关键词： 模糊分类   遗传算法   模糊规则   适应函数   机器学习方法   多维   适应度函数   构造方法   局部解   收敛  

摘要： 提出了一种新的模糊遗传机器学习方法 .在该方法中将每一模糊规则作为遗传算法中的一个个体 ,且具有相应的适应度函数值 ;在获取模糊规则的同时 ,还对每个属性维的模糊划分进行学习 ;另外 ,方法引入了基于相似性的选择机制 ,减轻了选择机制对低适应函数值个体造成的选择压力 ,保持了种群的多样性 ,从而很大程度改善了遗传算法收敛到局部解的问题 .经实验结果表明 。

关键词： 支持向量机   遗传算法   统计学习理论   机器学习方法   模式识别   通用   核函数   研究者   科学   理论基础  

摘要： 支持向量机是最近发展起来的一种新的通用的机器学习方法，其理论基础是统计学习理论，支持向量机无论在模式识别还是在函数拟合方面均显示了其优越性，并越来越受到国内外研究者的广泛关注．但是，对支持向量机的推广预测能力具有很大影响的核函数和参数C一直没有一个很好的确定方法，针对这一问题，将遗传算法和支持向量机结合，提出了一种自动选择支持向量机参数的方法，结果表明，这种方法是科学有效的．

关键词： 机器翻译   基于实例   评测技术   机器学习方法   混合策略   描述   规划   统计   展望  

摘要： 本文回顾机器翻译研完的历史,介绍典型的机器翻译方法,包括:基于规则、基于统计以及基于实例的机器翻译方法;针对机器翻译的研究现状,详细介绍和分析了基于混合策略的机器翻译方法,对统计以及机器学习方法在机器翻译中的应用进行了描述;论文还介绍了当前机器翻译评测技术;最后对机器翻译进行总结和展望。

关键词： 智能信息处理   知识服务系统   文本自动分类   机器学习方法   特征提取   表示   设计   数字图书馆   网络信息   获取  

摘要： 随着网络信息的迅猛发展,自动信息处理已经成为人们获取有用信息不可缺少的工具,文本自动分类系统是信息处理的重要研究方向。本文介绍了数字图书馆的概念和主要特点,同时对自动信息处理的关键技术,包括文本的表示、特征提取、机器学习方法,进行了研究和探讨,提出了一种基于信息处理的数字图书馆知识服务系统。

关键词： 数据挖掘   分类   技术预测   研究方向   人工智能  

摘要： 数据挖掘是当今一个新的技术热点。本文从数据挖掘、数据挖掘环境、数据挖掘的基本过程展开研究,分析了数据挖掘的模式,详细阐述了分类、预测的区别与联系,展望了数据挖掘未来的研究方向。

关键词： Learning systems   Signal processing   Signal processing algorithms   Machine learning   USA Councils   Adaptive signal processing   Machine learning algorithms   Art   Bayesian methods   Robustness  

关键词： 围棋定式   机器学习   组合博弈理论  

摘要： 提出了一种围棋定式的机器学习方法。利用此方法可实现从棋谱库中自动提取定式并生成定式库。此外，对于棋谱数量较大的情况，采用分阶段学习方法，提高了学习效率。应用此方法，对34 000局棋谱进行处理，得到定式点680 638个。最后，还给出了1种基于组合博弈理论在计算机围棋博弈系统中使用定式的方法。

