1) machine learning
机器学习
1.
The design of intelligent firewall based on machine learning;
基于机器学习的智能防火墙设计
2.
Water COD prediction based on machine learning;
基于机器学习的水质COD预测方法
3.
Hierarchical machine learning for automatic defects inspections;
自动质量检测中的分层机器学习方法
2) machine-learning
机器学习
1.
Research of Machine-Learning Based Support Vector Machine;
基于支持向量机的机器学习研究
2.
At the same time, the theory of machine-learning was introduced to MGASA, and so the average fitness of chromosomes was improved, the loss of the best solution was prevented and the speed of the e.
该算法引入模拟退火算法作为遗传算法种群的变异算子,增强和补充了遗传算法的进化能力,同时将机器学习原理引入混合算法中,增加了种群的平均适值,有效地避免了最优解的丢失,加快了进化速度,使系统能够在很短的时间内得到最优解。
3.
The theory of machine-learning is applied to the genetic algorithm (GA) method for solving job shop scheduling problems to make each chromosome in the initial population to have a fairly high fitness, and then to make the evolutionary process stable after a few times of iteration, and at the same time, to avoid the loss of the best solution.
将机器学习原理应用到解决车间调度问题的遗传算法中,使初始种群中的每条染色体都具有较高的适值,从而使得进化过程在经过很少的迭代次数后即可达到稳定,同时避免了最优解的丢失。
3) machine study
机器学习
1.
Abnormity detection based on machine study;
基于机器学习的异常监测
2.
The process of study to"Machine Study" --Illustrate in brief the general process in science study;
“机器学习”的研究步骤——简述科学研究的一般过程
3.
In this paper,It is discussed that machine study and KA(knowledge acquisition) of AI(artificial intelligence) integrating data-base drill can develop data-base s ability of study,and make ratiocinative regulation of IDB perfect,including organon that KA and machine study;adopt and study system of integration of KA and data-base.
本文讨论了将人工智能中的机器学习和知识获取技术与数据库技术相结合以开发提高数据库的学习能力 ,使智能数据推理规划更加完善。
5) learning machine
学习机器
1.
The generalization performance of the learning machine is usually closely related to VC dimension and Vγ dimension,whose bound is more compact using Vγ dimension.
在机器学习问题中,学习机器的一致性和推广能力是非常重要的研究课题,通常,学习机器的推广能力与VC维和Vγ维有密切的关系,证明了再生核Hilbert空间中一类范围较广的回归损失函数集的Vγ维对于任意的γ>0有限,并给出了它的一个上界,使得刻划这种类型的学习机器的推广能力成为可能。
补充资料：机器学习
机器学习
machine learning
·328·习L一~~.~..~~~~侧~~~~机现学习等等。这一时期有影响的工作有学习质谱仪预测规则系统Meta~DENDRAL，利用AQll方法学习大豆疾病诊断规则系统，利用ID3方法学习象棋残局规则，数学概念发现系统AM，符号积分系统LEX，以及一系列物理定理重新发现系统BACON。在学习计算理论上，L.G.Valiant提出了概率近似正确PAC学习模型，这一成果推动了学习计算理论的发展。 第四阶段始于80年代中后期，主要源于神经网络的重新兴起。由于使用隐单元的多层神经网络及反传算法的提出，克服了早期线性感知机的局限性，从而使得非符号的神经网络的研究得以与符号学习并行发展。同时，机器学习在符号学习的各个方面也更加深人和广泛地展开，并形成了较为稳定的几种学习风范，如归纳学习，分析学习(特别是解释学习和类比学习)，遗传学习等。这一时期有影响的工作有多层神经网络反向传播学习算法，基于解释的学习，一系列决策树归纳学习方法，J.H.Hollalld的遗传学习和分类器系统，A.Newell等的岌〕AR学习系统，以及PRODIGY学习系统等。近期，由于复杂世界的实际应用的需要，出现了结合各种学习方法的集成学习系统、多策略学习技术，特别是关于连接学习与符号学习的结合。另外，有着很大应用价值的数据库知识发现学习技术也发展得很快。 机器学习经过三十多年的发展，到现在已形成 了很多学习方法，例如机械学习、传授学习、实例学 习、发现学习、解释学习、类比学习、事例学习、遗传学习、连接学习等。这些学习方法可以用一个学习模型来描述(参见图1)。环境)一叫学习单元卜叫知识库卜叫执行单元图1一个简单学习系统模型 在图1中，圆圈表示信息体(如观察的数据，以及事实、规则等知识)，方框表示过程。箭头指示数据在学习系统中的流向。环境为学习单元提供外界信息源(如经验实例)。学习单元利用该信息对知识库作出改进(增加新知识或重新组织已有知识)。执行单元利用知识库中的知识执行任务，任务执行后的信息又反馈给学习单元作为进一步学习的输人。 学习单元的输人有两种:一是外界环境，另一是执行任务后的反馈信息。不同的学习系统有不同的经验实例表示。最简单的一种是二元特征表示，仅仅描述对象某些属性的存在与否，例如病人有或没有某个特定症状。下文要讲的连接学习和遗传学习方法一般使用这种二元特征的输人。另一种是用属性值表示，每个属性有一组相互排斥的值，如颜色属性的值可为红色、蓝色和黄色等。二元特征可看作是此类的特例。这种属性值表示典型地用在归纳学习方法中。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条