(3.227.235.183) 您好!臺灣時間:2021/04/20 09:03
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:林茂君
研究生(外文):LIN, MAO-CHUIN
論文名稱:概念形成在分群上的應用
論文名稱(外文):Applications of Concept Formation in Clustering
指導教授:耿伯文耿伯文引用關係
指導教授(外文):Lai Hsin-Hsi
學位類別:碩士
校院名稱:國立成功大學
系所名稱:工業管理研究所
學門:商業及管理學門
學類:其他商業及管理學類
論文種類:學術論文
論文出版年:1996
畢業學年度:84
語文別:中文
論文頁數:70
中文關鍵詞:分群機器學習概念形成
外文關鍵詞:CLUSTERINGMACHINE LEARMINGCONCEPT FORMATION
相關次數:
  • 被引用被引用:1
  • 點閱點閱:93
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
分群是將一組給定的範例或觀察值,依照它們的屬性,發現隱含在其間的
關係,然後將它們分成數個有意義的群組。傳統上解決分群問題所採用的
技術,其發展可謂相當成熟。但是傳統分群技術所能處理的問題卻大部份
受限於數值屬性,因此其應用層面受到相當的限制。這些分群技術所得到
之分群結果,在集群特徵的描述上可能極為困難,甚至無法以簡單的概念
來描述集群。此外,傳統集群分析的一般作法是將各屬性的重要程度視為
一致,忽略了屬性間重要程度的差異性,分群結果的正確性與合理性有待
商榷。有鑑於傳統分群技術的諸多缺失,本研究提出一機器學習演算法,
期能突破傳統分群只能針對數值屬性的限制,加入符號屬性的處理能力,
並以模擬人類概念形成過程的方式發展一概念形成演算法來求解分群問題
,期能在分群的同時自動擷取出各集群的概念,並在分群的過程中依據分
群目標加入各屬性重要程度的考量,以得到較合理的分群結果。本研究以
彈性製造單元之機器配置設計問題為例,說明如何應用本研究所提出之分
群演算法,將候選方案加以分群,過濾不適合的方案,以輔助決策者在面
臨眾多候選方案時,減少人為分析上的困難。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