9、归纳、类比与神经网络的经验学习：Wave - Net解决方案

归纳、类比与神经网络的经验学习：Wave - Net解决方案

在工程和科学领域，从数据中学习并改进系统性能是一个核心问题。本文将探讨两种重要的学习方法：归纳与类比学习，以及通过神经网络进行的经验学习，并着重介绍Wave - Net这一创新解决方案。

归纳与类比学习

归纳与类比学习主要聚焦于探索一组（x, y）操作数据记录所提供的信息，以学习如何改进性能变量y的表现。这种学习方法的主要目标是对那些无法通过第一性原理模型有效描述的系统所生成的（x, y）数据进行监督控制层面的分析，这些系统的性能在很大程度上依赖于与质量相关的问题和测量。

传统的解决方案通常以点值结果呈现，而这里引入了改进的表述和解决方案格式，用决策空间中的超矩形取代了传统的点值结果。这种替代语言表达最终解决方案具有诸多优势和影响，传统公式可以被视为所建议的更一般问题定义的一种特殊退化情况，即寻找决策变量的范围而非单个值。

为了解决这些改进后的问题陈述并揭示具有所需替代格式的最终解决方案，介绍了基于直接采样方法的数据驱动非参数学习方法。这些方法比大多数传统技术需要用户做出的假设和先验决策要少得多，它们以易于理解和实施的格式向决策者呈现从操作数据中提取的知识。

此外，还介绍了基本学习方法的扩展和变体，以扩大其灵活性并涵盖多种不同情况，包括性能由分类或连续变量评估的系统、具有单目标或多目标的系统、包含某种内部结构且由多个相互连接的子系统组成的简单或复杂工厂。通过一系列使用现实工业和模拟操作数据的案例研究，展示了这些学习方法的潜在实际能力以及从工业角度来看其吸引人的实施特点。

下面是归纳与类比学习的主要特点总结：
|特点|描述|
| ---- |