75、归纳逻辑编程:原理、方法与应用

归纳逻辑编程:原理、方法与应用

1. 归纳学习概述

归纳学习是机器学习的一个子类,它研究基于统计规律来学习知识的算法。通过归纳学习获得的知识通常没有演绎上的正确性保证,但可能存在统计形式的保证。它也被称为统计学习。

2. 归纳逻辑编程简介

归纳逻辑编程是机器学习的一个子领域,它使用一阶逻辑来表示假设和数据。由于一阶逻辑具有表达性和声明性,归纳逻辑编程特别针对涉及结构化数据和背景知识的问题。它可以处理机器学习中的各种问题,包括分类、回归、聚类和强化学习等,常借助对现有命题机器学习系统的“升级”来实现。其相关概念如覆盖、一般性以及遍历假设空间的算子都基于逻辑。它还有一些同义词,如逻辑学习、多关系数据挖掘、关系数据挖掘和关系学习。

2.1 动机

  • 克服属性值学习系统的表示限制 :属性值学习系统采用基于表格的表示方式,存在单表单元组假设。许多问题,如邦加德问题,难以用这种格式优雅地描述。邦加德问题包含多个具有不同数量对象和关系的场景,而属性值学习系统假设属性数量固定且所有示例都包含这些属性,同时该表示方式还对属性施加了隐式顺序,这与邦加德问题中对象无自然顺序的情况不符。一阶逻辑和关系表示允许以自然的方式编码涉及多个对象及其关系的问题。
  • 利用逻辑的优势 :归纳逻辑编程使用逻辑这种声明性表示,使得假设易于理解和解释。同时,它能在归纳过程中利用背景知识,背景知识可以以辅助关系或谓词的定义形式提供。此外,逻辑为知识表示和推理提供了一个完善的理论框架,有助于定义和开发覆盖关系、一般性和细化算子等概念。

2.2 理论

归纳逻辑编程通常被定义为使用逻辑表示进行概念学习。其目标是找到一个假设(一组规则),在考虑背景理论的情况下,覆盖所有正例而不覆盖任何反例。更正式地,传统的归纳逻辑编程定义如下:
给定:
- 描述假设的语言 (L_h)
- 描述实例的语言 (L_i)
- 可能存在的背景理论 (B),通常以一组(确定)子句的形式存在
- 覆盖关系,它指定了 (L_h) 和 (L_i) 之间的关系,即当一个示例 (e) 被假设 (h) 覆盖(视为正例)时,可能会考虑背景理论 (B)
- 一组正例和反例 (E = P \cup N)

找到一个假设 (h \in L_h),使得对于所有 (p \in P),(covers(B, h, p) = true);对于所有 (n \in N),(covers(B, h, n) = false)。

这个定义可以扩展以处理噪声数据,通过放宽对所有示例都正确分类的要求。

学习问题在逻辑中有不同的表示方式,从而产生不同的学习设置。通常使用确定子句逻辑作为假设语言 (L_i),但示例的概念有所不同。可以从蕴含、解释或证明中学习,其中最流行的设置是从蕴含中学习,即每个示例是一个子句,当且仅当 (B \cup h \models e) 时,(covers(B, h, e) = true)。

例如,邦加德问题中的一个场景可以用子句表示:

positive :- object(o1),
            object(o2),
            circle(o1),
            triangle(o2),
            in(o1, o2),
            large(o2).

对应的一个假设可以是:

positive :- object(X),
            object(Y),
            circle(X),
            triangle(Y),
            in(X,Y).

该假设表明,那些有一个圆在三角形内的场景为正例。对于更复杂的邦加德问题,可以使用背景知识,如:

polygon(X) :- triangle(X).

使用这个背景理论,一个替代假设可以是:

positive :- object(X),
            object(Y),
            circle(X),
            polygon(Y),
            in(X,Y).

另一种表示示例的方式是为每个示例提供一个标识符,并将子句条件部分的相应事实添加到背景理论中。例如:

object(e1,o1).
object(e1,o2).
circle(e1,o1).
triangle(e1,o2).
in(e1,o1,o2).
large(e1,o2).

