关键词： morphological classification   high-dimensional shape transformations   machine learning methods  

摘要： A high-dimensional shape transformation posed in a mass-preserving framework is used as a morphological signature of a brain image. Population differences with complex spatial patterns are then determined by applying a nonlinear support vector machine (SVM) pattern classification method to the morphological signatures. Significant reduction of the dimensionality of the morphological signatures is achieved via wavelet decomposition and feature reduction methods. Applying the method to MR images with simulated atrophy shows that the method can correctly detect subtle and spatially complex atrophy, even when the simulated atrophy represents only a 5% variation from the original image. Applying this method to actual MR images shows that brains can be correctly determined to be male or female with a successful classification rate of 97%, using the leave-one-out method. This proposed method also shows a high classification rate for old adults' age classification, even under difficult test scenarios. The main characteristic of the proposed methodology is that, by applying multivariate pattern classification methods, it can detect subtle and spatially complex patterns of morphological group differences which are often not detectable by voxel-based morphometric methods, because these methods analyze morphological measurements voxel-by-voxel and do not consider the entirety of the data simultaneously. (C) 2003 Elsevier Inc. All rights reserved.

关键词： 机器学习   计算智能   概念规则学习   支持向量机   基金项目评审   项目文档检索   决策支持系统   多主体技术  

摘要： 随着计算机和通信技术的创新与应用,社会生产力水平得到了快速的提高。人类寻求在机器中复制人类智能的愿望越来越强烈,极大地促进了计算智能和学机器学习等学科的发展。本文应用统计学、计算智能、系统工程和管理科学等理论,在对机器学习理论、概念规则学习方法和支持向量机方法等进行了系统深入的研究,并将机器学习方法应用于基金项目评审和管理。 本主要研究内容如下: 1、描述了智能系统或知识系统的一般框架,论述了机器学习与计算智能的联系,分析了机器学习的概念、方法和典型应用领域,提出了将机器学习方法应用于科学基金项目评审和管理的思路。 2、分析了PAC可学习定义,推导了有限假设空间下一致学习机和非一致学习机的样本复杂度的关系式。基于统计学理论研究了经验风险最小化原则学习过程的一致性问题。基于VC-维概念,研究了经验风险与真实风险之间关系的一般化不等式,并论述了学习过程的结构风险最小化归纳原则。 3、研究了规则学习的策略与典型算法,提出了基于约束聚类的概念学习方法(CLCC)。定义了合取规则可学习性的概念,设计了一种启发式正例聚类的算法框架,以及从正例聚类生成合取规则的基于期望信息的快速算法。提出了概念规则的后剪枝方法和处理准则。同时,将CLCC算法和传统算法分别应用于基金项目评价的概念学习,并进行了详细计算实验和分析。 4、研究了支持向量机(SVM)模型的特点和形式,描述了SMO算法的计算过程和程序框架。提出了根据样本数据在欧氏空间上的局部几何特征,筛选最有可能成为支持向量的候选样本的思路。设计了候选支持向量选择的SCSV算法和异常样本过滤处理的AEF算法,AEF+SCSV与SMO算法相结合可以有效学习SVM分类函数。研究了基于SVM的基金项目评价问题的机器学习方法,并进行了详细的实验计算。 5、应用决策支持系统和Multi-Agents技术,研究了基于机器学习方法的基金项目评审决策支持系统。给出了基金项目评议决策支持系统的工作流程和框架,以及基金项目智能交互式信息检索过程和处理流程。采用ID3、CLCC和SVM方法,建立了项目评议知识库系统和用户查询项目文档分类学习知识库系统。给出了基于机器学习的基金项目评审决策支持系统PE&PRDSS-MAS的整体原型设计,描述了各Agents的功能和控制方式。

关键词： 机器学习方法   神经网络   模糊系统   支持向量机   统计学习理论  

摘要： 学习是人类的基本智能活动,学习能力是人类智能的根本特征。学习是指系统为了适应环境而产生的某种长远变化,这种变化使得系统能够更有效地在下一次完成同一或同类工作。机器学习是指机器(计算机或智能机)在人工智能系统中模拟并实现各种学习行为的过程。传统的机器学习方法主要有神经网络、小波网络、模糊系统、贝叶斯分类器和模糊划分、及建立在统计学习理论基础的新的通用机器学习方法---支持向量机。本文以三种主要的机器学习方法神经网络、模糊系统、支持向量机为主,在介绍了机器学习方法的基础理论和神经网络、模糊系统、支持向量机的机理后,主要从它们相互之间的区别、内在一致性、以及它们相互结合三个方面分别分析研究了这三种机器学习方法的内在联系,并试图寻求一种机器学习方法的统一途径。最后得出了正则加权径向基函数这种统一的机器学习方法的结论,在统一机器学习方法方面做了有益的尝试。 论文分为以下几个部分:第一章是绪论部分,主要包括引言、研究背景、本论文研究的学术意义以及工作内容等方面的内容。第二章介绍神经网络知识及机理,第三章介绍模糊系统知识及机理。第四章介绍支持向量机知识及机理。第五章研究分析了神经网络和模糊系统的内在联系。第六章研究分析了神经网络和支持向量机的内在联系。第七章研究分析了模糊系统和支持向量机的内在联系。第八章阐述了神经网络、模糊系统、支持向量机的统一途径,并且构建了正则加权径向基函数这种新的统一的机器学习方法。第九章为结束语。

关键词： ARTIFICIAL intelligence   REINFORCEMENT learning   REINFORCEMENT (Psychology)   ALGORITHMS   METHODOLOGY  

摘要： In this article, a reinforcement learning method is analyzed, in which a subject of learning is defined. The essence of this method is the selection of activities by a trial and error process and awarding deferred rewards. Theoretical analyses were supplemented by the practical studies, with reference to implementation of the Sarsa (Lambda) algorithm, with replacing eligibility traces and the Epsilon greedy policy. © Taylor & Francis Ltd.

