SSXCS:半监督学习分类系统

学习分类系统作为一种自适应的机器学习技术,已经被成功地运用于解决多种学习问题.传统的学习分类系统的工作主要关注监督学习(分类)和无监督学习(聚类)环境下的研究,而学习分类系统在半监督学习环境下的效果不得而知.因此提出一种新的半监督学习分类系统(SSXCS),目的是研究学习分类系统是否能够在已知少量的已标记数据的情况下利用大量的未标记数据来提高学习性能.SSXCS先通过更新与进化得到对应的已标记规则集与无标记规则集,然后利用新提出的规则标记算法对无标记规则集进行标记,约简规则后生成最终的分类系统.实验结果表明,SSXCS能够有效地利用提供的无标记数据来提高分类器性能,同时相比较于一般的半监督学习算法,SSXCS能够取得更好或者相当的分类性能.

基于复杂学习分类系统的密度聚类方法

提出一种基于复杂学习分类系统(XCS)的密度聚类方法,可以用于对任意形状且带有噪声的二维数据进行聚类分析。此方法称为DXCSc,主要包括以下三个过程:1)基于学习分类系统,对输入数据生成规则种群,并对规则进行适当压缩;2)将已经生成的规则视为二维数据点,进而基于密度聚类思想对二维数据点进行聚类;3)对密度聚类后的规则种群进行适当聚合,生成最终的规则种群。在第一个过程中,采用学习分类系统框架生成规则种群并进行适当约减。第二个过程认为种群的各规则簇中心比它们的邻居规则具有更高的密度,并且与密度更高的规则间距离更大。在第三个过程中,采用图分割方法对相关重叠簇进行适当聚合。在实验中,将所提方法与K-means、近邻传播聚类算法(AP)、Voting-XCSc等算法进行了比较,实验结果表明,所提方法在精度方面优于对比算法。

基于遗传算法的学习分类器系统研究

分析了基于遗传算法的学习分类器系统的体系结构,并对消息与分类器匹配、桶队列算法信用分配以及基于遗传算法的规则发现等关键技术进行了研究,推导证明了利用桶队列算法更新分类器强度的收敛性理论.通过对六值布尔函数的学习,进一步对学习分类器系统的学习性能、分类器强度更新收敛性进行了仿真验证.

基于平均奖赏强化学习算法的零阶分类元系统

零阶学习分类元系统ZCS(Zeroth-level Classifier System)作为一种基于遗传的机器学习技术(GeneticsBased Machine Learning),在解决多步学习问题上,已展现出应用价值。然而标准的ZCS系统采用折扣奖赏强化学习技术,难于适应更为广泛的应用领域。基于ZCS的现有框架,提出了一种采用平均奖赏强化学习技术(R-学习算法)的分类元系统,将ZCS中的折扣奖赏强化学习方法替换为R-学习算法,从而使ZCS一方面可应用于需要优化平均奖赏的问题领域,另一方面则可求解规模较大、需要动作长链支持的多步学习问题。实验显示,在多步学习问题中,该系统可给出满意解,且在维持动作长链,以及克服过泛化问题方面,具有更优的特性。

基于LCS的水库供水规则分类系统

建立了基于遗传学习分类器系统(LCS)的水库供水规则分类系统,通过信任分配(桶链算法,BBA)与规则发现(遗传算法,GA)机制进行学习,提取水库供水调度规则.实例研究得到学习样本识别率接近95%,检验样本识别率为85%.进一步从调度规则的合理性、学习样本对规则集的影响以及该分类系统与人工神经网络对规则提取结果的比较这3个方面分析了系统提取规则的性能与行为.研究表明,利用该分类系统提取水库供水调度规则是可行且有效的.

