基于信息熵的扩张矩阵的启发式算法

摘要：

示例学习中传统的扩张矩阵理论和启发式算法是建立在正反例子集一致、没有噪音的基础上的.然而实际应用领域中的噪音数据,导致许多归纳能力很差的规则产生.本文提出从统计学的角度,对扩张矩阵理论的定义加以扩充,利用信息熵和拉普拉斯错误估计函数构造了扩张矩阵启发式算法ECA.将该算法应用于几个实际领域的学习问题并与示例学习系统AE5及AQ15等进行了比较.实验结果表明,ECA生成的规则简单,归纳能力强,较为有效地解决了实际应用中的噪音问题.

关键词：示例学习、扩张矩阵、信息熵、噪音

所属期刊栏目：21

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金

在线出版日期：2005-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：619-626