学位论文 > 优秀研究生学位论文题录展示

机器学习方法及其在基金项目评审中的应用研究

作　者: 李智
导　师: 李敏强
学　校: 天津大学
专　业: 管理科学与工程
关键词: 机器学习计算智能概念规则学习支持向量机基金项目评审项目文档检索决策支持系统多主体技术
分类号: F224
类　型: 博士论文
年　份: 2004年
下　载: 379次
引　用: 2次
阅　读: 论文下载

内容摘要

随着计算机和通信技术的创新与应用,社会生产力水平得到了快速的提高。人类寻求在机器中复制人类智能的愿望越来越强烈,极大地促进了计算智能和学机器学习等学科的发展。本文应用统计学、计算智能、系统工程和管理科学等理论,在对机器学习理论、概念规则学习方法和支持向量机方法等进行了系统深入的研究,并将机器学习方法应用于基金项目评审和管理。本主要研究内容如下:1、描述了智能系统或知识系统的一般框架,论述了机器学习与计算智能的联系,分析了机器学习的概念、方法和典型应用领域,提出了将机器学习方法应用于科学基金项目评审和管理的思路。2、分析了PAC可学习定义,推导了有限假设空间下一致学习机和非一致学习机的样本复杂度的关系式。基于统计学理论研究了经验风险最小化原则学习过程的一致性问题。基于VC-维概念,研究了经验风险与真实风险之间关系的一般化不等式,并论述了学习过程的结构风险最小化归纳原则。3、研究了规则学习的策略与典型算法,提出了基于约束聚类的概念学习方法(CLCC)。定义了合取规则可学习性的概念,设计了一种启发式正例聚类的算法框架,以及从正例聚类生成合取规则的基于期望信息的快速算法。提出了概念规则的后剪枝方法和处理准则。同时,将CLCC算法和传统算法分别应用于基金项目评价的概念学习,并进行了详细计算实验和分析。4、研究了支持向量机(SVM)模型的特点和形式,描述了SMO算法的计算过程和程序框架。提出了根据样本数据在欧氏空间上的局部几何特征,筛选最有可能成为支持向量的候选样本的思路。设计了候选支持向量选择的SCSV算法和异常样本过滤处理的AEF算法,AEF+SCSV与SMO算法相结合可以有效学习SVM分类函数。研究了基于SVM的基金项目评价问题的机器学习方法,并进行了详细的实验计算。5、应用决策支持系统和Multi-Agents技术,研究了基于机器学习方法的基金项目评审决策支持系统。给出了基金项目评议决策支持系统的工作流程和框架,以及基金项目智能交互式信息检索过程和处理流程。采用ID3、CLCC和SVM方法,建立了项目评议知识库系统和用户查询项目文档分类学习知识库系统。给出了基于机器学习的基金项目评审决策支持系统PE&PRDSS-MAS的整体原型设计,描述了各Agents的功能和控制方式。

全文目录

第一章概述  6-19
  1.1 智能系统与机器学习  6-7
  1.2 人工智能与计算智能的发展和意义  7-9
  1.3 机器学习的研究与应用  9-12
  1.4 科学基金项目评价与机器学习  12-15
  1.5 本文研究的目标与框架  15-17
  1.6 本文主要研究工作和创新点  17-19
第二章机器学习的理论基础  19-39
  2.1 学习问题和不可学习问题  19-20
  2.2 PAC 学习理论  20-25
  2.3 统计学习理论  25-38
  2.4 本章小结  38-39
第三章概念规则学习  39-75
  3.1 规则学习的策略和典型方法  39-47
  3.2 基于约束聚类的概念学习方法  47-66
  3.3 基金项目评价中的概念学习  66-74
  3.4 本章小结  74-75
第四章支持向量机学习方法  75-101
  4.1 SVM 模型  75-82
  4.2 SVM 模型的求解  82-87
  4.3 SVM 样本预处理方法  87-97
  4.4 基于SVM 的基金项目评价  97-100
  4.5 本章小结  100-101
第五章基于机器学习的基金项目评审决策支持系统  101-121
  5.1 决策支持系统方法  101-106
  5.2 基金项目评价决策支持系统  106-110
  5.3 基金项目检索决策支持系统  110-116
  5.4 基于Multi-Agents 的基金项目评审决策支持系统  116-120
  5.5 本章小结  120-121
第六章结束语  121-128
  6.1 全文工作总结  121-126
  6.2 研究与应用展望  126-128
参考文献  128-133
攻读博士学位期间发表的论文  133-134
致谢  134

机器学习方法及其在基金项目评审中的应用研究

内容摘要

全文目录

相似论文