增量式解释学习算法EBG—plus*

传统的解释学习(EBL)是通过单个实例进行学习的，学习结果往往带有实例本身的特殊性质,知识求精能较正这一缺陷，但学习结果的效用不高．本文结合了EBL方法和求精算法，提出综合多个实例的增量式解释学习算法EBG—plus，学习质量随实例数目增加而单调上升，学习结果效用高，并能够自动改进领域知识的编码质量．     

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     

一种解释学习系统的模型EBL／GA

解释学习是演绎式学习方法，而遗传算法是归纳式学习方法。本文提出的解释学习系统模型ＥＢＬ／ＧＡ，结合两者的优点提高了系统的效用。     

适应噪声环境的解释学习算法

在现实世界里，ＡＩ系统难免受到噪声的影响．系统有效工作与否取决于它对噪声的敏感性如何．解释学习ＥＢＬ（ｅｘｐｌａｎａｔｉｏｎ－ｂａｓｅｄｌｅａｒｎｉｎｇ）也不例外．本文探讨了在例子受到噪声影响的情况下，解释学习的处理问题，提出了一个算法ＮＲ－ＥＢＬ（ｎｏｉｓｅ－ｒｅｓｉｓｔａｎｔＥＢＬ）．与现有的解释学习方法不同，ＮＲ－ＥＢＬ在训练例子含有噪声时仍然可以学习，以掌握实际的问题分布；和类似的工作不同，ＮＲ－ＥＢＬ指出了正确识别概念对于噪声规律的依赖性，试图从训练例子集合发现和掌握噪声的规律．可以相信，在识别概念时，借助于对噪声规律的认识，ＮＲ－ＥＢＬ可比ＥＢＬ和类似工作有更高的识别率．ＮＲ－ＥＢＬ是解释学习和统计模式识别思想的结合．它把现有的解释学习模型推广到例子含有噪声的情形，原来的ＥＢＬ算法只是它的特例．     

解释学习的效用问题

近年来,在机器学习领域,基于解释的学习引起了广泛的兴趣。解释学习是一种演绎学习方法,根据领域理论对训练实例进行解释,经过推广后获得新的知识。从可操作性的角度看,解释学习并没有学到真正新的知识,只是一种知识转换,它把原先不可操作的概念描述转换为可操作的目标概念描述,而使系统的性能得以提高。但原来的可操作性定义并没有考虑到解释学习的效用(utility)问题,人们发现这样的解释学习并不总能提高系统的性能,而是在大多数情况下会使系统的行为比未经学习时更差,这使得效用问题与不完善理论问题一样成为解     

基于神经网络结构学习和知识求精方法

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方法，主要局限性是训练时不能改变网络的拓扑结构。     

为不完全领域理论补充知识的学习方法CE

本文给出了一个补充解释的学习ＣＥ，是解释学习和归纳学习两种方法的结合，试图解决完全的领域理论补充知识的问题。     

多层前馈感知器的高阶序贯非线性Kalman滤波学习算法

本文提出了高阶序贯非线性增广Ｋａｌｍａｎ滤波，并将其应用于多层前馈感知器的学习问题。文中给出了ＭＬＰｓ和ＳＥＫＦ算法，得到了与ＢＰ算法类似的正向与φ反向传播过程，并且详细地推导了核心的量测Ｊａｃｏｂｉａｎ矩阵。结合一非线性正弦函数，ＤＥＫＦ和ＳＥＫＦ的仿真结果被进一步给出。     

MIKRS：用于知识库求精的模型推理系统

知识求精是知识获取的一个重要方面,本文主要介绍了知识库求精的一些概念、理论与方法,给出了在MIKRS系统中所实现的知识库调试和求精的思想及描述算法,并在文章的最后给出了系统运行的一个实例。     

