TAILIEUCHUNG - Computational Intelligence In Manufacturing Handbook P19

Inductive learning or classification of objects from large-scale empirical data sets is an important research area in artificial intelligence (AI). In recent years, many techniques have been developed to perform inductive learning. Among them, the decision tree learning technique is the most popular. | Khoo Li-Pheng et al RClass A Prototype Rough-Set and Genetic Algorithms Enhanced Multi-Concept Classification System for Manufacturing Diagnosis Computational Intelligence in Manufacturing Handbook Edited by Jun Wang et al Boca Raton CRC Press LLC 2001 19 RClass A Prototype Rough-Set and Genetic Algorithms Enhanced Multi-Concept Classification System for Manufacturing Diagnosis Introduction Li-Pheng Khoo 19 3 Nanyang Technological University . Lian-Yin Zhai Nanyang Technological University Basic Notions A Prototype Multi-Concept Classification System Validation of RClass Application of RClass to Manufacturing Diagnosis Conclusions Introduction Inductive learning or classification of objects from large-scale empirical data sets is an important research area in artificial intelligence AI . In recent years many techniques have been developed to perform inductive learning. Among them the decision tree learning technique is the most popular. Using such a technique Quinlan 1992 has successfully developed the Inductive Dichotomizer 3 ID3 and its later versions and See in 1986 1992 and 1997 respectively. Essentially decision support is based on human knowledge about a specific part of a real or abstract world. If the knowledge is gained by experience decision rules can possibly be induced from the empirical training data obtained. In reality due to various reasons empirical data often has the property of granularity and may be incomplete imprecise or even conflicting. For example in diagnosing a manufacturing system the opinions of two engineers can be different or even contradictory. Some earlier inductive learning systems such as the once prevailing decision tree learning system the ID3 are unable to deal with imprecise and inconsistent information present in empirical training data Khoo et al. 1999 . Thus the ability to handle imprecise and inconsistent information has become one of the most important requirements for a .

• Tự động hoá
• Tự động hóa
• Năng lượng
• Cơ khí chế tạo máy
• Điện – điện tử
• Kiến trúc xây dựng
• Bài giảng Tự động hóa
• Tự động hóa quá trình sản xuất
• Tự động hóa quá trình lắp ráp
• Định vị chi tiết
• Lắp ráp tự động
• Xác định chế độ lắp ráp tự động
• Ứng dụng Robot trong lắp ráp tự động
• tự động hóa trong xây dựng
• giáo trình tự động hóa trong xây dựng
• bài giảng tự động hóa trong xây dựng
• tài liệu tự động hóa trong xây dựng
• lý thuyết tự động hóa trong xây dựng
• hệ thống tự động hóa trong xây dựng
• Giáo trình Tự động hóa
• Tự động hóa trong hệ thống điện
• Tài liệu tự động hóa
• Tìm hiểu tự động hóa hệ thống điện
• Khái niệm tự động hóa
• Lịch sử tự động hóa
• Sửa chữa thiết bị tự động hóa
• Thiết bị tự động hóa
• Giáo trình Lắp đặt thiết bị đo lường tự động hóa
• Lắp đặt thiết bị đo lường tự động hóa
• Thiết bị đo lường tự động hóa
• Dầu bôi trơn
• đề cương tự động hóa
• phương pháp tự động hóa
• Hệ thống tự động hóa
• Tự động hóa trong quá trình sản xuất
• Hệ thống điều khiển tự động
• Tự động hóa quá trình cắt phôi
• Tự động hóa quá trình kiểm tra
• Tự động điều khiển máy móc
• Tự động hóa quá trình công nghệ
• Lý thuyết điều khiển tự động
• Hệ thống rửa xe tự động
• Đồ án tự động hóa
• Hệ thống tự động
• Kiểm tra tự động
• Thiết bị phân loại tự động
• Hệ thống sản xuất tự động hóa
• lập trình tự động hóa
• tài liệu lập trình tự động hóa
• hướng dẫn lập trình tự động hóa
• phương pháp lập trình tự động hóa
• kinh nghiệm lập trình tự động hóa