基于模糊理论扩充的归纳学习方法和思想

归纳学习是机器学习最重要、最核心也是最成熟的一个分支，但在应用归纳学习所获得的知识以及改进归纳学习算法等方面存在着很多传统方法难以解决的问题。本文从归纳学习的本质--归纳依赖于数据间的相似性出发，尝试将能够较好地定量反映数据间相似性程度的模糊理论应用到归纳学习中去，为归纳学习和机器学习找出一个新的研究方法和思路。     

数据挖掘与机器学习——经典图书介绍

对于“数据挖掘”,有多种文字不同但含义接近的定义,简单来说,可以归纳为“试图从海量数据中找出有用的知识”。在学术界,有时也将“数据挖掘（DM）”称为“数据库中的知识发现（KDD）”。而“机器学习”是人工智能的核心研究领域之一,目前被广泛采用的机器学习的定义是“利用经验来改善计算机系统自身的性能”。     

基于归纳逻辑程序设计的学习方法及其实现的研究

归纳逻辑程序设计是机器学习领域中的一个新方法，它研究的是从实例和背景知识进行逻辑程序（新知识）的构造．本文介绍了归纳逻辑程序设计的基本理论和方法，并介绍了这种学习方法在专家系统中的应用情况．     

机器学习中的概念聚类

一、引言机器学习是人工智能发展中一个十分活跃的领域,机器学习的研究就是希望计算机能够像人类那样具有从现实世界获取知识的能力。学习应是一切智能系统的重要特征之一,没有学习能力的系统都不堪称为智能系统。因此不少学者认为,如果说八十年代是专家系统的年代,那么九十年代将是机器学习的年代。归纳学习是机器学习研究中最为困难,然而却最为诱人的一个方面。从科学哲学的观点来看,归纳能够帮助人们学习,而且也     

机器学习方法浅析

学习是人工智能研究中非常活跃且范围甚广的一个领域。学习研究的动因很多,最主要的动因在于让机器完成某些任务,从而使其在某些方面服务于人类。本文介绍了机器学习的定义和基本结构,阐述了各种机器学习方法,包括机械学习、归纳学习、类比学习、解释学习、基于神经网络的学习以及知识发现等。     

机器学习

目前,机器学习研究方兴未艾,同时,对一些基本概念、基本问题的提法尚各执一词。本文首先概述了我们关于机器学习有关问题的基本认识,在此基础上,分析了符号机器学习研究中比较重要的两个领域(归纳学习和基于解释的学习)的研究现状,最后提出了我们的一些想法。关于机器学习的一些看法何谓机器学习?我们认为,机器学习从内在行为看,是从未知到知的过程,是知识增加的过程。从外在表现看,是系统的某些适应性改变,使得系统能完成原来不能完成的任务或把原来能完成的任务做得更好。这是一个问题的两个方面,各有侧重,归纳学习就侧重于概念获取即知识增加的一面,而基于     

归纳逻辑程序设计方法综述

归纳逻辑程序设计是机器学习与逻辑程序设计交叉所形成的一个研究领域,克服了传统机器学习方法的两个主要限制：即知识表示的限制和背景知识利用的限制,成为机器学习的前沿研究课题。首先从归纳逻辑程序设计的产生背景、定义、应用领域及问题背景介绍了归纳逻辑程序设计系统的概貌,对归纳逻辑程序设计方法的研究现状进行了总结和分析,最后探讨了该领域的进一步的研究方向。     

基于归纳的机器学习方法的实现研究

一、引言机器学习是解决计算机获取知识问题的方法。在这项研究中,对人类学习方法的模拟是一条重要的途径,而归纳正是人类学习的重要方式之一。从归纳中获取知识是人类新知识的极其重要的来源,它通过对经验材料的研究,探求新知识。由于一切科学理论的基本前提最初都是从经验事实中总结出来的,而从经验到一般规律的过程中,归纳推理起着不可替代的作用。开普勒从各大行星的天文观测     

智能控制中的机器学习方法

本文介绍了机器学习的两种基本方法:归纳学习和基于解释的学习,在此基础上提出集成化学习方法。最后讨论了机器学习在智能控制中的应用。     

构造性归纳综述

1.引言机器学习是人工智能领域的一个长期的研究热点,其研究目标,就是利用计算机来模拟、实现各种形式的学习行为。学习涉及两方面的内容:知识获取和技能获取。前者是从外界获得新的信息,后者是完善已得到的知识。对于这两方面在机器学习领域中有两种主要的学习典范。一种称为符号经验式学习——SEL(Symbolic Empirical Learning)——研究知识获取的本质问题,这种方法试图从事先提供的概念例子中分析出概念相应的规则,或称为描述。这是一种从具体到一般的推理过程,我们称之为归纳,因     