分类器系统的研究与应用

分类器作为一种认知的计算模型和复杂自适应系统的建模工具,已经被广泛地应用到自适应机器人学、有效的分类及数据挖掘中。本文首先介绍了学习分类器的研究历史,同时深入分析近年来分类器系统的四大主要组件的发展、系统结构延伸的方案和关于学习分类器系统工作理论的发展、研究现状,并在此基础上进一步分析了目前学习分类器系统在多个领域的应用情况。

基于遗传算法的CGF学习行为模型研究

通过自学习使计算机生成兵力(CGF)具有决策能力,是机器学习技术应用于军事仿真的一个重要研究方向。运用基于Agent的建模方法和学习分类器系统技术,构建了基于遗传算法的CGF学习行为模型框架,详细论述了该模型学习过程的运行周期,并将记忆功能引入CGF决策模型来加速学习进程。最后,设计了一个可视化验证系统,实验结果表明该模型的有效性和可行性。

一种基于改进LCS的多移动机器人学习算法

移动机器人采用学习分类器系统进行学习的主要问题在于学习过程较长。为了解决该问题 ,本文提出一种改进的学习分类器系统。该系统引入了一个规则构造器和合并、广播两个操作。规则构造器在学习分类器系统进行新的尝试时产生新的规则 ,合并操作对已有规则进行归纳 ,广播操作则使所有的机器人可以共享各自当前的最优规则。仿真结果表明这些措施有效地提高了学习分类器系统的收敛速度。

遗传算法中基于规则的分类器编码长度研究

遗传学为基础的机器学习使用遗传算法作为学习机制,设计以规则为基础的分类系统,通过训练数据集来实现类别的精确描述。针对遗传算法编码没有统一标准的问题,研究基于规则的分类器个体特征编码长度与分类准确率以及效率之间的关系,通过概率逼近分析个体特征编码长度对分类准确率的影响,利用迭代步骤数的数学期望计算方法,计算遗传算法分类器的分类效率。实验结果证明,遗传算法在密西根编码条件下,个体特征编码长度越长,分类器的分类准确率越高、收敛速度越慢。

一个基于XCS的同质团队学习模型

同质团队学习是实现多Agent协作的一种方法。但是,传统方法仅在系统运行的前后对目标Agent进行修改,系统运行过程没有直接对Agent的改进做出贡献。本文利用合作策略,在学习分类器系统XCS的基础上提出了一种同质团队学习模型,弥补了传统方法的上述不足。文中还在模型的基础上实验分析了相关因素,如规则积累、通信以及发现新规则等对多Agent协作效率的影响。

XCS及其在二进制序列分类问题中的应用

XCS作为一种基于精度的学习分类器系统,是近年来机器学习领域研究的热点。介绍了XCS的基本结构,研究了其在序列分类问题中的应用,并以此为基础构建一个学习/测试系统,实现了对二进制序列的学习和分类,讨论了相关参数对学习性能的影响,最后对XCS的应用前景进行了总结。

一种基于组织学习的企业决策框架

针对当前信息系统的系统结构僵化,企业模型适应度差的问题,提出了一种基于组织学习的企业决策框架。深入地阐述了Norm的有关概念,从Norm的视角详述了该框架的内容、工作流程以及其中的企业Norm管理系统—EDN、Norm的组织符号学分析、Norm库的设计以及一种基于Norm的改进型产生式规则。为了实现对企业Norm的学习,该框架利用企业Norm作为决策环节,结合基于遗传算法的机器学习分类器系统对企业Norm进行编码、分类、融合、学习和验证。最后结合某制造企业的采购环节对该框架进行了设计及应用。

LCS在多步学习问题中的规则集压缩算法

为了解决学习分类元系统(LCSs)应用于多步学习问题时会生成规模庞大、冗余的规则集问题,提出了一种规则集压缩算法.该算法的处理过程包含三个阶段:a.通过特殊的遗传进化操作,在删除一些较弱分类元的同时,增加规则集里泛化能力较强、适应值较高的分类元的个体数目;b.进行冲突消解,消除规则集里相互重叠、相互冲突的分类元;c.对产生的无重叠无冲突的规则集,进行大幅度压缩处理,得出最终的精简规则集.实验结果表明:所提算法能够在几乎不降低系统整体性能的前提下,将规则集极大地约简和压缩,从而产生足够小的规则集,使LCSs的知识表示的冗余度减少,凸显了规则集的易解释、易操作等特性;提高了LCSs在多步学习问题中的应用效果,拓展了其应用范围.