概念学习方法是归纳学习的核心问题,指学习已知类别的训练样本。随着规则提取在专家系统、模式识别、图像处理、语音识别等领域的广泛应用,基于概念学习的规则提取算法得到越来越多人的关注。本文首先对两个经典的归纳学习算法:AQ算法和决策树算法进行了研究,指出了这两个算法在理论研究和实际应用中的一些不足。本文在用归纳学习方法提取模糊规则领域所作的一些工作:1.提出了基于子集度和向量欧氏距离等的模糊蕴含算子NFIO,创建了基于这个模糊蕴含算子的规则提取算法RENFIO(Rules Extraction based on NFIO)。RENFIO算法将学习过程分为两步:第一步,对每一类样本取蕴含度大的简单概念作组合;第二步,找出每类的最好描述,即与训练样本拟合得最好的规则。实验证明该蕴含算子比其它算子对概念之间的蕴含关系描述更准确。RENFIO算法与其它规则提取算法相比有如下优势:搜索概念速度更快;预测精度更高;描述规则更简单。2.提出了用正样本和反样本提取模糊规则的模糊候选删除算法,在由属性构成的概念空间中,找到一个能够覆盖所有正样本和排除所有反样本的最佳概念描述。如何利用训练样本在训练样本的属性假设空间进行学习是概念学习的一个重要问题,覆盖算法(AQ系列)和分治算法(决策树)是处理该问题的两个著名算法,而模糊候选删除算法与它们相比有如下优势:只需遍历一遍训练集,即可针对多样本的数据集;对连续量数据分类能力强;抗噪性强。通过iris和wine数据集的实验证明了模糊候选删除算法的有效性和实用性。3.给出了NFIO算子的三个应用:属性约减、求单个样本的模糊描述、求误分类样本的描述。通过三个数据集的实验可以证明,用NFIO约减后得到的样本的属性,是对分类贡献最大的属性,而且可以找到最好的分类属性。用NFIO求出的单个样本的模糊描述与第三章求得的基本一致,从而证明其有效性。误分类样本是模糊规则没有覆盖的样本。求它们的描述可以补充模糊规则,提高规则对训练样本的覆盖度。