於資料範圍未知之小資料學習決定其領域外擴程度

TUNG FANG Institutional Repository > 設計行銷系 > 國科會計畫 > Item 987654321/117

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://163.15.40.127/ir/handle/987654321/117

题名:	於資料範圍未知之小資料學習決定其領域外擴程度 Determination of the Domain Expansion Range under Unknown Data Bounds in Small Data Set Learning
作者:	張峰銘 Chang, Fong-Ming Chang, F. M. (行政院國家科學委員會) (東方技術學院行銷與流通管理系)
关键词:	小資料學習;總合模糊法;模糊類神經;機器學習
日期:	2005
上传时间:	2009-07-21 09:25:03 (UTC+8)
摘要:	在許多的情況裡, 尤其是現代高度競爭的環境中, 往往在資料尚不足的情況下, 決策必須快速地完成, 因此, 如何提高小資料學習(small data set learning)的準確度, 成為一個重要的研究主題。在筆者之前的研究裡(Li, et al., 2005a; Li, et al., 2005b), 提出了應用資料模糊化之總合模糊法(mega-fuzzification), 以解決彈性製造系統中小資料學習的問題。該方法將確定性資料(crisp data)轉化為連續性資料, 同時將連續性資料之資料領域外擴至其真正的資料範圍; 然而, 在很多的情況裡, 資料的真正領域範圍並非是已知的, 因此本研究將進一步探討, 當資料領域是未知的情況下, 如何決定資料外擴的程度。Knowledge derived from limited data gathered in the early system stages is usually too fragile. Unfortunately, decisions have to be made quickly in a competitive environment. In our previous study, a strategy using continuous data and domain external expansion methods under a known data domain range was proposed to solve the so called small data set learning problem in FMS. This research goes further in seeking a quantitative method to determine the range of domain external expansion under unknown domain bounds. This research considers the data bias phenomenon that often occurs in small data sets and provides a method for its adjustment.
显示于类别:	[設計行銷系] 國科會計畫

文件中的档案:

档案	大小	格式	浏览次数
(PF9411-0042).pdf	262Kb	Adobe PDF	58	检视/开启

在TFIR中所有的数据项都受到原著作权保护.

TAIR相关文章

数据加载中.....