高炉专家系统知识的实例学习*

知识获取是专家系统建造过程中最重要的环节之一，本文根据高炉炉况知识的特点，采用背景知识学习算法、归纳学习算法，实现了高炉专家系统知识的实例学习。     

基于解释学习的可操作性

可操作性是基于解释机器学习的关键问题，本文给出了一种以模糊集理论来描述可操作性的方法，建立了ＥＢＬ的模型，这一结果优于Ｋｅｌｌｅｒ等人的工作。     

基于U－D分解推广卡尔曼滤波的神经网络学习算法

本文针对前馈神经网络ＢＰ算法所存在的收敛速度慢且常遇局部极小值等缺陷，提出一种基于Ｕ－Ｄ分解的渐消记忆推广卡尔曼滤波学习新处法，与ＰＢ和ＥＫＦ学习算法相比，新算法不仅大大加快了学习收敛速度、数据稳定性好，而且需较少的学习次数和隐节点数即可达到更好的学习效果，对初始权值，初始方差阵等参数的选取不敏感，便于工程应用。     

一种用于视觉模式识别并能自学习和推理的神经网络

本文提出一种用于模式识别，并具有逻辑推理及自学习能力的神经网络模型。该模型是自适应揄网络（ＡＩＮＥＴ）属于一种前馈式神经网络，它由两种类型的连接组成，可通过反向传播算法进行训练。该模型有四个主要特征；逻辑推进能力、通过自学习采集知识、利用专家知识改善用结果解释能力。本文首先描述网络的结构和性能、自学习的方法和其它特征，然后再介绍使用该神经网络的一种复合型图象识别模型。该模型由两个阶段组成；特征抽取     

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。     

《天马》的知识自动获取

本文首先概述了基于实例的机器学习的几种方法,然后介绍了《天马》的知识自动获取功能,包括背景知识学习,增量式规则知识学习及知识求精。     

应用OLE技术和Excel开发数据处理软件

讨论在ＶＢ编程环境下，运用ＯＬＥ技术和Ｅｘｃｅｌ开发数据处理软件的一般方法，解释了常用Ｅｘｃｅｌ对象的编程方法，并给出了一个数据处理程序的实例。     

知识概念的模糊模型及模糊目标的识别

作为ＥＢＬ（Ｅｘｐｌａｎａｔｉｏｎ－ＢａｅｓｅｄＬｅａｒｎｉｎｇ）的发展,从概念的自然形成过程出发,提出了一种新的概念模型ＦＥＢＭ（ＦｕｚｚｙＥｘｐｌａｎａｔｉｏｎ－ＢａｓｅｄＭｏｄｅｌ）当概念的解释谓词集中模糊集以及解释谓词取模糊逻辑值时,给出了求概念真值的表达式;为了解决模糊概念的识别问题,引入了概念的模糊解释树ＦＥＴ,接着给出了对象的模糊识别算法ＦＥＢＬ,最后讨论了ＦＥＢＭ与ＦＥＢＬ的可操作     

一个综合知识发现与知识求精系统--XFKDRS

介绍了一个综合知识发现与知识求精系统-XFKDRS.它由分类规则、关联规则、序贯模式、相似模式、聚类模式组成知识发现模块.知识求精首先在领域知识可视化的基础上,集成了基于遗传知识树、知识型人工神经网络和基于解释学习的求精方法.最后将新知识转换成雄风专家系统工具XF6.2的知识表达形式,添加到其知识库中,完成专家系统的自动知识获取.     

基于遗传算法的Bayesian网结构增量学习的研究

已建成的Bayesian网与领域环境间可能存在较大偏差,加之领域本身固有的动态变化特性,因此在观察到新数据时,改善Bayesian网的性能和优化网络结构是十分必要的．提出了一种基于遗传算法的Bayesian网（包含结构和参数）求精算法．该算法基于上次的求精结果把已有的不完备数据转化成完备数据,以期望充分统计因子作为已有数据的主要存储形式,基于本次求精过程中的当前最佳个体对新数据进行完备化,并由遗传操作综合利用新数据和已有数据进行求精．模拟实验结果表明,该增量学习算法能较有效地从不完备数据中求精Bayesian网．     

一种基于对象的分布式系统描述求精方法

一种基于对象的分布式系统描述求精方法杜兴，谢立，孙钟秀（南京大学计算机科学与技术系南京２１０００８）ＡＮＯＢＪＥＣＴ－ＢＡＳＥＤＡＰＰＲＯＡＣＨＴＯＳＰＥＣＩＦＹＡＮＤＲＥＦＩＮＥＤＩＳＴＲＩＢＵＴＥＤＳＹＳＴＥＭＳ￥ＤｕＸｉｎｇ；ＸｉｅＬｉａｎｄＳ...