关键词： 自然语言处理   文本组块分析   机器学习   人工智能  

摘要： 从50年代初机器翻译课题的提出至今，自然语言处理的研发历史至少也有50年了，其间经历了从以通过自省方式学习符号文法和手工编写规则为主要方法的“理性主义”到日益强调以对真实文本数据的统计分析和经验知识归纳为主要方法的“经验主义”。这种趋势还同计算机处理能力不断提高和文本数据积累不断增大密切相关。尊重真实文本语言已成为当前各种信息处理技术的一个基本立场和出发点。\n 经验主义方法的复兴一方面是由于理性主义方法一直无法摆脱知识瓶颈问题的困扰，但更为重要的是，正如(Armstrong&Warwick1993)指出的，经验主义方法提供了解决自然语言处理中长期存在的问题的方法，这些问题归纳为以下四个方面：(1)语言知识的自动获取。各种相关的语言知识可以自动或半自动的从语料中获取，而不是来自语言专家的人工知识编码。\n (2)语言现象的覆盖范围。在给定领域或应用的前提下，能够解释所有的语言现象。\n (3)健壮性。对于真实数据中包含的噪音和在一些特定模型下无法解释的现象，仍然能够很好的适应。\n (4)可扩展性。可以很容易地将系统移植到新的领域或新的任务中去。\n 最近几年，机器学习的研究不断的蓬勃发展，原因是多方面的，正如(Dietterich1997)指出的，归于以下两个方面：(1)各种独立的研究团体，包括研究符号机器学习，计算学习理论，神经网络，统计和模式识别的团体开始注意到了对方，并进行了广泛的合作。\n (2)机器学习技术应用到很多新的领域，如知识发现，语言处理，机器人控制，组合优化，和一些传统的问题，如语音识别，人脸识别，手写体识别，医疗诊断等。\n 将机器学习技术和自然语言处理联系起来，是基于这样一个事实，所有的自然语言处理问题都可以被描述成以下两种分类问题之一(Daelemans1995)：(1)消歧。给定一组可能的类别和以属性和值表示的上下文信息，判断在该上下文环境下，所属的正确类别。\n (2)切分。给定一个目标和上下文信息，判断在该上下文环境下，是否存在目标的边界信息以及哪类边界信息。\n 当然，复杂的语言处理问题(句法分析)可以通过分解成一系列上述问题。正是基于这样一个事实，本文的工作以文本组块获取作为应用背景，探讨了各种机器学习算法的实现过程以及性能比较。在有指导的学习方法中，分别对统计的方法如HMM，符号的方法如TBL，MBL，Winnow，以及其他的方法如SVM，组合分类器等进行了深入地分析和实践，在半指导的学习方法中，对co-training方法进行了尝试。\n 首先给出了组块分析体系和形式化定义，并将组块识别问题看成一种分类问题，为应用各种机器学习方法提供了一个学习框架。\n 在有指导的学习方法中，首先对传统的HMM进行了改进，提出了增益的HMM来构造更为准确的模型。利用转换函数将各种上下文信息导入训练模型中，在提高模型描述能力的同时，保持了与原模型一致的训练和标注过程。实验结果表明，无论汉语还是英语组块识别，新模型均比原模型有很大的提高。\n 接着探讨了SVM算法实现细节以及性能分析。SVM算法是目前公认的最好的文本分类算法之一。在本文应用各单分类器的组块识别结果中，SVM也取得了最好的结果。在对多项式核函数各个阶次的比较发现，SVM在高维特征空间的确表现了良好的泛化能力，在与增益的HMM比较发现，SVM在小样本统计模式识别方面表现出特有的优势。我们还着重讨论了直推式SVM和多类识别算法。\n 在此基础上，提出了基于stacking算法的组合分类器模型。组合分类器方法是近几年机器学习领域的一个热点，该方法由于可以取得比单分类器更好的性能而日益受到研究人员的重视。我们构造了两层叠加式框架结构，将SVM，TBL，Winnow，MBL四种分类器进行组合，并与基于voting算法的组合分类器方法进行了比较，基于stacking算法的组合模型无论在准确率还是召回率方面都取得了更好的结果。\n 我们尝试半指导机器学习方法co-training方法。半指导机器学习方法是有指导和无指导机器学习两者的一个折中办法，它的原则是：在不牺牲性能的前提下，尽量多的使用未带标数据。在具体的组块识别过程中，分别从概率分布信息和上下文特征两个角度构造两个分类器，利用小规模的带标语料，对大规模的未标注语料进行标注。在标注过程中，将标注一致的语料加入到带标语料，并对两个分类器进行反复训练，直到没有新的带标语料产生。\n 最后，提出了基于词对齐的双语组块对齐算法，利用人工完成的词对齐结果和英语组块识别结果，进行汉语组块识别和双语组块对齐。

关键词： 数据挖掘   机器学习   神经网络   支持向量机   预测  

摘要： 随着金融电子化的迅猛发展,银行业发生了革命性的变革.银行拥有庞大的业务系统以及庞大的业务数据,迫切需要充分运用数据挖掘的技术,从庞大的业务系统数据中根据各种需要\"挖掘\"出有用的信息,从而作出正确的决策,使银行在竞争中立于不败之地.该文阐述了数据挖掘的方法、步骤、功能以及应用,结合在机器学习领域中较新较前沿的一些思想和方法,综合了多种机器学习方法,重点从统计学习理论的角度分析了机器学习中的人工神经网络算法、基于结构风险最小化(SRM)归纳原则的支持向量机学习算法以及原理,并将理论运用到实践之中.该文从银行实际业务需要出发,运用数学挖掘方法建立了系统模型,试图解决银行业务中的一个实际问题——网点现金发生量的预测.同时,该文对该套系统模型进行了系统实现,以银行的现金数据作为数据来源,分别用1NN、神经网络、支持向量机等多种机器学习方法进行测试、比较,并给出了实际的结果以及分析.通过实验表明,应月于银行现金业务预测,基于结构风险最小化(SRM)归纳原则的支持向量机学习算法优于神经网络.由于该行的数据仓库、数据挖掘工作仍处于起步阶段,该文的工作对银行业务如何运用数据挖掘创建模型,从庞大的业务数据中提取信息进行决策是一次有益的尝试.

关键词： 电力负荷   宏观预测   支持向量回归   神经网络  

摘要： 分析了电力负荷宏观预测的模型和相关技术,引入支持向量回归方法(SVR)解决问题,并通过计算实例,比较分析了SVR与神经网络方法用于预测的效果,提出SVR广阔应用前景。