关于不确定性信息处理的研究是当前人工智能研究领域中的一类重要的研究内容.为了处理不确定性信息,人们发展了各种数学工具和方法.如模糊集理论,贝叶斯信念网络,D-S证据理论和粗集理论.这些理论和方法均是为了处理特定的不确定性信息而发展起来的.它们还为当前数据挖掘和知识发现提供了强有力的支持.本文在不确定性信息处理的研究领域中,进一步发展了已有的理论和方法,研究了将处理各个不确定性信息的方法综合集成到一起的系统,并取得了如下主要研究成果: 1.提出了带概率因子的模糊推理模型,证明了该种模糊推理系统是一个通用逼近器,并给出了一种从训练数据集中辨识该模糊模型的方法.在这种模型中,每条规则的确定性因子被解释成由规则前件推出规则后件的模糊条件概率.在时间序列预测中的仿真研究表明带概率因子的模糊推理模型的预测性能始终好于不带概率因子的传统的Mamdani-型模糊推理模型.
Hadoop|
Apache Pig|
Apache Kafka|
Apache Storm|
Impala|
Zookeeper|
SAS|
TensorFlow|
人工智能基础|
Apache Kylin|
Openstack|
Flink|
MapReduce|
大数据|
云计算|
用户登录
还没有账号?立即注册
用户注册
投稿取消
文章分类: |
|
还能输入300字
上传中....