正例本身则通过事实 (positive(e1)) 表示。

2.3 方法

许多最近开发的归纳逻辑编程系统从现有的属性值学习器开始,并将其升级为使用一阶逻辑。实现这一目标的方法包括以下两个步骤:
1. 升级问题设置 :将示例、假设和覆盖关系的表示改为一阶逻辑,确定学习设置,如从蕴含、解释或证明中学习。
2. 调整原始算法 :使原始算法能够处理升级后的表示,尽量保持更改最小化,这通常涉及修改用于遍历搜索空间的算子。

采用这种方法有以下优点:
- 利用命题设置中的经验和成果:通过升级在属性值表示方面已经有效的学习器,可以借鉴命题机器学习数十年研究积累的成熟方法和发现。
- 节省人力:升级现有学习器比从头开始开发更容易,因为许多组件(如启发式和搜索策略)可以复用。
- 保证性能:升级后的系统能够模拟原始系统,确保输出的假设在属性值学习问题上表现良好,并且通常还能模拟原始系统的扩展。
- 便于添加新特性:可以通过这种方法将一些命题学习器中通常缺少的特性(如使用背景理论)融入到属性值学习器中。

不过,这种方法并非通用,有些方法(如 Muggleton 的 Progol)是直接在一阶逻辑中开发的,没有命题对应物。在这种情况下,可以考虑采用逆方法,将归纳逻辑编程系统进行专门化。

2.4 FOIL 系统示例

FOIL 是一个简单且著名的归纳逻辑编程系统,可视为规则学习器(如 CN2)的升级。它的问题设置是上述从蕴含中学习的一个实例,但它将背景理论限制为仅包含基础事实,并且不允许使用函子。

FOIL 采用分治策略,从空假设开始,反复搜索一个能覆盖尽可能多正例且不覆盖任何反例的规则,将其添加到假设中,移除被该规则覆盖的正例,然后重复这个过程,直到所有正例都被覆盖。

为了找到一个规则,它通过根据一般性对条款进行排序的空间进行爬山搜索。搜索从最一般的规则(即所有示例都是正例)开始,然后反复对其进行特化。在特化中,根据基于信息增益的启发式评估选择最佳的特化。基于最小描述长度原则的启发式方法用于决定何时停止特化条款。

FOIL 与命题前身的关键区别在于表示和用于计算条款特化的算子。它使用 (\theta)-包含下的细化算子,通过向条款的条件部分添加原子或对条款应用替换来细化条款。例如,条款:

positive :- triangle(X),
            in(X,Y),
            color(X,C).

可以特化为:

positive :- triangle(X),
            in(X,Y),
            color(X,red).
positive :- triangle(X),
            in(X,Y),
            color(X,C),
            large(X).
positive :- triangle(X),
            in(X,Y),
            color(X,C),
            rectangle(Y).

第一个特化是通过将变量 (C) 替换为常量 (red) 得到的,另外两个是通过向规则的条件部分添加原子(分别为 (large(X)) 和 (rectangle(Y)))得到的。归纳逻辑编程系统通常还会使用语法限制来指定哪些条款可以用于假设。

2.5 应用

归纳逻辑编程已成功应用于许多领域,包括生物和化学信息学、生态学、网络挖掘、软件工程、信息检索、音乐分析、网络挖掘、自然语言处理、毒理学、机器人学、程序合成、设计和建筑等。其中,最著名的应用是在科学领域,如结构 - 活性关系预测。在这个应用中,给定一组分子及其活性,以及编码分子功能基团的背景知识,任务是学习规则来判断分子是否具有活性。例如,使用 Progol 系统可以发现结构警报,这些警报能够区分活性和非活性分子,并且易于解释,有助于深入了解决定分子活性的因素。

2.6 现状

升级方法已应用于各种机器学习系统和问题,目前存在以下几类归纳逻辑编程系统:
- 诱导逻辑程序 :从各种学习设置下的示例中诱导逻辑程序,这是最流行的一类归纳逻辑编程系统。知名系统包括 Aleph、Progol 以及各种 FOIL 变体。其中一些系统,特别是 Progol 和 Aleph,包含许多命题学习系统中没有的特性,大多数系统专注于分类设置,学习单个谓词的定义。
- 诱导逻辑决策树 :从示例中诱导逻辑决策树,这些树是包含原子合取(即查询)作为测试的二叉决策树。如果查询成功,则选择一个分支,否则选择另一个分支。存在用于分类和回归的决策树方法。
- 频繁查询挖掘 :挖掘频繁查询,查询是原子的合取。可以在示例上评估查询,目标是找到所有频率超过一定阈值的查询。频繁查询挖掘将流行的局部模式挖掘设置升级到归纳逻辑编程。
- 理论定义学习或修订 :同时学习或修订由多个谓词定义组成的理论。一些系统源于 Shapiro 的模型推理系统或 Angluin 的工作。

