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。     

启发式知识约简算法的研究与应用

从信息角度对决策系统中的属性重要度进行度量,在此基础上,提出一种知识约简的启发式算法,它以信道容量为启发式信息,减小了知识约简过程中的搜索空间。实例分析表明,本算法能够获得决策系统的一种良好的相对约简。     

知识获取方法DECO

知识获取方法学是目前人工智能领域中最重要的分支之一,现在已出现了几种不同应用范围的获取方法,集成式知识获取方法的研究已成为当前的一种趋势,本文所介绍的DECO方法是一种集成式方法,它将知识获取分为若干个基本上相互独立的步骤,并且溶进了知识库快速生成技术以及基于专家分析实例的学习方法。     

知识获取方法初探

本文着重讨论了当前交互式自动知识获取系统(AKAS)所使用的两种典型的知识抽取方法,并结合对方法的分析评述给出作者关于 AKAS 未来发展的看法。     

一种基于规则的知识获取策略

本文介绍一种化工废物资源化应用专家系统的结构及各部分的功能，着重介绍系统归纳学习设计方法。     

基于二元决策系统的粗集知识获取方法研究

提出一种新的粗集知识获取方法,首先将事例集表示成二元决策系统,然后奖其分解成一系列单一二元决策子系统。利用粗集理论对每一子系统进行分析,推理出最优规则。在对决策系统进行条件属性和规则简化时,提出了概率最佳简约准则和概率最小规则准则,按照这两种最优准则可以获得概率意义上数目最小规则集。通过实例分析,具体说明了该方法的实现步骤,结果表明该方法具有明显的优越性。     

大规模数据库中的知识获取

一、前言数据是知识的潭泉,拥有大量的数据与拥有许多有用的知识完全是两回事.为了有效地利用大量的公共数据,必须更好地理解这些数据,并从其中快速、准确地发现知识.这里所说的知识是指大量数据中存在的规律性(r egularity)或不同属性值之间所存在的[I F THEN〕规则.将所获取的知识附加于仅由事实数据(fact data)构成的传统数据库上,既可强化数据库的查询能力,又可给数据库提供推理能力,     

专家系统中基于粗集的知识获取、更新与推理

知识获取、知识更新和不确定性推理是设计专家系统的重要方面。根据粗集理论,提出了一种专家系统的结构模型,该系统在规则获取的基础上,利用系统运行的实例增量式地更新知识库中的规则及其参数,以改善系统的性能,利用知识库中的规则及数量参数进行不确定性推理,得出结论的可信度。     

知识获取和数据库学习系统

一、专家系统的困惑从人工智能的角度看,专家系统实质上是一个问题求解系统,目前的主要理论工具是基于一阶谓词演算的机器定理证明技术——一阶演绎系统。领域专家长期以来面向一个特定领域的经验世界,通过人脑的思维活动积累了大量的有用信息。在研制一个专家系统时,知识工程师首先要从领域专家那里获取知识,这一过程实质上是个归纳过程,是非常复杂的个人到个人之间的交互过程,有很强的个性和随机性,没有统一的办     

语料库与知识获取模型

在计算语言学中, 知识作为句法分析的数据支持起着重要的作用, 如何利用计算机从现实世界中获取知识一直是人工智能领域探讨的重要课题, 本文描述了如何从语料库这一客观真实数据资料获取有用知识, 用以帮助汉语句子中依存关系的分析, 在依存语法作为语言模型的基础上, 探讨了向上依存关系的二元同现矩阵, 以及知识库的组成和结构, 在获取词跟词之间的依存关系的同时, 还获取了词跟类、类跟类之间的依存关系     

Incremental Induction of Decision Rules from Dominance-based Rough Approximations

An incremental algorithm generating satisfactory decision rules and a rule post-processing technique are presented. The rule induction algorithm is based on the Apriori algorithm. It is extended to handle preference-ordered domains of attributes (called criteria) within Variable Consistency Dominance-based Rough Set Approach. It deals, moreover, with the problem of missing values in the data set. The algorithm has been designed for medical applications which require: (i) a careful selection of the set of decision rules representing medical experience and (ii) an easy update of these decision rules because of data set evolving in time, and (iii) not only a high predictive capacity of the set of decision rules but also a thorough explanation of a proposed decision. To satisfy all these requirements, we propose an incremental algorithm for induction of a satisfactory set of decision rules and a post-processing technique on the generated set of rules. Userʼns preferences with respect to attributes are also taken into account. A measure of the quality of a decision rule is proposed. It is used to select the most interesting representatives in the final set of rules.     

