Разработка методов поиска решения на базе нейросетевых технологий для экспертных систем, основанных на прецедентах

Тип работы:
Курсовая
Предмет:
Информатика
Страниц:
40

1600 Купить готовую работу
Узнать стоимость

Детальная информация о работе

Содержание

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ, СИМВОЛОВ И СПЕЦИАЛЬНЫХ ТЕРМИНОВ

Глава1 Исследование методов поиска решения на базе ИНС для экспертных систем, основанных на прецедентах.

1.1 Рассуждения на основе прецедентов

1.2 Экспертная система

1.3 Анализ существующих средств разработки экспертных систем

1.4 Обзор методов поиска решения на базе ИНС для экспертных систем, основанных на прецедентах

Глава2 Анализ существующих разработок и выбор типа ИНС и метода обучения ИНС для реализации поиска решения на основе прецедентов.

2.1 Анализ существующих разработок

2.2 Выбор метода обучения ИНС для реализации поиска решения на основе прецедентов

2.3 Разработка алгоритмы обучения ИНС для реализации поиска решения на основе прецедентов

Разработка алгоритмы обучения ИНС для реализации поиска решения на основе прецедентов с использованием различных метрик и с учетом коэффициентов важности параметров объекта

Глава 3 Программная реализация базовых модулей поиска решения на базе ИНС для экспертных систем, основанных на прецедентах.

3.2. Результаты Отладки, тестирование и реализация демонстрационного примера

Заключение

Электроные ресурсы

Список литературы

[1] Вагин В. Н. и др. Достоверный и правдоподобный вывод в интеллектуальных системах. — М.: ФизМатЛит, 2004.? 704 с.

[2] Quinlan J.R. Induction of Decision Trees// Machine Learning, Vol. 1, 2006, 81−106

[3] Quinlan J.R. Improved Use of Continuous Attributes in C 4. 5//Journal of Artifical Intelligence Reseach, Vol. 4, 2006, 77−90

[4] J. Bazan, A Comparison of Dynamic and Non-dynamic Rough Set Methods for Extracting Laws from Decision Tables//Rough Sets in Knowledge Discovery 1.: Methodology and Application/ Ed. by L. Polkowski, A. Skowron. Heidelberg: Phisica-Verlag, 2008, 321−365.

[5] H. S. Nguyen, S. H. Nguyen. Discretization Methods in Data Mining// Rough Sets in Knowledge Discovery 1: Methodology and Application/ Ed. by L. Polkowski, A. Skowron. Heidelberg: Phisica-Verlag, 2008, 451−482.

[6] V.N. Vagin, A.V. Kulikov, M.V. Fomina. The Development of the Generalization Algorithm Based on the Rough Set Theory./ Intern. Journal «Information Theories & Applications», Vol. 13, Nu. 3, 2006, 255−262.

[7] Kulikov A., Fomina M. The Development of Concept Generalization Algorithm Using Rough Set Approach / Knowledge-Based Software Engineering: Proceedings of the Sixth Joint Conference on Knowledge-Based Software Engineering (JCKBSE 2004) // V. Stefanuk and K. Kajiri (eds). — IOS Press, 2004. — P. 261−268.

[8] V. Mookerjee, M. Mannino, R. Gilson, Improving the Performance Stability of Inductive Expert Systems under Input Noise. // Information Systems Research. 2005, Vol. 6, Nu. 4, 328−356.

[9] Бериша А. М., Вагин В. Н., Куликов А. В., Фомина М. В. Методы обнаружения знаний в «зашумленных» базах данных // Известия РАН. Теория и системы управления. — 2005. — № 6. — С. 143−158.

[10] Merz C.J., Murphy P.M. UCI Repository of Machine Learning Datasets. — Information and Computer Science University of California, Irvine, CA, 1998.

Электроные ресурсы

1. Lubarsky A. Сложные графики и диаграммы в Deplhi Часть третья — HttpHandler/System. Drawing. http: //www. ibm. com/developerworks/ru/edu/os-eclipse-android/section7. html

Заполнить форму текущей работой