一种深度强化学习空间关系与记忆融合方法研究

深度强化学习结合了深度学习在视觉上强大的感知能力来解决复杂环境的序列决策问题，但是由于采样效率低，对于复杂高维数据输入，学习其重要特征较为困难.为了从序列样本中更有效地提取信息，本文提出在深度强化学习中融合空间关系推理和记忆推理(Spatial Relationship Reasoning and Memory Reasoning,SRRMR)的模型结构.模型分为空间关系推理和记忆推理两部分，空间关系推理使用注意力机制作为空间关系学习方法隐式地推理任意两个实体间的关系，注意力机制中的查询向量融合了记忆推理的内容;记忆推理将输入图像的特征和关系作为记忆的输入，利用自注意力与记忆组成部分进行推理和交互，并将交互的结果存储在记忆单元中，使得记忆存储单元融合了空间信息与记忆信息.SRRMR模型在不同种类的Atari游戏中进行了训练和验证，结果表明，空间关系推理与记忆推理的融合在7/15个游戏环境中以更少的交互次数收敛到更好的结果，记忆推理网络在12/15个游戏中获得提升，提升智能体学习效率，更高效地利用序列中的样本，提高了强化学习的样本利用率.     

直觉F推理与普通F推理的比较研究

直觉F推理克服了普通F推理在不确定性信息的描述、推理结果可信性等方面存在的局限性。在介绍普通F推理直觉化扩展的基础上，首先分析了两类推理算法的相互转化问题，指出普通F推理是直觉F推理的一种特例，当直觉指数为0时二者可相互转化。其次，比较了两类算法的还原性，分析表明Zadeh型、Mamdani型、Larsen型直觉F推理算法与其对应的普通F推理算法具有相同的还原性。最后，通过实例研究了直觉F推理算法在推理结果精度、可信性上的优势，从而较普通F推理更适用于智能控制与决策。     

减摇鳍故障诊断专家系统

本文介绍了基于知识的减摇鳍故障诊断专家系统（Fault Diagnosis Expert Systen of the Fin Stablizer,略为FDESFS）。FDESFS采用框架和启发式知识表示法相结合的方法构成知识库体系，在推理中采用综合故障指法缩小补始解空间，而各级子系统中正向推理与反向推理相结合，融入询问式推理，使推理机制更接近专家思维，并为知识库维护提供多种手段。     

基于云模型的案例推理研究

本文首先介绍了基础的对象型知识推理形式,把对象型知识推理又细分为面向框架和面向案例两种。在此基础上对这几种推理引进云模型理论,从而使得推理过程更接近于人的思维,虽然与原来相比在一定程度上增加了推理的繁琐度,但得到的推理结果更符合实际要求。     

扩展时段时序逻辑的推理机制

该文在扩展时段时序逻辑的基础上提出了一种推理机制，这种推理机制基于时间Petri网模型及基本不等式规则，可由一组已知的扩展时段时序关系推出一些未知的扩展时段时序关系，对不确定时间段内发生的事件及其相互关系具有较好的描述能力，这种推理机制的优势在于定性地对扩展时段之间的时序关系进行推理分析，利用时间Petri网模型，可以对复杂时序逻辑关系进行化简，比单纯利用不等式规则的推理更直观，也更简单，是一种行之有效的方法。     

基于变分自编码器的多隐变量双向推理模型

开放域对话系统的关键任务之一是生成丰富多样且连贯的对话回复，但是仅从上文信息进行单向推理无法达到这一目标。针对该问题，提出了基于多隐变量的双向推理模型MLVBI(Multiple Latent Variables Bidirectional Inference)。首先，在语言模型中结合变分自动编码器并将单向推理扩充到双向推理，将语料分割为上文、查询与回复后，使用正向推理从查询中推理出回复用于学习正常语序信息，同时使用反向推理从回复中推理出查询用于学习额外主题信息，最后融合成双向推理，使得模型生成更连贯的回复。其次，针对双向推理过程中单个隐变量解释能力不足的问题，引入多个隐变量进一步提高生成对话的多样性。实验结果表明，MLVBI在两个开放域数据集DailyDialog和PersonalChat上的准确性和多样性都达到了当前最佳的效果，并且消融实验也证明了双向推理和多隐变量的有效性。     

扩展时段时序逻辑的模型、一致性和推理

给出了扩展时段时序逻辑的时间Petri网（TPN）模型构造方法，在构造模型的同时对时序关系进行一致性检验，在模型的基础上提出了一种时序关系推理算法，这种推理算法基于TPN模型的性质及基本不等式规则，可由一组已知的扩展时段时序关系推出一些未知的扩展时段时序关系，这种推广理算法的优势在于利用了TNP模型的分析技术，减小了推理的时间复杂度比单纯利用不等式规则的推理更直观，也更简单，是一种有效的方法，最后，对扩展时段时序逻辑的TPN模型进行了扩充，增强了其模型和分析的能力。     

可由用户持续发展的几何自动推理平台的推理算法

目前的几何定理证明器都不具有可持续性。提出一种结构具有一般性的知识表示和能够统一处理所有规则的推理算法，初步实现了可由用户持续发展的几何自动推理平台。该推理平台允许用户添加几何知识，如几何对象、谓词和规则，并可以综合使用多种推理算法，如前推搜索法和一部分面积法，它将更适合用于几何教学。     

基于本体的语境信息模型与推理

语境信息是用来刻画一个实体情形的信息，该文提出了基于本体的语境信息建模以及查询方法，利用本体极强的语义描述能力和有效的推理机制，更好地实现了语境信息的管理。介绍了关键技术、相关支持工具以及开发的原型系统。该模型采用2种推理机制：基于描述逻辑的推理与规则推理，能够更快速有效地管理语境信息。 普     