实例学习与解释学习的结合

实例学习和基于解释的学习是机器学习领域中具有代表性的、研究得最为深刻的两种学习方法,但由于这两种学习方法都存在一定缺陷,使它们在实际应用中受到较大的限制。在关于人类概念形成的心理学理论的基础上,本文讨论一个基于实例和解释的学习模型,将这两种学习方法有机结合在一起,一方面使用领域知识指导归纳学习过程:另一方面用归纳学习弥补领域知识之不完善。其学习机理更加接近人类学习的认知过程——抽象思维过程,取得了较好的学习效果。     

机器学习技术与机器学习系统

知识获取是知识处理过程中的“瓶颈“，这一问题的解决有赖于机器学习研究的进展。本文从两种不同的角度概述并评价了当前机器学习中的一些主要技术和典型系统，其一是着眼于机器学习技术所采用的推理方式，即演绎推理、归纳推理和类比推理，其二是强调机器学习系统所使用的知识类型和学习过程中信息流动的走向。     

机器学习的知识结构

机器学习是模拟人类学习活动过程来完成进行学习。本文通过分析机器学习系统在学习过程对知识的使用特点,提出将机器学习系统中知识库里的知识分为样本特征知识,操作性知识和推理性知识三个方面：并根据它们在学习过程中的作用．讨论了这三方面知识之间的关系。     

机器学习在预测人体运动地面反作用力中的应用综述

三维地面反作用力（Ground reaction force, GRF）是人体运动分析的重要测量参数,但其测量受到一定限制。本文系统归纳了机器学习在预测GRF中的应用现状。以“ground reaction force”与“machine learning”“neural network”组合为关键词检索,筛选利用机器学习模型预测GRF的研究。共纳入14篇研究,研究的动作包括步行、跑步及个别专项动作,利用不同的学习算法来预测GRF,输入参数包括足底压力参数、运动捕捉获取的人体运动学参数等,均采用相关系数及均一化均方根误差作为评价指标。结果显示,利用机器学习预测GRF可获得极好的预测精度。利用机器学习模型预测GRF在人体运动中的应用还有待更多的研究,如增加用于机器学习的数据集大小可进一步提高学习模型的预测性能等。     

关于机器学习

知识工程的一个重要方面就是如何获取知识.目前它已成为开发专家系统的“瓶子口”问题.因此研究者们对机器学习问题日益重视.本文简单地回顾了关于机器学习研究的发展,并探讨了各种学习系统之间的关系.     

基于高阶逻辑的复杂结构归纳学习研究

归纳学习的目的在于发现样例与离散的类之间的映射关系,样例及归纳的映射都需用某个形式化语言描述.归纳学习器采用的形式化语言经历了属性-值语言、一阶逻辑、类型化的高阶逻辑三个阶段,后者能克服前二者在知识表达及学习过程中的很多缺点.本文首先阐述了基于高阶逻辑的复杂结构归纳学习产生的历史背景;其次介绍了基于高阶逻辑的编程语言--Escher的知识描述形式及目前已提出的三种学习方法;复杂结构的归纳学习在机器学习领域的应用及如何解决一些现实问题的讨论随后给出; 最后分析了复杂结构归纳学习的研究所面临的挑战性问题.     

面向自动雕刻特征知识获取与搜索方法

提出面向雕刻学习的基于特征的框架知识描述方法，该方法具有搜索简便、便于分类记忆等特点，有利于描述雕刻特征及其雕刻工艺过程、继承雕刻艺术风格。在雕刻学习过程中，通过交互式“传授”与机器学习，能方便地利用雕刻者的经验知识建立起知识框架结构，实现对雕刻曲面的精确描述。     

基于粗集理论的特征子集选择算法

1.引言长期以来,特征子集选择技术一直是机器学习领域中的关键难题之一。由于学习对象的多样性,尤其是新的系统随着应用的发展而不断涌现,使人们无法用某种特定的工具或方法来完全解决这一问题,新的特征子集选择技术仍然受到人们广泛关注。20世纪80年代初,波兰数学家Z.Pawlak提出一种新的理论工具——“粗集”,用于解决不完整和不精确信息的知识表达、学习及归纳等问题。这一理论的特点是:除了问题所需处理的数据之外,不需要额外提供任何外界信息或     

启发式知识获取方法研究

归纳学习是解决知识自动获取的有效方法，针对ID3算法、基于粗集的归纳学习以及其它一些归纳学习方法存在的问题，提出了一种新的归纳学习算法ITIL。此算法用信息增益为启发式，选择尽量少的重要属性或组合，以可分辨性为依据提取规则，许多实例表明，这些规则不仅简单，而且冗余小，作为知识获取模块的一部分，ITIL已被集成到一个“基于知识发现的医疗诊断辅助系统”动态知识库子系统中。     

联接机制与符号机制相结合的机器学习系统：发展与展望

机器学习是人工智能研究的一个重点,并已出现了多种学习方法,如:机械学习、归纳学习、演绎学习、类比学习、基于解释学习、遗传算法和联接学习等.