一种多策略的中文领域本体概念抽取方法

为了提高中文领域本体概念抽取的准确率和召回率,提出一种多策略的中文领域本体概念抽取方法。该方法使用模式匹配法改进原有的单字合并法,经词性过滤和缺陷检测筛选出概念集组成用户词典,并送入概念抽取系统进行二次分词获得候选概念集;利用词频-逆向文本频率(TFIDF)方法和信息熵融合得到TFIDFE方法,计算概念权重以获得领域概念集。实验结果表明,该方法在领域术语抽取的准确率、召回率和F值上均有较好的效果。     

基于粒度计算理论的数据分类建模

文章研究了基于粒度计算理论的数据分类建模,引入了全粒度空间的概念,定义了集合的粒度表示,给出了概念学习在粒度计算理论中的解释,导出了一个基于数据分类的知识发现模型,从而说明了知识发现可归结为在全粒度空间中寻找目标概念的最佳粒度表示,而各粒度描述的析取构成决策规则的前件。     

并行概念学习的探讨

为了解决机器学习的低效问题,将并行技术中引入概念学习。在深入探讨概念学习本质的基础上,分析了并行概念学习的可能性及其前景;研究了建立一个并行概念学习系统所需考虑的几个问题;探索性地给出了一种特殊的实例——概念描述语言;在此语言基础上提出了一种并行概念学习系统的实现方案,并详细讨论了系统的体系结构和学习算法。     

基于概念学习的过滤模板获取方法

基于内容的文本过滤关键在于建立有效的过滤模板。一种高效的过滤模板可以降低整个文本过滤系统对机器学习机制的要求，提高系统的过滤效率。提出了一种基于概念学习的过滤模板获取方法。该方法结合处理文本特征项的需要改进了概念学习方法中的寻找极大特殊假设算法，并应用新的算法从给定的少量训练文本中提取用户过滤模板。实验结果表明，与直接使用主题描述作为过滤模板的方法相比，较大地提高了过滤精度，可以达到比较令人满意的过滤效果。     

一种关系型数据库并行概念学习系统的探讨

关系型数据库中包含了大量的关系模式,其中的数据结构一般为结构化或半结构化数据。通过机器的概念学习,从这些数据结构中提取信息、得到更高层次的概念,这个机器学习的过程效率高低,将直接影响概念的获取,建立一个并行概念学习系统是一种比较可行的方法。文中探讨了关系型数据库的并行概念学习方法,给出了一种并行学习策略,建立了一种并行概念学习系统,可以有效地提高关系型数据库概念学习的效率,从而挖掘出更高层次的概念。     

一种关系型数据库并行概念学习系统的探讨

探讨了关系型数据库的并行概念学习方法，给出了一种并行学习策略，在此基础上建立了一种并行概念学习系统，可以有效的提高关系型数据库概念学习的效率，从而挖掘出更高层次的概念．     

从文本中学习本体的系统设计

结合本体的定义及从文本中学习本体问题的特殊性,给出了一个本体结构的定义,在此基础上分析了本体学习问题,提出了系统的体系结构,之后给出了相关的学习算法,对聚类算法进行了改进,最后讨论了对学习结果的评价问题,设计了评价指标。     

自主建构内化概念——多媒体技术在概念教学中的应用

小学数学中有很多概念,无论是描述式的还是定义式的,其所蕴含的数学思想都是朴素的,基本上都来源于学生的生活经验和学习经验。从理论上说,理解和运用数学概念是容易的,但事实上学生的概念学习最容易出现问题。回看我们的教学现状,我想以下现象是屡见不鲜的。     

配电线路早期故障辨识方法

为了提高配电网的可靠性,提出了一种配电线路早期故障辨识方法。所提方法以早期故障波形为研究对象,通过模拟人类对波形的认知过程,将早期故障波形分解为不同的基元,并利用分层概率学习方法建立不同基元特征与不同类型故障之间的对应关系,以实现小样本条件下的早期故障类型辨识。基于现场实际运行数据的实验表明,该方法对小样本条件下早期故障检测的准确率远优于相同条件下的深度学习等方法。论文研究为小样本条件下的线路故障诊断提供了一种新的思路。     

迁移学习研究进展

近年来,迁移学习已经引起了广泛的关注和研究.迁移学习是运用已存有的知识对不同但相关领域问题进行求解的一种新的机器学习方法.它放宽了传统机器学习中的两个基本假设:(1)用于学习的训练样本与新的测试样本满足独立同分布的条件;(2)必须有足够可利用的训练样本才能学习得到一个好的分类模型.目的是迁移已有的知识来解决目标领域中仅有少量有标签样本数据甚至没有的学习问题.对迁移学习算法的研究以及相关理论研究的进展进行了综述,并介绍了在该领域所做的研究工作,特别是利用生成模型在概念层面建立迁移学习模型.最后介绍了迁移学习在文本分类、协同过滤等方面的应用工作,并指出了迁移学习下一步可能的研究方向.