發(fā)布時間：2017-03-29 15:08

  本文關(guān)鍵詞：基于人工智能的知識發(fā)現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】： 知識發(fā)現(xiàn)本質(zhì)是建立在高維空間中的數(shù)學計算問題,人類對于傳統(tǒng)空間的研究已經(jīng)經(jīng)過數(shù)千年,但是對于高維空間的數(shù)學研究才剛剛開始。盡管如此,借助于其核心技術(shù)人工智能的發(fā)展,知識發(fā)現(xiàn)已經(jīng)取得了非常豐碩的成果。傳統(tǒng)數(shù)學所無法解決的問題,例如圖象識別,垃圾郵件攔截,網(wǎng)頁相似度匹配等問題都得到了一定程度上的解決。但是,從技術(shù)本身來看,這些都是支持向量機(SupportVector Machine,SVM)的一些低級別的應(yīng)用,對于更廣闊的未來而言,技術(shù)的發(fā)展帶來了無限的可能。本文盡可能詳盡地回顧了知識與知識發(fā)現(xiàn)的理論與沿革,人工智能技術(shù)的發(fā)展與核心算法:BP網(wǎng)絡(luò)(Back-propagation Neutral Network)與支持向量機。在此基礎(chǔ)上,本文提出了知識發(fā)現(xiàn)所面臨的三大問題:學科交叉不足,局限于理工科等傳統(tǒng)領(lǐng)域,而對文科和商科覆蓋不足;對非結(jié)構(gòu)化數(shù)據(jù)處理能力欠缺,尤其是類似于WORD和WEB的非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù);知識表示混亂,至今沒有統(tǒng)一的標準。 針對以上三個問題,本文設(shè)計了三個實驗: 1本文以WORD文件《說文·玉篇》中的一章作為數(shù)據(jù)源,采用規(guī)則提取的方式,將WORD文件字典中的字進行了量化抽取。以量化后的結(jié)果載入Matlab,并使用SVM工具箱進行了異體字分類識別。最后用Z語言對異體字分類的定義進行了闡述。 2本文針對上海國拍勁標網(wǎng)(www.alltobid.com)上的上海市車牌歷次競標記錄,采用WEB抓取的方式,獲得自開始拍賣以來至今的所有數(shù)據(jù)。將這些數(shù)據(jù)作為數(shù)據(jù)源,用BP網(wǎng)絡(luò)對車牌價格所形成的多元函數(shù)進行了擬合,對后期的車牌價格走勢進行了預(yù)測。與此同時,將本文中獲得的結(jié)果與傳統(tǒng)經(jīng)濟學方法進行了對比,證明了AI算法相對于傳統(tǒng)經(jīng)濟學方法的優(yōu)越性。最后,針對本文的函數(shù)用Z語言進行了描述。 3作為管理學碩士,本文對管理學中參數(shù)化評估以及它的多種進化形態(tài)進行了回顧,并將BP網(wǎng)絡(luò)和SVM分類技術(shù)相結(jié)合,提出了動態(tài)參數(shù)化評估的概念。這種新評估方式主要認為:舊有的評估方法存在參數(shù)人為任意設(shè)定,權(quán)值僵化,而容易被有所針對性的回避而不能產(chǎn)生正確的評估效果。為了避免上述現(xiàn)象的發(fā)生,本文認為,應(yīng)該從樣本自身出發(fā),由樣本自身描述問題的本質(zhì)。首先使用SVM對樣本的特征進行提取,得出參數(shù)項;其次根據(jù)參數(shù)項對樣本進行循環(huán)計算,得到每個項的權(quán)值;最后依據(jù)不同的權(quán)值,對權(quán)值進行函數(shù)擬合和預(yù)測。這樣構(gòu)成的參數(shù)評估系統(tǒng),每當產(chǎn)生新的樣本的時候,則系統(tǒng)重新計算并對權(quán)重和參數(shù)進行調(diào)節(jié)。無疑具有更好的自適應(yīng)能力和更符合現(xiàn)實要求的特點。本文進行了一次針對上海房價指數(shù)的動態(tài)參數(shù)實證研究:針對上海市房產(chǎn)交易中心(Fangdi.com.cn)上的成交數(shù)據(jù),以WEB抓取的形式獲得;以不同區(qū)域?qū)ι虾７績r的影響作為參數(shù),以影響的程度作為權(quán)重進行計算;最后以Z語言對整個動態(tài)參數(shù)化評估系統(tǒng)作出了描述。 本文以如上述三個實驗的方式對本文提出的問題進行了討論和解釋。針對學科交叉問題,本文結(jié)合中文學科,提取WORD文件中的異體字,并使用SVM技術(shù)進行了識別;結(jié)合筆者本科時代的經(jīng)濟學背景,使用BP網(wǎng)絡(luò)對來自WEB的上海車牌拍賣數(shù)據(jù)進行了函數(shù)擬合;最后作為一名管理學的碩士,將SVM的分類技術(shù)和BP網(wǎng)絡(luò)的函數(shù)擬合技術(shù)結(jié)合而提出了動態(tài)參數(shù)化評估,對管理學中參數(shù)化評估進行了改進。針對非結(jié)構(gòu)化數(shù)據(jù)源問題,本文實驗中所采用的WORD文件,WEB數(shù)據(jù),都是非結(jié)構(gòu)化數(shù)據(jù),采用規(guī)則抽取方式,將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為準結(jié)構(gòu)化或者結(jié)構(gòu)化數(shù)據(jù)進行知識發(fā)現(xiàn);對于知識表示問題,本文使用了Z語言對每次實驗所得到的知識進行了結(jié)構(gòu)化描述。 雖然本文針對知識發(fā)現(xiàn)的問題進行了一番探討與改進,但是仍然存在諸多不足之處,對于動態(tài)參數(shù)化評估而言,各參數(shù)之間的優(yōu)先級顯然不可能是同級的,對于優(yōu)先度排序方向的研究還有所欠缺;對于文字識別而言,噪音與誤注所造成的偏差較大;對于時間序列的經(jīng)濟函數(shù)擬合而言,精度還可以進一步提高。這一切都有待于進一步的完善。
【關(guān)鍵詞】：知識發(fā)現(xiàn) 人工智能 知識表示 動態(tài)參數(shù)化評估
【學位授予單位】：華東師范大學
【學位級別】：碩士
【學位授予年份】：2008
【分類號】：TP18
【目錄】：

