摘要：示例学习中传统的扩张矩阵理论和启发式算法是建立在正反例子集一致、没有噪音的基础上的。然而实际应用领域中的噪音数据，导致许多归纳能力很差的规则产生。本文提出从统计学的角度，对扩张矩阵理论的定义加以扩充，利用信息熵和拉普拉斯错误估计函数构造了扩张矩阵启发式算法ＥＣＡ。将该算法应用于几个实际领域的学习问题并与示例学习系统ＡＥ５及ＡＱ１５等进行了比较。实际结果表明，ＥＣＡ生成的规则简单，归纳能力强，较为有

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）