本体推理在几何定理机器证明中的应用

本文阐述了平面几何定理机器证明的基本原理及方法，针对几何定理机器证明过程中可读证明的产生，及推理信息快速增长的问题，提出了一种基于本体推理的几何定理机器证明方法。通过具体案例，描述了以Protégér软件为工具， 基于WordNet重用的领域本体半自动构建方法，构建几何本体模型的过程, 并结合Prolog规则进行双向推理，结果表明将本体引入几何定理机器证明是可行的，且本体推理脱离了代数形式，使得推理过程更接近自然语言的描述，同时推理效率更高     

基于联合得分的连续语音识别确认方法

提出了一种基于联合概率似然得分和概率似然比得分进行语音识别确认的方法，计算搜索路径得分过程中同时考虑概率似然比得分，在给出系统最终识别结果的同时给出置信度水平。实验结果表明，该方法在大大降低识别系统误警率的同时，基本保持识别正确率不变。     

一种基于几何推理的参数化设计方法

本文提出一种基于几何推理的参数化设计方法，该方法引入了已知元素，已知约束等新概念；通过扩展一般的图形数据结构统一表示几何元素与几何约束；基于普通算法而不是专家系统实现几何推理，并采用一个更适合地几何推理策略；基于几何推理实现参数化设计。     

基于合一替换推理的密码协议分析

提出了一种简单的，更适合于自动化操作的密码协议分析方法，通过进一步分析攻击者的计算能力，形成一个有效的自动推理系统。攻击者为应答挑战主体的消息。把该消息应答转化为利用推理系统进行合一替换。并分别给出了Needham-Schroede协议的推理说明。     

一种Fuzzy推理合成的新算法

本文针对Ｆｕｚｚｙ控制问题中通常采用的Ｍａｍｄａｎｉ推理合成规则提出一种改进算法．与原算法相比，本文给出的算法具有推理结论更确定，满足一致性条件等优点。理论分析和数值结果表明，该算法是一种更为实用的Ｆｕｚｚｙ推理合成算法．     

蛋鸡饲料配方专家系统：ICMIX

介绍基于范例推理实现的蛋鸡饲料配方专家系统ＩＣＭＩＸ。讨论了ＩＣＭＩＸ的范例、范例组织和检索、范围修改和修补问题。基于范例推理比传统的基于规则推理更适用于蛋鸡饲料配方这一要求，我种制约因素、需要丰富实践经验的问题域。     

单元化单隐变量变结构DDBN推理算法

变结构动态贝叶斯网络（DBN）描述的是一个非稳态随机过程,是一种更灵活、更有效的动态网络。为了克服现有变结构DBN的推理算法不能实现在线推理的缺陷,提出了一种近似在线推理算法--单元化单隐变量变结构离散DBN（DDBN）推理算法。在定义了单隐变量变结构离散动态贝叶斯模型和单元的基础上,提出了算法的基本思想,并从理论上对算法进行了推导。仿真实验验证了该算法的正确性和有效性。     

基于层次空间推理模型的交通网络最优路径算法

在交通地理信息系统(GIS-T)和智能交通系统(ITS)中，单源最短路径问题是一个研究热点。该文总结了已有的层次空间推理过程，针对交通网络，运用了限制搜索区域策略和比较策略，提出了新的层次空间推理过程，寻找更为可靠的入口，以便搜索到更可靠的最优路径，保证层内最优路径搜索的高效率，进一步提高了最优路径算法的可靠性，并对算法的效率进行了必要的分析。     

决策蕴涵上的推理规则和推理过程研究

形式概念分析是用于概念分析和可视化的偏序集理论。决策蕴涵是形式概念分析在决策情形下的知识表示。已有研究从逻辑角度分析了决策蕴涵,并给出了完整的语义描述和语构描述,其中在语构方面已经有一个完备的推理规则集,即扩增推理规则和合并推理规则。在此基础上,提出了新的推理规则——后件合并推理规则,证明了其合理性,以及与扩增推理规则组成的推理规则集的完备性和无冗余性;通过研究扩增推理规则和后件合并推理规则的性质,给出了使用这两条推理规则从完备集推导其对应封闭集的有效方法等理论结果,为进一步的算法研究与应用以及更深入的理论研究工作奠定基础。     

产生式知识的有序二叉决策图表示及其推理

为了更完整地表示产生式规则构成的知识库及更有效地进行知识推理,给出了基于有序二叉决策图OBDD(Ordered Binary Decision Diagram)的产生式知识表示模型.在此基础上实现了基于OBDD的知识推理规则及相关算法,并结合实例对OBDD模型及其推理规则的可行性进行了分析.     

深度学习与知识推理相结合的研究综述

知识推理作为知识图谱的重要一环,一直处于重点研究热门对象之中。随着深度学习的不断发展,多种深度学习模型与知识推理的结合引起了很大的重视,得到了大量国内外学者的热捧。为了提高从已有知识中推理出新知识的正确率,二者的结合被广泛研究。基于深度学习的知识推理可以挖掘得更深、更仔细、更精确,有效提高了丰富知识库中的实体、关系、属性和文本信息等的利用率,使推理效果更佳。通过简单介绍知识图谱以及知识补全概念,重点叙述知识推理的概念及基本原理,从知识表示学习、知识获取和知识计算应用三个方向展开,综述了基于深度学习的知识推理CTransR、PTransE、TKRL、HAAT、AMNRE、CLSP、HDSA和SDLM模型的最新研究进展;总结了基于深度学习的知识推理在理论、算法和应用方面尚未克服的问题、研究方向和未来发展前景。