2.7 当前趋势和挑战

2.7.1 扩展归纳逻辑编程范式
  • 与图形和概率模型结合 :将归纳逻辑编程原理与图形和概率模型相结合,用于处理不确定性推理。这一领域被称为统计关系学习、概率逻辑学习或概率归纳逻辑编程,目前是一个非常热门的研究方向,吸引了广泛的人工智能社区的关注。它已经产生了许多对知名图形模型(如贝叶斯网络、马尔可夫网络、隐马尔可夫模型和随机语法)的关系或逻辑升级。
  • 使用关系距离度量 :在分类和聚类中使用关系距离度量,这些距离度量考虑了实例的底层结构,用于衡量两个示例或条款之间的相似度。然后将这些距离与标准的分类和聚类方法(如 k - 最近邻和 k - 均值)相结合。
  • 集成到强化学习中 :将关系或逻辑表示集成到强化学习中,即关系强化学习。
2.7.2 应对计算复杂性挑战

归纳逻辑编程的强大表达能力也带来了计算复杂性问题。例如,最简单的测试一个假设是否比另一个更一般的方法(即 (\theta)-包含)是 NP 完全的,类似的测试也用于判断一个条款是否覆盖特定示例。因此,归纳逻辑编程和关系学习系统的计算成本比其命题对应物高得多,这体现了计算机科学中表达性与效率之间的权衡。为了应对这些计算困难,归纳逻辑编程在理论上研究了某些逻辑程序子类的多项式可学习性,在实践中致力于开发高效的搜索假设空间和评估假设质量的方法,许多方法采用基于 Prolog 或数据库技术的优化推理引擎或约束满足方法。

总结

归纳逻辑编程为处理涉及结构化数据和背景知识的机器学习问题提供了强大的工具。通过使用一阶逻辑,它能够克服属性值学习系统的表示限制,利用逻辑的优势进行知识表示和推理。尽管面临计算复杂性的挑战,但通过不断的研究和发展,归纳逻辑编程在多个领域都取得了成功的应用,并呈现出与其他领域相结合的发展趋势。未来,随着技术的不断进步,归纳逻辑编程有望在更多领域发挥重要作用。

3. 技术细节分析

3.1 覆盖关系的计算

在归纳逻辑编程中,覆盖关系的计算是核心问题之一。以从蕴含中学习的设置为例,判断 (covers(B, h, e) = true) 即判断 (B \cup h \models e)。这通常涉及到逻辑推理和证明过程。

在实际操作中,可以使用基于 Prolog 的推理引擎来实现。具体步骤如下:
1. 将背景理论 (B)、假设 (h) 和示例 (e) 转换为 Prolog 程序。
2. 使用 Prolog 的查询机制,尝试证明 (e) 是否可以从 (B \cup h) 中推导出来。
3. 如果查询成功,则 (covers(B, h, e) = true);否则,(covers(B, h, e) = false)。

3.2 搜索空间的遍历

搜索空间的遍历是找到合适假设的关键步骤。不同的归纳逻辑编程系统采用不同的算子来遍历搜索空间。以 FOIL 系统为例,它使用 (\theta)-包含下的细化算子。

细化算子的操作流程如下:
1. 从最一般的规则开始,该规则通常是所有示例都是正例。
2. 通过添加原子到规则的条件部分或对规则应用替换来生成特化规则。
3. 根据启发式评估(如信息增益)选择最佳的特化规则。
4. 重复步骤 2 和 3,直到满足停止条件(如基于最小描述长度原则)。

3.3 背景知识的利用

背景知识在归纳逻辑编程中起着重要作用。它可以帮助系统更准确地学习到合适的假设。在实际应用中,背景知识可以以多种形式提供,如辅助关系或谓词的定义。

利用背景知识的步骤如下:
1. 将背景知识转换为逻辑表示,通常是一组确定子句。
2. 在计算覆盖关系和遍历搜索空间时,将背景知识纳入考虑。
3. 根据背景知识对假设进行约束和优化,提高假设的质量。

4. 案例分析:结构 - 活性关系预测

4.1 问题描述

在结构 - 活性关系预测中,给定一组分子及其活性,以及编码分子功能基团的背景知识,任务是学习规则来判断分子是否具有活性。

4.2 数据表示

分子可以用逻辑形式表示,例如:

molecule(m1).
atom(m1, a1, carbon).
atom(m1, a2, hydrogen).
bond(m1, a1, a2, single).

活性信息可以表示为:

active(m1).

背景知识可以表示为:

functional_group(m1, fg1, hydroxyl).

4.3 学习过程

使用归纳逻辑编程系统(如 Progol)进行学习的过程如下:
1. 将分子数据、活性信息和背景知识转换为逻辑表示。
2. 选择合适的学习设置(如从蕴含中学习)。
3. 系统开始搜索假设空间,尝试找到覆盖所有正例(活性分子)且不覆盖任何反例(非活性分子)的假设。
4. 在搜索过程中,根据背景知识和启发式评估对假设进行优化。
5. 最终得到一个或多个规则,用于判断分子的活性。

4.4 结果分析

通过学习得到的规则可以解释为结构警报,这些警报能够区分活性和非活性分子。例如,规则:

active(M) :- molecule(M), functional_group(M, FG, hydroxyl).

表示具有羟基功能基团的分子具有活性。这些规则不仅可以用于预测分子的活性,还可以帮助研究人员深入了解决定分子活性的因素。

5. 未来发展方向

5.1 与深度学习的结合

归纳逻辑编程和深度学习是机器学习的两个重要分支,它们各有优势。未来可以探索将两者结合的方法,以充分发挥它们的优势。例如,可以使用深度学习模型提取数据的特征,然后将这些特征作为背景知识输入到归纳逻辑编程系统中,提高学习的效率和准确性。

5.2 处理大规模数据

随着数据量的不断增加,归纳逻辑编程系统面临着处理大规模数据的挑战。未来需要开发更高效的算法和技术,以应对大规模数据的处理需求。例如,可以采用分布式计算和并行计算的方法,加速搜索空间的遍历和覆盖关系的计算。

5.3 跨领域应用

归纳逻辑编程已经在多个领域取得了成功的应用,但仍有许多领域有待探索。未来可以将归纳逻辑编程应用到更多的跨领域问题中,如医疗保健、金融、交通等,为这些领域提供更有效的解决方案。

6. 总结与展望

6.1 总结

归纳逻辑编程作为机器学习的一个重要子领域,通过使用一阶逻辑,为处理涉及结构化数据和背景知识的问题提供了强大的工具。它克服了属性值学习系统的表示限制,能够有效地利用背景知识进行知识表示和推理。尽管面临计算复杂性的挑战,但通过不断的研究和发展,归纳逻辑编程在多个领域都取得了显著的成果。

6.2 展望

未来,归纳逻辑编程有望在与其他领域的结合中取得更大的突破。与深度学习的结合将为机器学习带来新的发展机遇,处理大规模数据的能力将进一步提升其应用范围,跨领域应用将为更多行业带来创新解决方案。相信在不久的将来,归纳逻辑编程将在人工智能领域发挥更加重要的作用。

6.3 流程图:归纳逻辑编程学习流程

graph TD;
    A[数据准备] --> B[选择学习设置];
    B --> C[搜索假设空间];
    C --> D[计算覆盖关系];
    D --> E{是否满足条件};
    E -- 是 --> F[输出假设];
    E -- 否 --> C;

6.4 表格:不同类型归纳逻辑编程系统对比

系统类型 特点 适用场景
诱导逻辑程序 从各种学习设置下的示例中诱导逻辑程序,包含许多命题学习系统没有的特性 分类问题,学习单个谓词定义
诱导逻辑决策树 包含原子合取作为测试的二叉决策树,用于分类和回归 需要进行决策树分析的场景
频繁查询挖掘 挖掘频繁查询,将局部模式挖掘设置升级到归纳逻辑编程 数据挖掘,发现频繁模式
理论定义学习或修订 同时学习或修订由多个谓词定义组成的理论 复杂理论的学习和修订

