偏序约简框架下增量自学习推理：税务稽查的例子

本文讨论欺诈防范领域中税务稽查的例子。在相关文献基础上分析了目前线性推理的不足，提出构造偏序约简范例集，给出了CBR循环过程中范例获取、记忆、扩容、推理等算法，由此实现范例推理机增量自学习机制。算法相比线性检索和记忆有着较高的性能和准确度，在税务稽核选案、信用卡欺诈、公司财务数据审计方面都可以有相当广阔的应用。     

基于排序学习前向掩蔽模型的快速增量学习算法

增量学习是一种在巩固原有学习成果的基础上快速有效地获取新知识的学习模式.本文在简述增量学习的相关研究以及排序学习前向掩蔽模型(SLAM)的特点后,提出了一种基于SLAM的快速增量学习算法.该算法在原神经网络模型分类能力的基础上,实现对新增样本的快速增量学习,从而在较短的时间内提高该网络模型的分类推广能力.最后,与SLAM算法和Levenberg-Marquardt 后向传播(LMBP)算法的实验对比结果证实了该算法的有效性.     

基于不确定信息的时态索引技术

扩展了时态数据库中时态信息的表示方法，使它能处理不确定时态信息。并实现相应索引机制，从而为支持不确定时态信息的时态数据库打下基础。性能测试的结果说明，该索引不但在功能上支持不确定时态数据，而且在性能上也优于已有的时态索引技术。     

基于最小生成树的多序列联配算法

多序列联配(MAS)是现代生物信息学中的重要工具之一,MAS问题是NP-难的,因此需要一些启发式方法在合理的时间内联配大的数据集。本文提出了一个基于最小生成树的多序列联配算法,并使用BALiBASE标准数据集合,对我们的算法进行了性能评价,结果表明算法较之ClustalX类的算法其精确度更高。     

不确定时态信息表示及时态运算的扩展

时态信息表示和查询是时态数据库的研究重点,但现有的时态数据库模型在处理不确定时态信息方面仍存在较大困难。而现实生活中很多时态信息都是不确定的,故提出了一种不确定时态信息的表示方法,并扩展时态运算使其支持不确定时态信息的处理和查询,从而扩展了时态数据库的适用范围。     

不确定时态信息表示的统一模型

时态信息表示和推理是人工智能研究中的一个重要课题,现有的模型大多只能表示确定时态信息,然而现实生活中很多事件的发生结束等时态信息都是不确定的。故提出了一个表示不确定时态信息的统一模型,可用于描述各种具有确定或不确定时态信息的事件。该模型首先定义各类时态对象(如时间点、时间区间)以及它们之间的关系,并给出时态对象间的传递关系表,利用该表能进行时态一致性约束满足问题的求解。最后,给出了两个不确定时态推理的例子,表明了该模型的实际应用意义。     

人工神经网络系统硬件实现的研究进展

本文综述了人工神经网络系统硬件实现的研究进展和关键技术,并对人工神经网络基本单元电路的实现、在片学习神经网络系统的实现及权值的存储和修改方法作了分析,指出神经网络系统的硬件实现对神经网络的研究和发展及应用的重要性。     

基于树格的范例结构相似性研究

文章在对代数格及其一些运算的基础上,引入树的格及其同态、等价等概念,将复杂类型的范例,如时间序列的匹配比较问题映射到代数格中解决。该模型在遇到复杂知识类型,相似性的度量同样遵循一个一致、严密、完备的理论框架。一个简单的例子对此代数模型作了诠释。     

基于搜索引擎的关键词自动聚类法

互联网为用户提供了一个丰富的信息平台。然而,当前人们对互联网中海量信息的利用主要通过搜索引擎去查询相关的信息,互联网只是作为一个简单的信息库供用户检索。本文研究通过搜索引擎获得互联网信息并且在此基础上进行更高层次的知识挖掘——基于搜索引擎对关键词进行自动聚类。这是一个全新的研究,实验结果表明该方法具有理想的效果和新颖的构思。     

基于关键词聚类和节点距离的网页信息抽取

大部分网页信息抽取方法都针对特定的网站,例如基于网站抽取规则和基于训练网页样例的方法。这些方法在某一个网站上可以很好地应用。但当遇到新的网站时,必须人为地增加抽取规则或者提供新的训练网页集。而且,当网站的模版改变时,也要重新设计这些规则或重新输入训练网页集。这些方法难以维护,因此不能应用到从大量不同的网站上进行信息抽取。本文提出了一种新的网页信息抽取方法,该方法基于特定主题的关键词组和节点距离,能够不加区分地对不同的网站页面信息自动抽取。对大量网站的网页进行信息抽取的实验显示,该方法能够不依赖网页的来源而正确和自动地抽取相关信息,并且已经成功应用到电子商务智能搜索和挖掘系统中。