资源网络的精化学习及应用研究

资源类型: 资源大小: 文档分类:工业技术 上传者:杨曙红

文档信息

【标题】资源网络的精化学习及应用研究

【作者】 石振国 

【关键词】资源网络 逻辑规则 精化学习 归纳学习 进化学习 

【出版日期】2010-11-01

【论文级别】博士

【导师】刘宗田

【摘要】人类生活的现实世界,已是一个多领域资源交融的网络。网络环境的资源,由于涉及许多领域,因此,是一个很宽泛的概念;某一特定领域内,任何一个可以标识的存在,无论是客观的还是主观构造的,都可看作是该领域的一种资源。资源网络是由概念、关系和规则表达的资源的树、格或图结构;是为网络环境的资源建立的一种源于人脑思维的知识模型。本文研究的资源建模方法,是通过资源网络的精化学习实现的;资源网络的精化学习,包括概念归纳、规则归纳和程序进化三个子任务,形式概念、一阶概念或程序概念的归纳和进化的应用案例和对比实验,验证了这个过程;案例和实验表明,精化学习是一个问题求解的搜索过程,问题空间和解答空间,均采用逻辑规则文法描述,求解过程采用程序推导树搜索策略。资源网络的精化学习方法,可为网络计算的资源建模,诸如网格、云、普适等服务建模,提供新的机器学习方法。应用案例和对比实验表明,本文的研究工作,具有理论意义和实用价值。 针对资源网络的精化学习及应用问题,本文进行了系统研究,做出如下贡献: 提出或建立了逻辑规则文法LRG(Logic Rule Grammar)、三种粒度的概念归纳方法GFCA(Granularity Formal Concept Analysis)、逆演绎的规则归纳方法DILP(Deduction Inductive Logic Programming)、逻辑遗传程序方法LGP(Logic Genetic Programming)和精化逻辑遗传程序方法RLGP(Refinement Logic Genetic Programming); LRG是传统有定子句文法DCG的拓展;GFCA是传统形式概念分析FCA方法的拓展;DILP是传统归纳逻辑程序ILP方法的拓展;LGP和RLGP是传统遗传程序GP方法的拓展,LGP基于进化学习算法ELA(Evolutionary Learning Algorithm), RLGP基于精化学习算法RLA(Refinement Learning Algorithm)。通过逻辑规则文法LRG,将资源网络的概念归纳、规则归纳、程序进化,这三种学习范型,融合为精化学习方法RLGP,并应用到形式概念、一阶概念或程序概念的学习领域,为网络计算的资源建模,提供了一种融合符号、连接和进化思维的新的机器学习方法。 具体说,论文的主要成果和创新点为: 1.源于形式语言思维,提出了文法视角的资源描述方法,也即资源网络的逻辑规则文法LRG。LRG能够从规则集或结构图视角描述资源的确定或不确定性的语义知识。 2.源于形式概念思维,提出了粒度视角的概念精化方法,也即资源网络的概念归纳方法GFCA。GFCA可从问题领域的形式背景学习三种粒度的形式概念。 3.源于符号逻辑思维,提出了逆演绎视角的概念精化方法,也即资源网络的规则归纳方法DILP。DILP可以逆演绎方法从问题领域的模式规格学习一阶概念。 4.源于生物进化思维,提出了进化视角的概念精化方法,也即资源网络的程序进化方法LGP。LGP可以进化方法从初始规格学习各种范型的程序推导树的优化个体。 5.利用逻辑规则文法,融合了FCA、ILP和GP方法,也即资源网络的精化学习方法RLGP。RLGP可以精化方法从资源规格学习多种范型的程序概念的优化个体。

参考文献

问答

我要提问