• 摘要6-8
• Abstract8-11
• 第1章 緒論11-16
• 1.1 引言11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 本文的寫作目的和意義14-16
• 第2章 知識與知識發(fā)現(xiàn)16-32
• 2.1 DIKW體系16-19
• 2.2 知識發(fā)現(xiàn)的產(chǎn)生和發(fā)展19-22
• 2.3 知識發(fā)現(xiàn)的研究內(nèi)容22-32
• 第3章 人工智能技術(shù)32-47
• 3.1 人工智能的歷史32-36
• 3.2 神經(jīng)網(wǎng)絡(luò)36-40
• 3.3 支持向量機40-46
• 3.4 SVM與BP網(wǎng)絡(luò)的性能比較46-47
• 第4章 人工智能技術(shù)在知識發(fā)現(xiàn)中的實證研究47-84
• 4.1 基于SVM的異體字識別47-56
• 4.2 基于神經(jīng)網(wǎng)絡(luò)的函數(shù)擬合與預(yù)測56-67
• 4.3 動態(tài)參數(shù)化評估67-84
• 第5章 結(jié)語84-87
• 5.1 總結(jié)84-85
• 5.2 不足與展望85-87
• 參考文獻87-90
• 附錄90-97
• 致謝97

【引證文獻】

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 何海源;人工智能中知識獲取機制的哲學思考[D];山西大學;2012年

  本文關(guān)鍵詞：基于人工智能的知識發(fā)現(xiàn)，由筆耕文化傳播整理發(fā)布。

，

本文編號：274749