基于BP神经网络的库存动态预测及其应用

利用库存的历史数据,建立了动态环境下一个基于BP神经网络的初始库存模型,采用提前结束训练法克服因样本量不足而产生的网络过适应问题,并通过网络的训练获得一个关系简单的库存模型.每次获得新样本数据后对模型进行重构,达到了动态建模和分析的目的,并用实例进行了说明,为库存系统的管理决策提供了理论依据.     

决策树在调查数据中的应用

随着数据量的急剧增长,根据数据分布寻找规律,并据此进行分析决策,往往需要借助相应的数据挖掘工具,通过训练样例对其参数进行调整和逼近,以达到较好的预测及分析效果,为决策提供支持．利用机器学习中决策树的方法对一组网上民众调查数据进行了学习和预测,并对决策树进行了改进和效果分析．     

基于约束聚类的一种概念学习方法

首先定义了字符属性例子空间中合取规则的可学习性，通过将正例集合划分为多个子集，其中每个子集在全体反例集合上均是合取规则可学习的，并建立了命题规则的一般学习模型．然后，提出了三种正例集合的自动聚类和划分方法：相似性度量、差异度量和规则长度等，并设计了一种快速的合取规则学习方法．同时，基于最小覆盖率和最小错误率给出了一种克服过学习问题的后处理方法．最后，针对一组典型的学习问题进行了实验计算，并与已有算法进行了对比分析。