相关推荐

少样本规则推理模型与未知任务自适应应用

Kaggle竞赛"ARC Prize 2026 - ARC-AGI-2"旨在推动AI系统实现真正的抽象推理能力,要求模型仅凭3-5个示例就能推断隐藏规则并解决全新问题。竞赛采用独特的符号网格数据(0-9矩阵),重点评估模型在未知任务上的泛化能力而非传统预测精度。700,000美元奖金池突显其AGI研究价值。解决方案需结合规则推理、特征工程和深度学习(如CNN、Transformer),挑战在于突破模式记忆实现类人推理。该技术有望应用于智能教育、自适应软件等需要快速理解新规则的领域,

Mr数据杨 585

【信息科学与工程学】【安全领域】安全基础-第五篇04 计算理论基础与网络攻击算法

这个扩展表格继续深化了计算理论与网络安全、密码学的交叉,涵盖了代数拓扑、微分几何、表示论、代数几何、动力系统、随机矩阵、范畴论、同伦类型论、域理论、信息几何、K理论、稳定性理论、高阶代数、非交换几何、算术几何等多个前沿数学领域。这个扩展的表格体系进一步深化了计算理论与网络安全的交叉研究,涵盖了从范畴论、同伦类型论、代数几何、微分几何、代数拓扑、动力系统、随机矩阵理论、计算代数、计算数论、计算几何、符号计算到量子信息的广泛领域。这个全面的理论框架为网络安全的深入研究和创新发展提供了丰富的理论基础和思想源泉。

weixin_49199313的博客 1273

26、归纳逻辑编程基础

本文介绍了归纳逻辑编程(ILP)的基础知识、定义以及其在多个领域中的应用。文章详细探讨了自顶向下与自底向上的归纳逻辑编程方法,如FOIL和Aleph算法,并讨论了默认规则及其在常识推理中的作用。此外,还分析了ILP在医学诊断和网络安全中的具体应用场景及流程。面对大规模数据集的挑战,文章提出了提高效率、结合统计方法等未来发展方向。最后,重点介绍了FOLD-R++算法及其在训练效率和可解释性方面的优势,以及懒惰去糖化系统的实现原理和特性。

cream的博客 103

37、归纳逻辑编程:从示例中学习逻辑程序

本文全面介绍了归纳逻辑编程(Inductive Logic Programming, ILP),这是一种结合归纳推理和逻辑编程的机器学习技术,能够从示例和背景知识中自动学习逻辑程序。文章详细阐述了ILP的基本原理、核心算法(如FOIL和Progol)、应用场景(包括医疗诊断、信用评估、生物信息学等)、与其他学习方法的比较、面临的挑战及未来发展方向。此外,文章还通过具体示例展示了ILP的实际操作步骤,并提供了流程图和应用表格,帮助读者更好地理解其工作机制和应用价值。

arduino9maker的博客 118

3、概率归纳逻辑编程:原理与算法解析

本文深入探讨了概率归纳逻辑编程的基本原理与核心算法,介绍了概率证明、概率蕴含学习等关键概念,并详细解析了参数估计与结构学习的实现方法。文章涵盖了从理论模型到实际应用的多个方面,包括致突变性预测和自然语言处理等典型案例,为读者全面理解概率归纳逻辑编程提供了系统性的指导。

brown的博客 159

bongard-problems:所有邦加德问题数据集

邦加问题 所有邦加德问题数据集

symbolic-rl:使用归纳逻辑编程的符号强化学习

使用归纳逻辑编程的符号强化学习 关于该项目 我们通过将基于 ASP 的归纳逻辑编程 (ILP) 应用于 RL,开发了 ILP(RL),这是一种新的强化学习 (RL) 方法。 该项目是为计算机科学进行的。 完整的报告可以在找到。 抽象的 强化学习 (RL) 已在许多领域得到应用并被证明是成功的。 然而,目前大多数强化学习方法都面临着学习效率低、无法使用抽象推理、无法迁移学习到类似环境等局限性。 为了解决这些缺点,我们引入了一种称为 ILP(RL) 的新学习方法。 ILP(RL) 基于和 ,使用 ILP 学习状态转换并使用 ASP 在环境中导航。 ILP(RL)学习状态转换的一般概念(在环境中称为假设),并生成针对到达目标的一系列操作的计划。 学习到的假设具有很强的表现力,并且可以转移到类似的环境中。 虽然过去有许多论文试图将符号表示纳入 RL 问题以实现高效学习,但还没有任何尝试将基于

