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。     

一种基于符号神经网络的知识获取方法

本文介绍一种基于符号神经网络的知识获取方法，该方法首先用传统的机器学习方法获取关于某领域的粗略知识，然后把这些知识映射到神经网络结构，通过神经网络的自学习获取关于该领域的精细知识，这样，既解决了传统机器学习中知识精度，知识表示等问题，又解决了神经网络获取知识时间长，能释能力弱等问题。     

KIS：一个新颖的知识精化系统

知识获取问题一直成为开发知识基系统如专家系统、自然语言理解系统的瓶颈问题。为了解决这一问题,计算机工作者研究并开发了基于机器学习技术的知识获取系统,但在这些知识获取系统中,如何保证所获取知识的正确性,如何维护所建造的知识库的一致性,一直成为这些知识获取系统能够获得实际应用的关键问题。本文提出了一种新颖的知识精化模型,旨在为解决上述问题提供一条切实可行的途径。     

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.     

归纳程序设计

知识获取是知识处理过程中的“瓶颈”,这一向题的解决有赖于“机器学习”研究的进展。归纳学习是机器学习的重要方式。本文以归纳学习系统STAR的方法为例,介绍了归纳学习的核心——归纳程序设计的基本概念和方法。     

机器学习在智能车间高度系统中的应用

基于规则和信真的车间高芳系统与专家系统的结合，使智能能调度得到了广泛的应用。但是知识的缺乏制约了应用效果。经过开发一个有机器学习能力的车间调度系统证明：机器间解决知识分管的一个有效途径，用在众多的机器学习算法中，Ｑｕｉｎｌｉａｎ的ＩＤ３算法成为适用于智能调度系统的机器学习算法。     

基于机器学习的智能概念设计系统研究

本文给出了一种基于机器学习的智能概念设计系统，结合人工智能特别是机器学习的特点和概念设计的知识，给出了这种系统的机器学习过程，系统结构、工作流程以及主要模块的设计和算法。     

基于免疫算法的故障诊断知识获取方法

随着系统设备和功能的日益复杂化,各种故障现象成因越来越复杂,智能故障诊断系统作为人工智能技术在故障诊断领域的应用,在实践中取得了较好的成效,但诊断知识获取一直是系统建造中的瓶颈问题,机器学习是目前采用较多、也较为有效的一种方法。该文基于从已有的诊断经验事例中学习获取知识的思路,借鉴免疫理论的相关概念,设计了新的知识获取模型,利用免疫算法,按照预定的优化目标函数,生成最优的诊断知识,通过对一故障实例知识获取的应用,验证了该方法的可行性。     

基于智能信息处理的数字图书馆知识服务系统的研究与设计

随着网络信息的迅猛发展，自动信息处理已经成为人们获取有用信息不可缺少的工具，文本自动分类系统是信息处理的重要研究方向。本文介绍了数字图书馆的概念和主要特点，同时对自动信息处理的关键技术，包括文本的表示、特征提取、机器学习方法，进行了研究和探讨，提出了一种基于信息处理的数字图书馆知识服务系统。     

机器学习方法赋能系统软件：挑战、实践与展望

机器学习方法为构建系统软件带来了新的机遇.为充分利用硬件资源支撑新型应用，系统软件的设计与实现需要不断改进与演化，以适应不同场景的需求.机器学习方法具有从数据中提取规律并自动优化系统性能的潜力.然而，使用机器学习方法赋能系统软件面临一些挑战，包括设计面向系统软件的定制化模型、获取足量且高质量的训练数据、降低模型开销对系统性能的影响，以及消除模型误差对系统正确性的影响等.介绍了上海交通大学并行与分布式系统研究所在索引结构、键值存储系统、并发控制协议等方面应用机器学习方法优化系统软件的实践，并从模型设计、系统集成和实践者自身知识储备等方面总结了经验与教训.此外，还回顾了国内外相关研究，并对此研究方向提出了展望与建议，希望为未来的研究提供参考与帮助.     

