智能决策支持系统概述.pptVIP

例如： 某个计算的输入是：( x1 , x2 , ……, xn ) ， 计算后输出是：( y1 , y2 , ……, yn ), 如果经评价后得知该结果正确，则把联想对: [ ( x1 , x2 , ……, xn ), ( y1 , y2 , ……, yn ) ] 存入知识库，当以后需要做同样的计算时，只要从知识库中检索出来即可，而不需要重新计算了。 (2) 利弊 机械式学习实质上是用存储空间来换取处理时间，虽然节省了计算时间，但却多占了存储空间。 当因学习而积累的知识逐渐增多时，占用的空间就会越来越大，检索的效率也就随之下降。 示教学习（被告知学习） 通过传授学习策略： 对于使用传授学习策略的系统来说,外界输入知识的表达方式与内部表达方式不完全一致,系统在接受外部知识时需要一点推理,翻译和转化工作. 例如：学生学习 mycin, dendral等ES在获取知识上都采用这种学习策略. 类比学习 若已知两个事物 a 与 b 有 n 个属性相同或相似 ，即： a 具有属性 P1 ，b也有属性 P1 a 具有属性 P2 ，b也有属性 P2 。。。 a 具有属性 Pn ，b也有属性 Pn 并且还发现， a 具有属性 Pn+1 ，则当 n 足够大时，可归纳出： b也有属性 Pn+1 这一新知识。 例如：孪生兄弟 示例学习 示例学习 (Learning from Examples)是归纳学习的一种特例。它给学习者提供某一概念的一组正例和反例，学习者归纳出一个总的概念描述，并使这个描述适合于所有的正例，排除所有的反例。 例如：我们用一批动物作为示例，并且告诉学习系统哪一个动物是 “猴子”，哪一个动物不是，当示例足够多时，学习系统就能概括出关于“猴子”的概念模型，使自己能识别“猴子”。这一学习过程就示例学习。 如1980年由Pat Langley研制的bacon系统,能在获得大量数据的基础上总结出欧姆定律、牛顿万有引力定律和开普勒行星运动定律,具有发现能力. ID3算法，C4.5等 解释学习 解释学习(Explanation-Based Learning)是一种分析学习方法。它是在领域知识的指导下，通过对单个问题求解例子的分析，构造出求解过程的因果解释结构，并获取控制知识，以便用于指导以后求解类似问题。 例如，假设要学习的目标是“一个物体x可以安全地放置在另一个物体y的上面”。即 目标概念： Safe-to-stack(x, y) 训练实例（是一些描述物体obj1与obj2的事实）： On(obj1,obj2) 物体1在物体2的上面 Isa(obj1, book) 物体1是书 Isa(obj2, table) 物体2是桌子 Volume(obj1, 1) 物体1的体积是1 Density(obj1, 0.1) 物体1的密度是0.1 领域知识（是把一个物体安全地放置在另一个物体上面的准则）： ﹁Fragile(y)→Safe-to-stack(x, y) 如果y不是易碎的，则x可以安全地放到y的上面 Lighter(x, y)→Safe-to-stack(x, y) 如果x 比y轻，则x可以安全地放到y的上面 Volume(p, v)∧Density(p, d)∧Product (v, d, w)→Weight(p, w) 如果p的体积是v、密度是d、v乘以d的积是w，则p的重量是w Is-a(p, table)→Weight(p, 5) 如果p是桌子，则p的重量是5 Weight(p1, w1)∧Weight(p2,w2)∧Smaller(w1, w2)→Lighter(p1, p2) 如果p1的重量是w1、 p2的重量是w2、w1比w2小， 则p1比p2轻 其证明过程是一个由目标引导的逆向推理，最终得到的解释树就是该例的解释结构。