基于覆盖的区间概念格动态压缩原理与实现

针对区间概念格的复杂结构以及基于现有建格算法构建的区间概念格存在概念冗余问题,本文直接从形式背景出发,对区间概念格进行动态压缩的方法,减少了区间概念结点的冗余度。为了保证概念压缩后仍能体现概念之间的关联关系,首先给出了基于形式背景的二元关系对的相似度及关系上的覆盖近邻空间的定义;其次,通过定义区间概念压缩算子,得到了压缩概念,并证明了压缩后的概念集是压缩前概念集的子集;基于覆盖的近邻空间及压缩算子,进一步构建了区间概念格的动态压缩模型。可以根据相似类阈值大小控制区间概念格中的结点数量,实现区间概念格的动态压缩,最后通过实例验证了模型的正确性以及压缩的高效性。     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则.针对这一不足,利用"索引链表"数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度.     

基本概念格的关联规则挖掘算法

在已有的基于概念格的关联规则挖掘算法中,搜索频繁结点的范围太大,从而导致花费大量的时间来产生关联规则。针对这一不足,利用“索引链表”数据结构来辅助快速地找到所有的频繁结点,缩小了结点的搜索范围,降低了概念格中挖掘关联规则算法的复杂度。     

基于模型的层次化强化学习算法

针对强化学习算法的状态值泛化和随机探索策略在确定性MDP系统控制中存在着学习效率低的问题,本文提出基于模型的层次化强化学习算法.该算法采用两层结构,底层利用系统模型,采用贪婪策略选择探索动作,完成强化学习任务.而高层通过对状态区域的分析,指导底层的学习,纠正底层错误的动作.高层对底层的学习的指导作用主要包括:在泛化过程中,对泛化区域中正确与错误的状态判断值分别采用不同的学习因子,减小泛化对算法收敛性的影响;建立状态区域的推理规则,用规则指导未知状态区域的学习,加快学习速度;利用系统模型和推理规则,将探索过程集中于系统的可控区域,克服采用随机探索策略需要系统全状态空间内搜索的问题.本文提出的算法能在较短的时间内实现系统的初步控制,其有效性在二级倒立摆的控制中得到验证.     

LCS在多步学习问题中的规则集压缩算法

为了解决学习分类元系统(LCSs)应用于多步学习问题时会生成规模庞大、冗余的规则集问题,提出了一种规则集压缩算法.该算法的处理过程包含三个阶段:a.通过特殊的遗传进化操作,在删除一些较弱分类元的同时,增加规则集里泛化能力较强、适应值较高的分类元的个体数目;b.进行冲突消解,消除规则集里相互重叠、相互冲突的分类元;c.对产生的无重叠无冲突的规则集,进行大幅度压缩处理,得出最终的精简规则集.实验结果表明:所提算法能够在几乎不降低系统整体性能的前提下,将规则集极大地约简和压缩,从而产生足够小的规则集,使LCSs的知识表示的冗余度减少,凸显了规则集的易解释、易操作等特性;提高了LCSs在多步学习问题中的应用效果,拓展了其应用范围.     

剪枝 Galois 格上规则的直接计算

Ｇａｌｏｉｓ格用于知识发现具有许多优点,并在实际应用中显示了一定的价值。现提出一种在已剪枝的Ｇａｌｏｉｓ格上直接计算规则的算法,其主要依据格结点的直接泛化来产生规则集合。该算法在一定条件下更为有效,并且所产生的规则集合是无冗余的。文中所述方法已用于数据库知识发现工具ＨＵＴＫＤＤ中。     

基于概念格和Apriori的关联规则挖掘算法分析

概念格通过概念的内涵和外延及泛化和例化之间的关系来表示知识,因而适用于从数据库中挖掘规则的问题描述;在概念格的内涵中引入等价关系并将其外延量化,得到量化概念格;利用量化概念格挖掘关联规则,与采用Apriori算法计算频繁项目集获取关联规则相比较,不需要计算频繁项目集,容易获得用户感兴趣的关联规则,同时减少了大量冗余的规则,提高了挖掘效率。     

并行单元归结

给出了基于神经网络的单元归结算法.首先将子句集S表示为δ形,并且用算子对(⊙, )引入两种类型的神经元,然后用这两种神经元构造子句集S的神经网络结构,而后给出基于Horn子句集的神经网络的归结算法,最后证明了该算法的完备性,并用实例进行了验证.     

序极限算子的分解

给出了序极限算子的定义以及其序列的等价刻画,同时得到了当值域空间与定义域空间相同时,序极限算子与区间是极限集是等价的.序极限算子满足左乘的性质,并且由序极限算子构成的全体是闭子空间.除此之外,也给出了判定序极限算子的充分不必要条件,并给出结论不是充要条件的反例.序极限算子具有分解性,即可以通过具有序连续范数的Banach格分解,可得到相关结论.     

基于在线连续极限学习机的图像分类改进算法

结合LBP算子提取图像的局部纹理特征,在分类阶段根据优化解进行矩阵逆的区别计算并加入正则因子,最后结合在线学习方法,提出准确在线连续极限学习机的图像分类改进算法.实验结果表明,改进算法在图像分类方面比传统的极限学习机有更快的学习速度,更好的泛化性能.