论文《基于归纳逻辑程序设计的学习方法及其实现的研究》

论文《基于归纳逻辑程序设计的学习方法及其实现的研究》

本地部署gradle

在部署CAS构建执行包时,如果按照CAS的官方命令gradlew clean build,如果系统没安装过gradle,这个步骤将会从网上下载gradle,但是进度非常慢,耗时很长。为了更快地完成项目构建,我们可以直接在本地部署好gradle,节省一点时间。

益添的博客 781

PyTorch实战:从零构建CNN图像分类模型

卷积神经网络(CNN)作为计算机视觉的核心架构,通过局部连接和权值共享机制高效处理图像数据。其核心组件包括卷积层、池化层和全连接层,其中PyTorch的动态计算图特性为CNN实现提供了灵活的开发环境。在工程实践中,使用CIFAR-10这类标准数据集可以快速验证模型性能,而数据增强和批归一化等技术能有效提升模型泛化能力。通过PyTorch实现CNN不仅能够掌握图像分类的基本原理,还能为后续迁移学习和复杂视觉任务打下基础,特别是在结合Adam优化器和学习率调度策略后,模型收敛速度和准确率都能得到显著提升。

weixin_42405592的博客 318

大模型时代的具身智能系列专题(二)

自由形式语言指令 L 指定了一个操作问题,例如“打开最顶部的抽屉”。然而,根据 L 生成机器人轨迹是很困难的,因为 L 可能具有任意长度,或者是不明确的(例如,需要上下文语义)。相反,我们专注于问题的各个阶段(子任务)l_i,它们明确地指定了一个操作任务 (例如,“抓住抽屉把手”,“打开抽屉”),其中被分解的子阶段(子任务)L→l1l2lnL→l1​l2​...ln​由高级规划器(例如,一个LLM或一个基于搜索的规划器)给出。

achao的专栏 2175

【AI气象6】Skilful nowcasting of extreme precipitation with NowcastNet

极端降水是气象灾害的重要因素,因此迫切需要通过高分辨率、长时间预报和局部细节的精准短期预报来减轻其社会经济影响。当前的方法存在模糊、衰减、强度或位置误差,基于物理的数值方法在捕捉关键的混沌动态(如对流起始)时面临挑战,而数据驱动的学习方法则未能遵循内在的物理法则(如平流守恒)。我们提出了 NowcastNet,这是一种针对极端降水的非线性短期预报模型,将物理演变方案与条件学习方法统一到一个端到端的神经网络框架中,通过优化预测误差进行训练。基于来自美国和中国的雷达观测数据,我们的模型能够生成物理上合理的降水短

weixin_51473374的博客 2326

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

基于cnn version_transformer VIT模型的动物图像分类 完整代码+数据 动物分类教程

机器学习深度学习业余选手 1002

国科大学习资料--机器人智能控制_袁如意老师PPT后习题答案(学长精心整理)

人工神经元激活函数的作用是什么? 答:激活函数是用来加入非线性因素的,提高神经网络对模型的表达能力,解决线性模型所不能解决的问题。 人工神经网络的学习规则有哪些?各有何特征? 答:大类可以分为无监督学习算法、有监督学习算法和强化学习。其中无监督学习算法指只有输入信息,没有期望的输出信息,如Hebb学习规则,神经元连接强度的变化与两个相互连接的神经元的激活水平成正比。竞争学习法则:网络各输出单元相互竞争,最后达到只有一个最强者激活。有监督学习算法指同时提供输入信息和对应的期望输出信息,如误差学习(Delta学

无名何许人的博客 1488

【目标跟踪】多目标跟踪的评价工具motmetrics怎么使用?

多目标跟踪,通过motmetrics测试评价对应的视频。

聿默的博客 5369

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

上一篇: 多信道广播调度序列设计
下一篇: 76、归纳式建模与编程:原理、方法与应用
pluto
博客等级 码龄25年 46粉丝 1562原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值