基于动态模糊关系的学习算法及应用分析-learning algorithm based on dynamic fuzzy relation and its application analysis.docxVIP

  • 2
  • 0
  • 约5.39万字
  • 约 62页
  • 2018-05-18 发布于上海
  • 举报

基于动态模糊关系的学习算法及应用分析-learning algorithm based on dynamic fuzzy relation and its application analysis.docx

基于动态模糊关系的学习算法及应用分析-learning algorithm based on dynamic fuzzy relation and its application analysis

Shar ed Dat a Banks》,开启了关系数据库的先河,从而使得具有复杂内在关系的数据得以简洁表示,并被用在关系学习领域的许多应用问题中[ 2] 。关系学习早期研究主要集中于归纳逻辑程序设计 I LP( I nduct i ve Logi c Pr ogr ammi ng, 简称 I LP) 。虽然 Baner j i 于 1964 年发表的论文《A Language f or t he descr i pt i on of concept s》和 Mi chal ski 于 1969 年提出的 AQ 算法最早将逻辑表 示用于学习问题,但归纳逻辑程序设计 I LP 奠基性的工作是上世纪 70 年代,Pl ot ki n 提出的学习一阶谓词公式的思想,奠定了归纳逻辑程序设计 I LP 发展的理论基础。 Pl ot ki n 工作的不足在于采用“从特殊到一般”的方法获得结论,而最小一般泛化 结论一般来讲不是有穷的,在实际应用中受到了严格限制。为此,Shapi r o 采用“从 一般到特殊”的方法,研究 Hor n 子句集上的归纳问题,并于 1983 年提出了 MI S( 管 理信息系统 Management I nf or mat i on Syst em, 简称 MI S) 学习系统,他的工作使得 逻辑程序和归纳学习之间的关系变得异常清晰[ 2] 。值得一提的是,MI S 系统通常用 于系统决策,它使管理人员及时了解公司现状,把握将来的发展方向。I LP研究主要致力于关系规则归纳,即一阶逻辑概念学习和逻辑程序合成,具有 代表性的系统有:CI GOL( Muggl et on,1988) 、FOI L( Qui nl an,1990) 、GOLEM( Muggl et on, 1990) 和LI NUS( Lavar ac,Dzer oski and Gr obel ni k,1991) ;近几年来,I LP的研究范 围已经扩大到几乎能够覆盖所有的学习任务,如分类、回归、聚类和相关分析等,并 由此产生了关系分类规则、关系回归树、基于距离方法的关系学习以及关系相关规则 等,具有代表性的系统有PROLOG( Muggl et on,1995) 和ALEPH( Sr i ni vasan,2000) 等。 后来,由于统计学习理论自身的特点,统计关系学习SRL( St at i st i cal Rel at i onal Lear ni ng)( Popescul ,Ungar ,Lawr encePennock,2003) [ 3, 4] 方法的研究不断深入, 许多基于SRL技术的关系学习方法被陆续提出,使得SRL成为为人工智能领域中一个新 的热点问题。统计关系学习SRL将关系表示、机器学习等相结合,能更好地解决客观 世界中复杂的关系数据问题。下面介绍几种比较典型的关系学习方法。( 1) 基于Bayesi an网的SRLNg和Subr ahmani an于1992年提出了第一个概率逻辑程序( Pr obabi l i st i c Logi c Pr ogr ams,简称PLP) [ 5] ,并在此框架上对概率信息进行了描述,同时研究了这种语言 的不动点语义,概率逻辑程序是关于概率信息的知识描述和常识推理的一种很有价值的工具。1997年,Ngo和Haddawy将逻辑与Bayesi an网( 贝叶斯网络Bayesi an Net wor k)相结合,在一阶逻辑或者关系解释上定义概率来扩展Bayesi an网,丰富了PLP的内容。 1996年,Debabr at a Dey和Sumi t Sar kar 提出了能处理不确定信息的概率关系模型( Pr obabi l i st i c Rel at i onal Model ,简称PRM) [ 6] ,他们以系统的观点阐述了概率数 据库的有关理论,定义了超键、主键、候选键、概率模式、概率关系、概率关系数据 库等概念,给出了投影、选择、并、差、重命名等操作,讨论了概率数据库的实现问 题及Nul l 问题,将部分概率分布解析为区间估计及点估计;PRM扩展了标准Bayesi an 网,使用表示实体间的关系的实体关系模型作为基本的表示框架。如今,PRM已经成 功解决了许多问题,如关系聚类、超文本分类等。2000年,Ker st i ng和De Raedt 将逻 辑程序与Bayesi an网络结合起来提出了贝叶斯逻辑程序( Bayesi an Logi c Pr ogr ams, 简称BLP) [ 7] ,BLP不仅能够处理布尔变量,而且能够处理连续值变量,并且使用一个 简化形式的组合规则,解决了多个实例化子句拥有相同头部的问题。2004年,Hsu等 人【8】提出了一个

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档