其应用

In this paper,we discuss two main techniques concerning spatial reasoning in the designfield:representation of spatial relation and method of spatial reasoning. Based on this,we present aspatial reasoning model. Finally,we discuss an automatic advertising creation system which acts asan example of this model     

一种基于神经网络集成的规则学习算法

将神经网络集成与规则学习相结合，提出了一种基于神经网络集成的规则学习算法．该算法以神经网络集成作为规则学习的前端，利用其产生出规则学习所用的数据集，在此基础上进行规则学习．在UCl机器学习数据库上的实验结果表明，该算法可以产生泛化能力非常强的规则．     

基于反馈规则学习的医学文献主题自动标引方法

就中医药文献的自动标引研究，介绍了一种基于规则学习的主题自动标引方法。与以往基于词频统计和加权的自动标引方法，基于反馈的规则学习的方法能有效提取文献的副主题词，并进行主/副题词组配，具有很好的扩展性和适应性，基于此方法开发的系统在大量中医药文献中作了实验，获得了很好的标引结果。     

基于规则学习的韵律结构预测

韵律结构的分析和预测作为提高语音合成系统自然度的一个重要核心组成, 日益受到重视。本文提出了一种基于规则学习的汉语韵律结构预测方法, 该方法从人工韵律标注的语料库中抽取语言学特征和两级韵律结构标记, 构建了实例数据库（example database), 再利用规则学习(rule learning)算法从实例中自动归纳韵律短语预测规则。本文通过大量的实验挑选出对于汉语韵律结构预测最有效的特征, 采用和比较了两种典型的规则学习算法。同时, 对于实验结果给出了较为系统的评价参数。实践表明, 规则学习算法用于韵律结构预侧达到了90%以上的正确率, 优于目前其他方法的结果, 是一种行之有效的办法。     

一种基于强化规则学习的高效入侵检测方法

在入侵检测研究领域中,提高检测模型的检测率并降低误报率是一个重要的研究课题.在对归纳学习理论深入研究的基础上,将规则学习算法应用到入侵检测建模中.针对审计训练数据不足时出现的检测精度下降的情况,提出了一种基于强化规则学习的高效入侵检测方法EAIDBRL (efficient approach to intrusion detection based on boosting rule learning).在EAIDBRL方法中,首先调整传统Boosting算法的权重更新过程在各个预测目标类内部进行,以消除退化现象;然后修改传统规则学习算法中规则生长和规则剪枝过程的评价准则函数;最后使用改进后的Boosting算法来增强弱规则学习器对网络审计数据的分类性能.标准入侵检测数据集上的测试结果表明,EAIDBRL方法能够较大地提高传统规则学习检测模型在小样本条件下的入侵检测性能.     

联合因子分析算法中基于信号子空间的空间变换方法

在文本无关的说话人确认系统中, 联合因子分析算法以其明确的空间估计方法成为主流的技术手段。然而由于算法流程的限制, 使用该算法得到的说话人空间和信道空间不可避免地产生重叠。为解决空间模型的重叠问题, 文中采用基于信号子空间的空间变换方法, 使空间模型分离。对于NIST SRE 2008核心测试任务中的电话信道注册-电话信道测试, 相对于不采用空间变换的联合因子分析算法, 取得9。2%等错误率的降低。     

基于转移的音字转换纠错规则获取技术

文中描述了一种在音字转换系统中从规模不限的在线文本中自动获取纠错规则的机器学习技术。该技术从音字转换结果中自动获取误转换结果及其相应的上下文信息,从而生成转移规则集。该转移规则集应用于音字转换的后处理模块,使音字转换系统率进一步提高,并使系统具备了很强的灵活性和可扩展性。     

一种基于扩张矩阵理论的规则学习算法

本文给出的扩张矩阵合并问题是ＮＰ困难问题的一种新的证明。由此得到了析取式最小问题是ＮＰ困难问题的新的证明。之后给出了两个扩张矩阵合并的完备策略，在此基础上给出了扩张矩阵合并的启发函数策略，最后提出了一种新的示例学习算法－－基于扩张矩阵的启发函数学习算法。     

基于商务谈判的机器学习理论方法研究

电子商务的谈判中应用机器学习方法可增加其智能特性.探讨基于商务谈判的机器学习理论,建立了商务谈判学习模型,设计出相应的学习算法Strategy Learning以获取谈判领域的专家知识-谈判规则.通过一个应用实例,验证了SL方法的可行性和正确性.     

一种基于面向方面机制的模型转换方法

传统对象建模技术生成的PIM(Model Driven Architecture)一般是多重关注点混杂在一起的大型模型,该模型会导致PIM到PSM(Platform Specific Model)的模型转换工作较为困难.提出了一种基于面向方面机制的模型转换方法,该方法在模型层将系统横切关注点与核心关注点分离,单独建模为方面子模型,给出了方面PIM到方面PSM的转换规则,改进了对象建模生成的模型在转换中关注点混杂和对横切关注点管理的不足.     

一种模型转换分类方法及其在QVT中的应用

针对模型驱动的软件开发过程中潜在的交互性和一致性问题,介绍了一种模型转换分类的方法MTCM.根据模型和模型所描述的系统以及使用的建模语言的不同对模型转换进行细粒度的分类,然后按照此分类方法对OMG组织提出的模型转换标准QVT(查询/视图/转换)进行研究,并通过一个经典的模型转换实例即从UML模型到RDBMS模型的转换进行验证.分析得出结论,MTCM方法有助于提高模型转换的准确性和高效性.     

联邦数据库查询处理的规则化及其性能分析

联邦数据库系统由异构分布且治共享的成员数据库系统组成。联邦用户提交的查询事务不仅涉及本库数据，而且涉及异地多库数据。     

广义左,右线性递归规则组改写

本文从左，右线性递归规则组的定义出发，提出了广义左，右线性递归规则组的定义，放宽了左，右线性递归规则组寻规则形式的限制，扩展了Ｕｌｌｍａｎ提出的左，右线性递归规则组改写方法的适用范围。本文证明了由广义左，右线性递归规则组向左，右线性规则组转换的相容性，并给出了具体的转换算法。     

基于神经网络结构学习的知识求精方法

知识求精是知识获取中必不可少的步骤．已有的用于知识求精的ＫＢＡＮＮ（ｋｎｏｗ ｌｅｄｇｅ ｂａｓｅｄ ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗ ｏｒｋ）方法,主要局限性是训练时不能改变网络的拓扑结构．文中提出了一种基于神经网络结构学习的知识求精方法,首先将一组规则集转化为初始神经网络,然后用训练样本和结构学习算法训练初始神经网络,并提取求精的规则知识．网络拓扑结构的改变是通过训练时采用基于动态增加隐含节点和网络删除的结构学习算法实现的．大量实例表明该方法是有效的