| 规则+例外的学习与机器学习 |
| 周育健
|
| 1996-12-01
|
| 学位类型 | 工学硕士
|
| 中文摘要 | 本文首先分析了心理学中基于例子的学习模型与基于“规则+例外”的学习 模型。通过比较这两种模型的出发点与侧重点的差异，指出了它们各自的优势与 不足，并在此基础上以Rough Set(简写为RS)理论的值核机制作为工具，提出了 改进的“规则+例外”的心理学学习模型，并应用改进后的模型解释了前人的一 些实验结果。 其次，本文从对心理学模型的观察与分析中获得启示，建立了有一定心理学 背景而又适于大规模计算的“规则+例外”的机器学习模型。计算模型以改进后 的“规则+例外”的心理学学习模型为基础，从计算的角度简化了不适合计算或 目前还不能计算(包括需要付出太多的计算代价)的功能，而将可计算的机制放 大，从而得到“规则+例外”的学习方法，该方法与单纯基于规则的学习相比， 规则形式更简洁，与单纯基于例子的学习相比，记忆的容量较小。在从心理学模 型到计算模型的转化过程中主要解决了三方面的问题：(1)属性聚焦；(2) 规则的抽取；(3)规则与例外的先验区分。本文采用RS理论作为工具，利 用样本集的差别矩阵设计了属性约简及值约简算法，在保证一致分类的意义下解 决r前面两个问题，又利用规则的使用频率直方图作为工具，将根据Rs的约简 机制形成的规则集合区分为规则与例外，解决了规则与例外的先验区分问题，并 最终形成适于大规模计算的“规则+例外”的机器学习模型。 再次，本文通过对计算模型的观察与分析又反过来对人的学习过程进行了推 测，提出了由简洁规则，例外及介于这二者之间的特殊规则三部分组成的“规则 +例外”模型。 最后，本文分析了“规则+例外”模型的适用范围，并利用实例作了说明。 |
| 语种 | 中文
|
| 文献类型 | 学位论文
|
| 条目标识符 | http://ir.ia.ac.cn/handle/173211/7206
|
| 专题 | 毕业生_硕士学位论文
|
推荐引用方式
GB/T 7714 |
周育健. 规则+例外的学习与机器学习[D]. 中国科学院自动化研究所. 中国科学院自动化研究所,1996.
|
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论