机器学习研究

由于Internet的使用，不分时间与地域地获得信息已成为现实，但是，如何有效利用这些信息，并使用这些信息提高生产率成为迫切需要解决的问题．机器学习是解决这类问题的有效方法之一．在此将对目前机器学习研究的主要趋势、理论与技术以及存在的问题，根据作者的研究经验进行综述，以便引起研究者的注意．     

机器学习的研究

本文对机器学习进行了深入研究,从机器学习的发展历程、研究领域、系统构成及其在分类上的应用四个方面论述了机器学习的发展和应用。     

一种协调机器学习方法研究

就协调机器学习进行讨论，给出该种学习方法的数学模型。     

一种机器学习发现系统

提出了一种联想类比法,这种方法把概念类比与方法类比融化一体,其实现使机器在模拟人的类比思维的道路上向前迈进了一步。本文从理论上给出了不同的类比联想条件,这是联想类比的一个重要问题。并介绍了作者研制的一个类比学习发现系统GAP,此系统实现了把命题逻辑的概念与推理方法类比到图论中,建立了图形逻辑代数系统,填补了图论中图形逻辑推理的空白。     

论人工智能科学中的机器学习

本文首先提出机器学习是人工智能科学中提高机器智能水平的唯一途径。只有不断完善机器的学习功能，才能使机器接近或超过人类和智能水平，提出了机器的学习方法和分类，指出机器学习的发展必须依靠思维科学的发展。最后，提出了研究机器学习的目标及意义。     

人工智能中的机器学习研究及其应用

机器学习是人工智能研究的中心问题。本文首先介绍了机器学习的背景——人工智能的研究和发展，机器学习的概念。提出了机器学习的研究目标和方法，建立并讨论了一个简单的学习模型。最后指出机器学习的发展必须依靠思维科学的发展，提出了发展机器学习的趋势。     

知识约简在机器学习中的应用

文中首先介绍了人工智能中机器学习的概念与概况，并介绍了粗糙集理论中的知识约简的基本概念．在此基础上提出了将知识约简应用于常规的机器学习中，将常规的机器学习方法与粗糙集理论中的知识约简有机地结合起来，使得机器学习将得到更好的效果．     

基于思维进化机器学习的框架及新进展

综述了ＭＥＢＭＬ产生的基础，动机以及它的基本原理，特点和新的进展，并指出：ＭＥＢＭＬ有快速学习的能力，适应性好，学习灵活，可应用于黑盒子系统和灰色系统，具有固有的并行性以及解决非数值的能力。     

基于机器学习的数据库小数据集并行集成方法

为了解决传统方法不能按照训练样本量设计最优网络模型,集成效率低的弊端,通过机器学习方法研究数据库小数据集并行集成方法。机器学习选用朴素贝叶斯算法,依据条件独立性假设,通过计算目标先验概率,采用贝叶斯定理求出其后验概率,对后验概率进行比较,完成决策分类,对基分类器进行训练,把不同朴素贝叶斯基分类器当成集成分类器,在原始数据库上对基分类器进行训练,依据分类结果对数据库中小数据集样本分布进行调整,将其当成新数据集对基分类器进行训练,按照基分类器的表现,通过加权将其组合在一起,产生强分类器,实现对数据库小数据集的集成处理。通过MapReduce并行处理完成并行数据集成,输出并行集成结果。通过仿真实验与实例分析验证所提方法的有效性,结果表明:所提方法在训练样本规模相同的情况下有最高的分类精度和最小的波动,在不同集成规模下的分类精度一直最高,波动最小;所提方法可达到数据的最优集成,数据失效比降低,合成比提高。可见所提方法集成精度高,计算稳定性强,集成效果好,效率优。     

