An architectural framework for hybrid intelligent systems: Implementation issues
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents an implemented framework for intelligent system integration based on the concept of intercommunicating hybrids. The implemented toolset based on the framework is called the Intelligent Forecasters Construction Set (IFCS), which is a hybrid-programming environment that allows the developer to implement forecasters by means of neural network modules, object-oriented visual programming, knowledge-based programming and procedural programming. Neural network modules, rules, procedures and other intelligent techniques are encapsulated into blocks which can connect with each other as data flow diagrams for data processing. The flow diagrams can be organized into a hierarchy of workspaces to solve problems. The system was implemented on the real-time expert system shell G211G2, GDA and NeurOn-Line (NOL) are trademarks of Gensym Corp., USA., with G2 Diagnostic Assistant (GDA1) and NeurOn-Line1 (NOL) modules. The modularity of IFCS allows subsequent addition of other modules of intelligent techniques. The IFCS was used for developing forecasters of daily electricity demand and water demand at the City of Regina based on the idea of homogeneous multi-module system. In both cases, the data sets were separated into subclasses and each of them was modeled with a neural network module. The two problem domains were also modeled using a linear regression (LR) and a case based reasoning (CBR) program. The benefits of a multi-module neural network approach are discussed and some experimental results from the applications are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle