增量式解释学习算法EBG—plus

传统的解释学习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。本结合了ＥＢＬ方法和求精算法，提出了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     

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．     

一种基于聚类的汉语词语知识的获取方法

在自然语言处理中,知识的自动获取一直是一个核心问题。但如何实现知识的自动获取呢?该文在基于实例的学习方法(Example-BasedLearning,简称EBL)的基础上,提出了一种基于聚类的汉语多义词知识的自动获取方法。实验结果证明,用该方法获得的知识对汉语的词义排歧是有效的。     

解释学习结果的优化排序

解释学习可以直接应用于知识库的推理加速．经解释学习学到的一组规则,其参加匹配的先后次序直接影响着学习的效用．本文提出并证明了在以规则的成功频率与本身匹配费用的比值为序自大至小排列时,可以使这些规则的整体匹配费用最小．文中给出学习结果的优化排序算法,对于训练例的任意给定次序,可求得最小费用排列．     

一种基于角色跟踪的群体Agent再励学习算法

在多Agent系统中,通过学习可以使Agent不断增加和强化已有的知识与能力,并选择合理的动作最大化自己的利益．但目前有关Agent学习大都限于单Agent模式,或仅考虑Agent个体之间的对抗,没有考虑Agent的群体对抗,没有考虑Agent在团队中的角色,完全依赖对效用的感知来判断对手的策略,导致算法的收敛速度不高．因此,将单Agent学习推广到在非通信群体对抗环境下的群体Agent学习．考虑不同学习问题的特殊性,在学习模型中加入了角色属性,提出一种基于角色跟踪的群体Agent再励学习算法,并进行了实验分析．在学习过程中动态跟踪对手角色,并根据对手角色与其行为的匹配度动态决定学习速率,利用minmax-Q算法修正每个状态的效用值,最终加快学习的收敛速度,从而改进了Bowling和Littman等人的工作．     

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。     

一种通过反馈提高神经网络学习性能的新算法

为了有效提高前向神经网络的学习性能，需要从一个新的角度考虑神经网络的学习训练．基于此，提出了一种基于结果反馈的新算法——FBBP算法．将神经网络输入调整与通常的权值调整的反向传播算法结合起来，通过调整权值和输入矢量值的双重作用来最小化神经网络的误差函数．并通过几个函数逼近和模式分类问题的实例仿真，将FBBP算法与加动量项BP算法、最新的一种加快收敛的权值更新的算法进行了比较，来验证所提出的算法的有效性．实验结果表明，所提出的算法具有训练速度快和泛化能力高的双重优点，是一种非常有效的学习方法．     

归纳学习算法CAP2的研究与应用

本文提出以实例空间中状态划分概率的大小作为启发式信息，以提供的正反实例集为依据，基于二叉树分类方法的示例式归纳学习算法ＣＡＰ２．它输出的分类规则是谓词演算表达式．该算法可根据用户对精度的要求控制分类深度，得到不同精度的规则，并能处理连续数据、噪音数据和利用用户提供的背景知识，既适用于同时给定概念的正、反例集的情况，也适用于只给正例集的情况．本文还介绍了ＣＡＰ２算法的应用情况，并和著名的ＩＤ３算法进行了比较．ＣＡＰ２已嵌入到一个自动知识获取系统．     

基于EBL的过程故障诊断专家系统

建立了基于EBL的学习模型来完善知识库的过程故障诊断专家系统。同时，在获取新知识后对知识库进行维护，示例表明：该专家系统可较好地对过程进行故障诊断。     

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.     

《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。     

解释学习的可操作性

本文对解释学习(EBL)中可操作性的形式化描述进行了初步探讨.强调了执行系统在学习中的作用,并将它形式化为一个公理系统;提出了等价置换概念,给出了可操作性的数学描述,最后验证了一个路线规划系统PLAN.     

解释学习中模糊概念的学习

本文提出了一种模糊知识的表示模式，给出了在模糊意义下的基于解释的学习的一种描述，以及解释、学习机制，使在解释学习中能够学习到一些带有模糊修饰词的新概念．本文描述形式同算子模糊逻辑而语义与其不同．     

多机器人系统任务分配效用评价算法

为了提高复杂环境中多机器人系统任务分配的决策质量,获取准确、客观的效用评价,提出了一种基于自适应神经-模糊推理系统(adaptive neuro-fuzzy inference system,ANFIS)的效用评价算法ANFIS-UE.设计了基于ANFIS的效用评价网络结构,并采用Q学习对效用评价网络的参数进行学习.利用ANFIS优越的函数逼近能力和泛化能力,提高了效用函数的学习效率,能够对连续的状态输入产生连续的效用评价值.实验结果表明,该算法获得的效用评价相对更准确,从而提高了任务分配方案的质量.     

基于解释的算法构架的学习

本文提出了将解释学习方法用于学习算法构架的思想，以提高软件自动化系统从功能规格说明转换到设计规格说明的能力．文中给出了算法构架的表示，操作性的定义及其处理方法．系统从用户给出的一个问题的解中学习算法构架，用于解决一类问题，系统的学习效果表现为通过学习能够解决原来不能解的问题．     

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。     

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。