一种新的决策表约简方法

信息熵理论已经被证明可以作为一种有效的属性约简的方法,是基于粗糙集理论研究的最新研究成果,该文揭示信息表与决策表之间的联系,从该联系出发,用信息熵理论对决策表进行约简,为寻找更高效的决策表约简算法奠定了基础。     

A Method for Extracting Rules from Incomplete Information System

In this paper we propose a method of extracting rules in Incomplete Information System based on an irregular decision table. Need not to make estimation of missing attribute value, we get the rule set contains no missing attribute value. The experiment justify, the accuracy of obtained rule set is almost same with the highest accuracy among those of the estimating missing attribute value methods.     

一种规则学习算法的改进

采取一边计算构成等价类的相对分明函数的合取范式，一边通过产生的合取范式与已有的规则集计算新的规则集，得到一种改进的规则学习算法，由于该方法不用生成分明矩阵的中间环节，这样便节省了空间和时间，提高了运行效率,实验结果表明，该算法在效率上较现有算法有明显提高．     

基于信息压缩矩阵算法的增量式规则挖掘

在信息等价矩阵的基础上利用粗集理论扩展了矩阵算法,设计了相对核和相对约简以及规则获取算法,提出了增量式规则挖掘的信息压缩矩阵算法。实现了在原有规则集的基础上进行规则和规则参数的增量更新,避免了重复遍历信息向量,降低了算法的时、空复杂度。用实例证明该算法是可靠有效的,为信息系统的规则约简、获取和信息压缩提供了新的思路。     

粗集和多关系学习综述

文中给出了多关系学习的产生、实质以及任务,指出多关系学习具有狭义和广义两个层面。对粗集和多关系学习给出了简单综述,表明粗集理论在多关系学习中占有重要地位。分析研究了粗集和归纳逻辑程序设计方法用于多关系学习的几种结合途径,尤其重点介绍了RSILP系列模型,并在文中给出其一般模型。文中对用于多关系学习中其它粗集方法也作了简单介绍。RSILP模型的完善扩展以及粗集方法在多关系学习中的进一步应用是今后的工作方向。     

一种基于概率粗糙集模型的增量式规则学习算法

提出了一种基于概率粗糙集模型的增量式规则学习算法.该算法能够有效地从不一致和含有噪声的决策表中提取带有确定性因子和支持数的决策规则,并且所提取出的规则具有很好的抗噪声能力.同时,算法的动态调整策略可以满足规则的动态更新.最后将该算法应用于一个实例分析中,提取了满足给定参数的决策规则,分析结果验证了该算法在规则提取中的合理性.     

基于Rough集的决策规则提取

通过分析分明矩阵方法进行属性约简时存在的一些弱点，本文提出了分明矩阵方法的简化，并将其应用于数据库中决策规则的提取。在求核集时，该方法不必生成分明矩阵这一环节，从而减少了时空上的不必要开销，提高了属性约简的效率，并通过一个实例详细地说明了具体提取过程，该实例说明了基于Rough集提取决策规则的方法简单易行。     

一种基于Rough集获取规则知识的增量式学习方法

将Rough集理论应用于规则归纳系统,提出了一种基于粗糙集获取规则知识库的增量式学习方法,能够有效处理决策表中不一致情形,采用启发式算法获取决策表的最简规则,当新对象加入时在原有规则集基础上进行规则知识库的增量式更新,避免了为更新规则而重新运行规获取算法。并用UCI中多个数据集从规则集的规则数目、数据浓缩率、预测能力等指标对该算法进行了测试。实验表明了该算法的有效性。     

Inductive Learning Methods for Knowledge-Based Decision Support: A Comparative Analysis

This paper describes the inductive learning methods for generating decision rules in decision support systems. Three similarity-based learning systems are studied based on: (1) the AQ-Star method, (2) the Tree-Induction method, and (3) the Probabilistic Learning method. Loan evaluation examples and empirical data are used as a basis for comparing these inductive learning methods on their algorithmic characteristics and decision support performance.