关键词： 隐马尔科夫模型   基因识别   EM算法   Viterbi算法   机器学习方法  

摘要： 随着基因组研究的发展,利用机器学习方法进行基因识别被广泛使用,这些方法包括神经网络算法、基于规则的方法、决策树、概率推理等。文章描述了一种基于隐马尔科夫模型的基因识别系统,介绍了EM训练算法和Viterbi序列分析算法,该系统运用Burset&Guigo的公共数据集进行测试,核苷识别的Sn和Sp两个参数分别可以达到68%和88%,外显子识别的Sn和Sp参数达到60%和63%。

关键词： Rough集   机器学习   知识库   第二次学习   人工智能  

摘要： 　对于机器学习,知识库的扩充一直是个热门话题,很多人对之投入了大量的精力从各个方面,用各种方法研究。从Rough集理论知识规则+经验的方法,引用第二次学习的概念,实行知识库的扩充。

关键词： Machine learning   Image analysis   Algorithms  

摘要： Introduces articles published in the August 2003 issue of the periodical "Journal of Machine Learning Research." Machine learning methods for text and images; Machine learning algorithms; Kernel methods for relation extraction.

关键词： 机器学习   机器翻译   类比推理   归纳学习  

摘要： 在智能技术的研究中,从例子中学习和类比学习是两种好方法。第一部分研究了两种机器学习方法;第二部分讨论了类比机器翻译方法。

关键词： 机器学习   统计系综学习方法   推广能力   稳定性   失配问题   数据选择   野点问题  

摘要： 该文主要致力于研究机器学习(Machine Learning)中的统计系综学习方法(Statistical Ensenble Learning Method)和数据层面的若干问题.对一个实际的机器学习问题而言,研究者们发现,大多数情况下,任何单一的学习方法均无法很好地解决问题,并且很可能使得学习过程的复杂度急剧提升.统计系综学习方法正是针对这一问题而展开研究的,从而迅速成为机器学习领域前沿研究热点之一.其主要思想是通过多个性能平平且复杂度较低的学习过程的融合来实现性能良好的学习过程.机器学习问题的研究主要面临两个层面的挑战,即数据层面和学习机构造层面.数据层面的研究主要是回答如何基于完整的能反映数据样本空间性质的小样本数据来构造与该给定数据复杂度相匹配的学习机.由于绝大多数机器学习问题是基于数据驱动的,数据层面的研究就显得至关重要,任何脱离对数据深入分析的学习过程都将注定不会取得好的学习性能.然而,在机器学习领域,目前绝大多数研究主要是围绕学习机层面的问题而展开,故该研究对于机器学习领域的发展有相当意义.

关键词： 机器学习   人工智能   非精确环境   抗噪声   不完整数据  

摘要： 机器学习是当前人工智能和计算机领域研究的一个重要分支，并且得到了广泛的应用。但传统的学习方法研究的前提侧重于理想环境，即：在学习过程前，环境是精确的，易于描述的；在学习过程中，训练数据是完整的，所含噪声极少、甚至没有。但现实世界并非如此，往往专家知识是模糊的，难以描述的：训练数据受噪声干扰，出现畸变；训练数据缺少某些属性。即机器学习是往非确定性的环境下进行的。\n 本文主要研究此种情况下Agent的学习机制，力图使Agent的学习能力更强，适应性更好。本文提出了一系列解决方法，主要研究非精确的、动态的、含噪声的、数据不完整的环境下的机器学习问题。\n 本文主要研究工作和取得的成果包括：\n (1)分析非精确环境的建模，以模糊极小极大神经网络为核心构造一个模糊神经网络系统。对于大多数工程应用来说，有两种重要的信息来源：提供系统性能描述的专家及提供测量数据的传感器。其中，来自专家的信息通常为语言信息，常用文字表示，这类信息一般不太精确。本文利用模糊逻辑结合神经网络解决这一问题，并把有关技术应用于机器人仿真足球队NDSocTeam的射门和体力控制设计。\n (2)分析噪声对训练数据的影响，研究抗噪声的学习方法。噪声对PAC学习的影响，分为两种情况：各个属性受干扰的概率一样或不一样。本文研究了PAC学习对噪声承受能力的上限，试验分析不同噪声模型对BP神经网络的影响，设计实现了仿真足球队NDSocTeam的截球动作。\n (3)分析数据不完整对学习能力的影响，分析了使用C4.5、贝叶斯网络处理不完整数据的方法，提出一种改进的C4.5算法；该算法能较好的处理特定环境下的不完整数据，速度快、准确率高。本文用改进的C4.