THE USEFULNESS OF A MACHINE LEARNING APPROACH TO KNOWLEDGE ACQUISITION

This paper presents results of experiments showing how machine learning methods arc useful for rule induction in the process of knowledge acquisition for expert systems. Four machine learning methods were used: ID3, ID3 with dropping conditions, and two options of the system LERS (Learning from Examples based on Rough Sets): LEM1 and LEM2. Two knowledge acquisition options of LERS were used as well. All six methods were used for rule induction from six real-life data sets. The main objective was to lest how an expert system, supplied with these rule sets, performs without information on a few attributes. Thus an expert system attempts to classify examples with all missing values of some attributes. As a result of experiments, it is clear that all machine learning methods performed much worse than knowledge acquisition options of LERS. Thus, machine learning methods used for knowledge acquisition should be replaced by other methods of rule induction that will generate complete sets of rules. Knowledge acquisition options of LERS are examples of such appropriate ways of inducing rules for building knowledge bases.     

Explanation-based learning as justification of knowledge

Abstract: This paper describes the use of the explanation-based learning (EBL) machine learning technique in the practical domain of knowledge acquisition for expert systems. A knowledge acquisition tool, EBKAT (Explanation-Based Knowledge Acquisition Tool), is described, which may be used in the development of knowledge bases for diagnostic expert systems. The functioning of EBKAT attempts to combine the full potential of a domain expert's skills and the power of explanation-based machine learning techniques. The EBL component is not employed in the acquisition of the knowledge base rules but is used to justify the knowledge entered and to relate it to the knowledge already in the system. It is suggested that the EBKAT tool goes some way towards overcoming the knowledge acquisition bottleneck and results in the acquisition of knowledge which is rich in contextual information.     

FIELDED MACHINE LEARNING SYSTEM FOR VOCATIONAL COUNSELLING

A fielded machine learning system for vocational counselling is presented in which learning is based on adjustments of weights on links in a network. The system exemplifies how a specific representation, consisting of weights assigned to associations between keywords, enables the effective use of machine learning algorithms for acquiring and continually refining domain knowledge. The representation is designed for coping with the types of knowledge that can be found in weak theory domains, that is, knowledge too difficult to formalize because it is incomplete or vague. Knowledge acquisition and knowledge refinement processes are automated in order to efficiently decrease the effect of unreliable knowledge caused by unknown or unspecified biases inherent in the knowledge sources. The knowledge acquisition algorithms presented here are capable of coping with incomplete and vaguely defined domain knowledge. The knowledge refinement algorithms are used on-line to enable a continuous refinement of ill-defined domain knowledge.     

An Experimental Evaluation of Integrating Machine Learning with Knowledge Acquisition

Machine learning and knowledge acquisition from experts have distinct capabilities that appear to complement one another. We report a study that demonstrates the integration of these approaches can both improve the accuracy of the developed knowledge base and reduce development time. In addition, we found that users expected the expert systems created through the integrated approach to have higher accuracy than those created without machine learning and rated the integrated approach less difficult to use. They also provided favorable evaluations of both the specific integrated software, a system called The Knowledge Factory, and of the general value of machine learning for knowledge acquisition.     

面向农业领域的智能系统技术体系架构及其实现

阐述作者及团队对农业智能系统的技术体系架构取得的研究成果,包括运用专家系统、知识表示、推理机制、知识获取、开发平台,智能计算、机器学习、数据挖掘、本体论、人工生命等关键技术,探索在作物施肥、病虫害诊治、栽培管理,园艺以及畜禽水产养殖等方面,应用于决策支持、控制、预测、检索、仿真等,反映了智能信息技术面向农业领域,具有广阔的应用前景。     

一种改进的规则知识获取方法

知识获取是建立专家系统的最基本最重要的过程,但它又是研制和开发专家系统的“瓶颈”。文章提出了一种改进的规则知识机器自动获取技术,它将学习看作是在一个符号描述空间中的启发式搜索过程,能够通过归纳从专家决策的例子中确定决策规则,从而大大简化了从专家到机器的知识转换过程。     

证券投资的神经网络专家系统

提出证券投资的神经网络专家系统结构，设计了知识获取、推理机、知识库和人机界面４个器件，分析了神经网络专家系统的预前技术。证券投资的实验设计和仿真实验结果表明，这种新的专家系统设计合理可行。     

农业智能系统的知识获取技术研究

作者及其团队长期针对农业领域的知识获取技术进行了系列性研究.阐述了运用智能引导、机器学习、数据挖掘、智能计算等技术的人工和自动/半自动的知识获取方法.这些方法能够有效地获取领域知识,发现隐含模式,进行知识精化.研发了知识获取工具.这些方法和工具反映了知识获取技术对农业信息工程所起的重要作用.