【技术实现步骤摘要】
基于描述逻辑和案例推理的智能学习方法
本专利技术涉及智能导师学习领域,具体涉及一种基于描述逻辑和案例推理的智能学习方法。
技术介绍
在传统学习过程中,解决错误问题的方式通常有两种,一种是学习者依靠指导者的指导,另一种是学习者自行通过网络论坛为主的网络资源进行查询与求助。对前一种模式,虽然可以在一定程度上帮助学习者解决所遇到的问题,但随着问题数量的增加和复杂度的增高,则会产生无意识错误、顾此失彼、习惯性错误等问题,严重影响学习效率并造成问题求解资源的严重浪费。对后一种模式,虽然网络资源可以帮助学习者解决错误问题,但学习者查找自己所需答案的效率却十分低下。学习过程错误的发生具有阶段性和重复性,采用案例复用技术充分利用这些特性可有效提高学习效率。错误学习是指利用学习过程中所出现的错误反过来对学习进行指导,属于弹性认知的一个重要的技术手段。学习过程伴随发生的错误发生,在时间维度上呈离散分布状态,具有一定的阶段性、局部性和重复性。错误的出现反映了学习主体在学习中存在的问题,包括思维认知发展水平、行为习惯以及意志品质状态等。充分利用学习过程中出现的错误,可有效地提高学习者的学习效率。其应用前景十分广泛,目前已成功应用于智能教学系统、智能决策支持系统、故障维护和机器学习等诸多领域中。案例推理(Case-basedReasoning,CBR)是一种使用较多的不确定性推理方法。其基本思想是相似问题有相似解,对于提供准确描述的某一问题,用此推理方法可得到对应的解。它的主要优点是无需显式的领域知识模型,可避免知识获取的瓶颈问题。将案例推理技术用于错误学习,有助于学习者更好地利用 ...
【技术保护点】
基于描述逻辑和案例推理的智能学习方法,其特征是包括如下步骤:步骤1,将学习者遇到的问题即新案例作为输入,采用基于描述逻辑的相似度计算方法,计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B),并根据计算所得的文字和数值属性相似度Sim(A,B)对源案例库中的源案例进行排序;步骤2,从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例,源案例库中的其余源案例作为非检索案例;m为设定的≥1的正整数;将源案例库中的被检索案例放入检索案例集合RC中,并减小源案例库中的非检索案例的重用频度属性值;步骤3,从检索案例集合RC中的被检索案例中确定一个重用案例,该重用该案例中的解决方案能够最好的解决新案例中遇到的问题,检索案例集合RC中的其余被检索案例作为非重用案例;增大案例集合RC中的重用案例的重用频度属性值,并减小非重用案例的重用频度属性值;步骤4,利用正态分布的相似对计算方法,计算新案例与源案例库中的每个源案例的阶段相似度Rdis(A,B);步骤5,计算新案例与源案例库中的每个源案例的综合相似度Simt0tal(A,B),即Simt1tal(A,B)=α·Sim( ...
【技术特征摘要】
1.基于描述逻辑和案例推理的智能学习方法,其特征是包括如下步骤:步骤1,将学习者遇到的问题即新案例作为输入,采用基于描述逻辑的相似度计算方法,计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B),并根据计算所得的文字和数值属性相似度Sim(A,B)对源案例库中的源案例进行排序;步骤2,从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例,源案例库中的其余源案例作为非检索案例;m为设定的≥1的正整数;将源案例库中的被检索案例放入检索案例集合RC中,并减小源案例库中的非检索案例的重用频度属性值;步骤3,从检索案例集合RC中的被检索案例中确定一个重用案例,该重用案例中的解决方案能够最好的解决新案例中遇到的问题,检索案例集合RC中的其余被检索案例作为非重用案例;增大案例集合RC中的重用案例的重用频度属性值,并减小非重用案例的重用频度属性值;步骤4,利用正态分布的相似对计算方法,计算新案例与源案例库中的每个源案例的阶段相似度Rdis(A,B);步骤5,计算新案例与源案例库中的每个源案例的综合相似度Simtotal(A,B),即Simtotal(A,B)=α·Sim(A,B)+β·L(B)+γ·Rdis(A,B)其中,Sim(A,B)为新案例与源案例的文字和数值属性相似度,α为设定的该文字和数值属性相似度的权重;L(B)为源案例的重用频度属性值,β为设定的该重用频度属性值的权重;Rdis(A,B)为新案例与源案例的阶段相似度,γ为设定的阶段相似度的权重;α,β,γ∈[0,1]且α+β+γ=1;步骤6,根据计算所得的新案例与源案例的综合相似度Simtotal(A,B),对源案例库中的源案例进行排序,排序后的源案例库作为本次学习问题的结果输出。2.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法,其特征是,在第一次输入新案例之前,需要对源案例库中的所有源案例的重用频度属性值赋初始值,其中源案例的重用频度属性值的取值范围为[0,1]。3.根据权利要求1所述基于描述逻辑和案例推理的智能学习方法,其特征是,步骤1中,新案例与源案例库中的每个案例的文字和数值属性相似度Sim(A,B)包括文字描述属性相似度Sim(At,Bt)和数值描述属性相似度Sim(Ad,Bd);其中,文字描述属性相似度Sim(At,Bt)的计算公式为,Sim(At,Bt)=Sim(Cp-新,Cp-源)·(1-w)+Sim(CA,CB)·w数值描述属性相似度Sim(Ad,Bd)的计算公式为,
【专利技术属性】
技术研发人员:古天龙,谷宇奇,宁黎华,徐周波,常亮,
申请(专利权)人:桂林电子科技大学,
类型:发明
国别省市:广西;45
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。