基于循环多层感知器神经网络的符号逻辑推理系统

介绍一种用循环多层感知器神经网络实现符号逻辑推理系统的方法。该方法通过让神经网络学习训练样本获取领域规则知识，或者直接将领域规则知识编码于神经网络之中；即用神经网络来表达领域规则知识，然后通过神经网络的循环反馈计算过程来实现任意形式的符号逻辑推理。为研究人类抽象思维（逻辑符号推理）与神经网络形象思维（联接数值计算）之间的关系提供了理论基础。     

动态环境下数据驱动Q-学习算法

针对动态环境下强化学习对未知动作的探索和已知最优动作的利用之间难以平衡的问题,提出了一种数据驱动Q-学习算法.该算法首先构建智能体的行为信息系统,通过行为信息系统知识的不确定性建立环境触发机制;依据跟踪环境变化的动态信息,触发机制自适应控制对新环境的探索,使算法对未知动作的探索和已知最优动作的利用达到平衡.用于动态环境下迷宫导航问题的仿真结果表明,该算法达到目标的平均步长比Q-学习算法、模拟退火Q-学习算法和基于探测刷新Q-学习算法缩短了7.79%～84.7%.     

基于复数旋转码的细粒度数据完整性检验方法

为提高细粒度数据完整性检验方法的错误指示能力,克服现有方法只能指示单个错误的不足,基于复数旋转码原理提出了一种能指示多个错误的新方法.该方法采用独立分组的Hash对数据对象进行交叉检验,每组Hash可独立指示所有数据对象的完整性.分析和实验结果表明,该方法能有效压缩Hash数据;与现有方法相比,其基准错误放大率很低,约为1.     

用于数据分析的变精度模糊粗糙模型

利用模糊集理论扩展Ziarko的变精度粗糙集模型,得到变精度模糊粗糙数据模型(VPFRDM).以属性重要性为启发式信息,提出了模糊信息系统中的属性约简方法.通过计算各模糊模式类相对于决策类的分类能力,生成相应的模糊规则.仿真实验表明,与Ziarko的变精度粗糙集方法相比,VPFRDM具有更好的数据概括能力.     

基于动态聚类的Rough集快速离散化算法

为处理大数据量决策表的离散化问题,设计高效的离散化算法是必要的.根据候选断点在单属性上重要性值的分布规律,提出了"先动态聚类,再选择候选断点"的思路和基于Rough集的快速离散化算法.首先,根据断点的重要性在单个特征上的分布规律,对断点进行快速动态聚类,从而有效降低候选断点的数目;然后,在聚类结果的基础上,采用启发式方法快速选择并得到最终的断点集,从而实现决策表的离散化.试验结果表明:通过动态聚类,多数数据集候选断点的数目能减少80%以上,大大提高了后续断点选择的效率;用提出的算法处理7个UCI数据集Iris、Wine、Glass、Ecoli、Breast_w、Pima和Letter,其正确识别率分别约为92.0%、92.1%、69.3%、65.7%、95.3%、67.1%和76.5%.     

基于循环多层神经网络的联想顾存贮器

提出一种基于循环多层神经网络的联想存贮器模型，它同时具备Ｈｏｐｆｉｅｌｄ联想存贮器神经网络以及多层前向神经网络的特性，可以用于构造自相联存贮器和模式识别。作为联想存贮器，其存贮记忆能力强于Ｈｏｐｆｉｅｌｄ网络。还证明Ｈｏｐｆｉｅｌｄ网络仅仅是基于循环多层神经网络的联想存贮器的一种特例。     

属性序下的增量式Pawlak约简算法

为了对动态变化的决策表进行属性约简处理,在给定的属性序下,提出了一种基于分辨矩阵元素集的增量式Pawlak约简算法.该算法根据新增对象的不同情况快速更新分辨矩阵元素集,并依据其元素的变化,在给定属性序下快速更新Pawlak约简.实例和仿真实验结果表明,该算法是有效、可行的,与非增量式算法相比,效率平均提高91.4%.