论文部分内容阅读
学习分类系统是一个动态感应环境、模拟认知的机器学习系统，它利用环境反馈评估种群中的分类规则并通过遗传算法对种群进行进化．经过近三十年的研究，学习分类系统研究已经发展出了一套成熟的理论框架和算法模型，虽然学习分类系统还存在一些值得深入研究的问题，但它已经在数据挖掘、分类、交通信号控制、机器人行走、医疗诊断等众多实际领域得到了成功的应用。本文在详细介绍学习分类系统当前研究的基础上，还对目前存在的一些热点问题做了相关研究，主要研究成果如下：
1．在经典学习分类系统的基础上加入集成学习的概念，设计了集成学习分类系统的模型框架和算法，并通过多个实验证明了集成学习分类系统较经典的学习分类系统在收敛速度，学习精度等指标的上的优异性。
2．缺失数据的处理一直是数据挖掘和学习分类系统中的重要问题之一，文章提出一种基于增量梯度下降的缺失数据填充方法，它利用包含缺失数据的属性和其他完整属性之间的潜在关系，增量地、自适应调整梯度下降模型并用此模型来填充缺失数据。通过实验与传统学习分类系统中缺失数据处理方法的对比，基于增量梯度下降的缺失数据填充方法在学习分类系统中显示出更好的性能。
3．学习分类系统种群中规则的数量以千计，这使得学习成熟后的系统虽然有较好学习性能(能给出外部刺激的正确响应)，却不能够用学习后的规则显示表示出问题的潜在规律。文章提出了在不影响系统性能的前提下精简学习后的规则种群，从而提高学习分类系统可读性的一种规则约简算法，并用实验表明了它的可行性。