模具改模知识归纳系统设计与实现

日益增多的模具改模方案使得人工归纳改模知识的效率和知识有效性已不能满足实际工作需要,迫切需要建立专用的改模知识归纳系统对大量改模方案进行有效地分析和整理。在改模知识分层递阶表达模型及相应粗糙集归纳算法的基础上,结合改模知识归纳流程,设计并开发了基于粗糙集的模具改模知识归纳系统,实现了改模方案重构、特征约简和规则生成等知识归纳功能,并建立了改模特征知识库和规则库。实际应用表明可以有助于改模知识工程师快速有效地进行改模知识归纳。     

一种Agent的偏好系统及其建立

受到Agent偏好模型的启发,提出了一个新的描述人们行为的偏好系统称为AF系统,它将Michael Freund的理性偏好推理与Adams提出的经典的归纳逻辑和概率逻辑相结合,即借助经典的逻辑系统,把人们的逻辑推理和以人们的偏好取向为基础的常识性推理以及以主观愿望为基础的意向推理结合在一起成为一个有机系统,并且在这个系统下提出Agent的理性偏好的建立方法以及推理步骤.最后给出一个实例,说明它能根据人们的部分愿望,全面估计人们的偏好走向,而且一旦人们的基本态度有所转向,偏好结构也可做相应调整,无需做根本改动,因此它具有鲁棒性和实用价值.     

最小归纳依赖关系在采掘聚类关联规则中的应用研究

数据集中的冗余属性会降低数据采掘结果的解释能力及精度。该文介绍了在非项目集类型的数据集中采掘聚类关联规则的基本原理,并利用RoughSet理论对属性间的归纳依赖关系进行了分析,提出了一个在数据集中发现没有冗余属性的最小归纳依赖关系的算法,使采掘出的关联规则的精度及解释能力都达到令人满意的水平。     

从示例中获取结构化描述的知识一过程

文章提出了适合结构化知识获取的一种思想方法,并结合在一种简明而典型的应用领域内实现的过程获取系统ＫＢＭＬ,详细地阐述了这种思想的有关方面。它采用分级分阶段的匹配、归纳策略逐步从示教实例中获取一个完整的过程;把匹配和归纳有机地结合在一起是 ＫＢＭＬ的核心内容。     

谈高校艺术设计专业的色彩教学改革

如何探索一套适用于艺术设计专业特点的基础教学方法,利用有限的时间,通过有效的训练,为专业设计建立联系,打下基础,一直是艺术设计教育者应该思考和探索的问题。     

面向属性的量化归纳

数据简化是数据库中知识发现的一个重要研究方向。面向属性的归纳（AOG）可以用于数据简化。首先从数据简化的角度分析讨论了AOG及其不足;AOG的单一属性阈值控制是布尔型控制,在有例外存在的情况下,可能造成数据过度简化,失去数据简化的意义。其次在AOG的基础上提出了面向属性的量化归纳（QAOG）以弥补AOG的不足;引入记录阈值的概念,用属性阈值和记录阈值同时进行控制,使控制从布尔型变成数量型,对没有例外存在的情况产生与AOG相同的效果,而对有例外存在的情况产生比AOG更好的效果,还给出了一个有效的QAOG算法。     

遗传程序设计方法综述

近年来,遗传程序设计（genetic programming,GP)的研究引起了人们很大的关注,它运用遗传算法（genetic algorithm,GA)的思想,通过生成计算机程序来解决问题,介绍了遗传程序设计的研究状况以及目前的研究进展,概述了它的基本算法、主要特点、理论与技术,同时介绍了一些GP实现系统以及主要的应用领域,最后探讨了遗传程序设计的研究方向。     

符号执行中的循环依赖分析方法

符号执行方法处理循环时存在路径爆炸的问题。为此,提出一种基于归纳变量的循环依赖分析方法。通过识别循环归纳变量及符号表达式,结合边界约束条件生成可达归纳变量分支的路径约束,并采用符号化映射方法分析嵌套循环归纳变量依赖问题,从而在不展开循环的情况下生成覆盖归纳变量分支的测试用例。对开源工具Libxml2进行实验,该方法能发现其中2个while循环所引发的数组访问越界错误。     

浅析数据挖掘的分类与预测

数据挖掘技术是信息时代的宠儿,而分类和预测是数据分析的两种基本形式,能预测未知数据的趋势。本文主要介绍了何为数据的分类和预测,并且通过判定树归纳细化了数据分类的划分步骤;通过介绍线性回归、多元回归以及非线性回归等预测方法加深了对数据预测的认识;并介绍了分类法准确率评估方法以及分类和预测的异同点。     

一种基于改进粗糙集模型的归纳学习方法

对传统的粗糙集理论进行了扩展,提出了一种改进的粗糙集归纳学习方法。一方面,针对连续属性离散化,利用模糊集理论对连续属性进行模糊化,再根据模糊贴近度构造模糊相似矩阵,并用k-w方法粗略评估各连续属性的重要度,建立基于模糊相似关系的划分,最终生成相容的决策表。另一方面,针对解决最优属性的选择问题,提出一种加权求和的属性重要度定义。基于以上模型开发了一个原型系统,并以一个工程实例验证了此方法的有效性。