基于归纳学习的结构损伤识别方法研究

采用归纳学习方法来识别结构损伤．首先，通过对经典的决策树算法和序列覆盖算法进行结合与改进，得到一种高效且代价又小的归纳学习算法(RAC)，同时引入装袋算法产生多个分类法，并用它们进行类预测，而且使用选票策略得出最佳类预测．其次，用正交最小二乘迭代算法作为径向基函数(RBF)神经网络的学习方法，通过“信息一贡献”准则进行正交变换来优选中心．最后，对上述归纳学习方法用于梁结构损伤定位的效果进行了实验评估．结果表明，对于RAC算法和生成分类法的数目分别为10和50情况下的装袋算法，当损伤样本被噪声污染程度在100％时，识别精度均可达到90％以上，而对于RBF神经网络算法，只有当损伤样本被噪声污染程度小于70％时，识别精度才可达到90％以上。     

基于机器学习的住院患者压力性损伤分析与预测

压力性损伤是护理工作的重点,也是评价护理质量的重要指标,设计合理的评估量表和科学预测是预防的关键措施。基于传统的12个指标,再新增3个风险指标,设计更全面的风险评估量表;据此收集一段时间内住院患者的信息,采用卡方检验分析对损伤有显著影响的指标,将患者分为入院时和院内获得性压力性损伤两类,分析其特征、产生部位和分布科室。基于支持向量机、概率神经网络和广义回归神经网络3种方法建立预测模型,在支持向量机中,采用高斯核函数构建模型,并使用遗传算法优化核函数参数。比较4种场景下3种方法的预测精度,支持向量机的预测准确率最高,达到84.68%,另外2种方法的准确率较低,均为82.78%。     

神经网络与符号推理集成系统及其学习算法

提出一种神经网络与符号推理集成系统ＩＮＮＳＩ。它包括两部分：根据领域规则构造神经网络；神经网络根据样本进行学习该系统的特点是网络的拓扑结构学习过程中可以动态地变化。通过齿箱故障诊断试验，可知应用该方法诊断齿故障是有效的，并可较大幅度地提高诊断的速度和精度。     

基于机器学习的车队数据分析

为了增强新一代车辆的功能和安全性,收集了大量的车辆行驶历史数据,利用机器学习方法创建基于规则的计算模型,以检测车队中的故障车辆。详细介绍了模型的设计步骤,并通过低压电池的电气故障测试进行该方法的有效性验证。分析结果可供后续车型台架测试参考。     

BP神经网络学习率参数改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,本文提出了一种改进的BP神经网络学习率的优化算法,该策略使网络对误差曲面变化敏感且收敛速度快。     

大型BP神经网络学习算法

神经网络训练是一个ＮＰ完全问题，提出一种集成学习算法，理论分析与计算机模拟结果表明这种学习算法具有学习结果准确，学习速度快等特点，尤其适用于大型ＢＰ神经网络。     

Rosetta实验系统在机器学习中的应用

本文在粗糙集理论的基础之上,利用该理论在知识发现上的优越性,结合机器学习的原理,从收集到的原始数据出发,介绍了机器学习的一般步骤;并以地质样本为例,介绍利用了Rosetta实验系统是如何处理原始数据和完成机器学习。     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

基于机器学习的超高性能混凝土成本优化

近年来,超高性能混凝土（UHPC）凭借其优异的力学性能和耐久性能成为热点研究方向之一,但高昂的成本始终限制其在工程中的应用。提出了一种基于机器学习的超高性能混凝土配合比优化的方法,以降低UHPC的成本。为实现这一目标,首先通过人工神经网络（ANN）建立了UHPC 28 d抗压强度与扩展度的预测模型,再以其为约束条件,同时考虑UHPC组分含量约束、组分比例约束,通过遗传算法（GA）降低UHPC的成本。研究结果表明,ANN模型的预测结果与实验结果的误差在10 %以内,具有良好的预测精度;遗传算法优化后的UHPC成本降低至838.8美元,低于文献中1 000美元的成本。     

机器学习在生物信息学中的应用

机器学习具有从数据和经验中获取知识的学习能力，能用于从大量生物数据中提取知识的过程。生物信息学是一个融合多门学科的领域，包括分子生物学、计算机科学、物理化学和数学。机器学习算法已成为生物信息学中数据分析算法的主要内容。介绍了典型的机器学习方法以及它们在生物信息学中的应用。