优先归纳逻辑程序的极限行为

虽然对归纳逻辑程序的极限行为至今并没有深入的研究，但是通常在分析正在执行的增量式或在线归纳学习算法时，必须考虑这种程序的极限行为．某些归纳学习算法如果不考虑极限行为可能运行到最后会发生错误．如果给定一个递增的例子集合序列，一个归纳逻辑程序会产生一个相应的具有集合论极限的Horn逻辑程序序列，则此归纳逻辑程序是收敛的，并且如果该Horn逻辑程序序列关于例子集合序列的极限是极限正确的，则此归纳逻辑程序是极限正确的，还说明GOLEM系统不是极限正确的．为了解决这个问题，提出了一个极限正确的称为优先GOLEM系统的归纳逻辑系统，并证明了在一定的限制下，优先GOLEM系统的算法是极限正确的．     

逻辑程序的实现策略(一)

Horn子句和上下文无关方法的相似性、对应性,使上下文无关文法的最有效算法——Earley算法的思想,应用于逻辑程序的实现。然而逻辑程序毕竟是一种面向问题的逻辑语言,是问题自动求解描述语言,因此它的实现算法兼有语言和问题求解系统两方面,这样的有智能特征的语言只用机械方法不可能对每个问题都达到最佳,只有用智能才能使之高效和完备。 本文给出了逻辑程序的一个实现算法。它是面向问题的。它是智能和并行结合,自顶向下分析和自底向上分析结合,宽度搜索和深度优先结合,数据驱动和需要驱动结合的算法。作者在智能实现逻辑程序方面提出了面向问题的四个策略,指出了要把智能引入逻辑程序的方向。     

一种自顶向下和自底向上相结合的ILP算法

归纳逻辑程序设计(ILP)是机器学习的一个重要分支,给定一个样例集和相关背景知识,ILP研究如何构建与其相一致的逻辑程序,这些逻辑程序由有限一阶子句组成。文章描述了一种综合当前一些ILP方法多方面优势的算法ICCR,ICCR溶合了以FOIL为代表的自顶向下搜索策略和以GOLEM为代表的自底向上搜索策略,并能根据需要发明新谓词、学习递归逻辑程序,对比实验表明,对相同的样例及背景知识,ICCR比FOIL和GOLEM能学到精度更高的目标逻辑程序。     

基于优先解释的不完全信息推理及其应用

不完全信息下的近似推理是知识工程面临的困难问题之一.文章提出了一种具有非单调性质的优先逻辑程序理论.该理论能够对知识的解释进行综合评判,进而优选解释,使其成为现有知识的最佳理论逼近,达到在择优意义下的理论完全化,避免了对知识的完全性及一致性要求.为获取应用领域的优先逻辑程序,基于归纳逻辑程序设计技术设计了一种多方法归纳学习算法,该算法具有较强的归纳能力.此理论与算法已应用在863农业专家系统中,并获得满意结果.     

选择策略对遗传归纳逻辑程序设计收敛性能的影响

采用遗传算法（GA）作为归纳逻辑程序设计（ILP）的搜索策略，可以提高ILP方法的鲁棒性和适应性，文章简要叙述了对作者提出的遗传归纳逻辑程序设计（GILP）算法作的改进，测试了选择策略对GILP算法收敛性能的影响，采用不同的选择策略不会影响算法的最终收敛结果，但会产生不同的选择压力，导致算法具有不同的收敛速率。     

淋巴细胞的时间语义逻辑模型及其演化策略

数字序列抗原内部存在许多语义特征，针对抗原进行语义识别可以提高系统检测的准确性。基于抗原的相对时序关系，该文采用了一阶逻辑作为抗原和淋巴细胞的基本描述语言，以扩展逻辑程序构造淋巴细胞的时间语义逻辑模型，给出了淋巴细胞的逻辑表示形式。基于逻辑程序的稳定模型语义学，用稳定模型语义计算作为新的淋巴细胞的匹配算法。借鉴遗传归纳逻辑程序GILP的基本思想，给出了新的淋巴细胞的演化算法。     

递归逻辑程序的强构造分层学习算法及其实现

本文提出了一种逻辑程序的强构造分层学习算法用该算法解决了一类递归逻辑程序的强构造二层学问题，为强的构造学习研究提供了一个新的思路，并就有关问题进行了详细的讨论。     

演绎数据库及其研究现状

本文对演绎数据库的含义、作用、结构及其数学模型——证明论作了介绍.还简介了两种实现途径:一是用逻辑程序设计语言实现,另一是用DBMS+RULE方法实现.最后,对知识库、智能数据库及演绎数据库三者关系作了分析与区别,以端正目前对这些概念在理解上的混淆.     

智能回溯的两大途径

本文详细介绍了获得智能回溯的两个基本方法:最小不一致演绎树和最大可合一约束集。逻辑程序求解失败时,这两种方法均可分析引起失败的原因,前者在与失败有关的子句空间内进行回溯,后者找出所有可能的回溯点,以便选择最佳回溯点进行回溯。     

基于归纳逻辑程序设计的学习方法及其实现的研究

归纳逻辑程序设计是机器学习领域中的一个新方法，它研究的是从实例和背景知识进行逻辑程序（新知识）的构造．本文介绍了归纳逻辑程序设计的基本理论和方法，并介绍了这种学习方法在专家系统中的应用情况．     

心电图的智能识别技术

模糊逻辑、神经网络是人工智能的重要分支,它们从不同角度、在一定程度上模拟了人类智能。本文先后将模糊逻辑、神经网络以及模糊神经网络技术用于心电图识别,获得了良好的效果。在模糊识别方面,从模糊识别矩阵的建立到模糊输入向量的确定,是针对此类具体问题的多传感器模糊信息融合算法,既综合考虑了各输入变量的作用,又突出了识别的主要依据。本文还给出了神经网络识别的三种试验结果及其与模糊神经网络识别的对比。模糊神经网络既充分发挥了神经网络的学习功能,又充分发挥了模糊逻辑的推理功能,因此具有很高的识别精度。     

多机器人动态编队的强化学习算法研究

在人工智能领域中，强化学习理论由于其自学习性和自适应性的优点而得到了广泛关注．随着分布式人工智能中多智能体理论的不断发展，分布式强化学习算法逐渐成为研究的重点．首先介绍了强化学习的研究状况，然后以多机器人动态编队为研究模型，阐述应用分布式强化学习实现多机器人行为控制的方法．应用SOM神经网络对状态空间进行自主划分，以加快学习速度；应用BP神经网络实现强化学习，以增强系统的泛化能力；并且采用内、外两个强化信号兼顾机器人的个体利益及整体利益．为了明确控制任务，系统使用黑板通信方式进行分层控制．最后由仿真实验证明该方法的有效性．     

基于实例的客运站股道运用实时决策推理方法*

客运站股道运用实时决策问题是一个半结构化问题,实时决策推理研究为解决特殊情况下铁路客运站实时决策问题提供理论基础,具有十分重要的现实意义。采用物元理论,构建基于实例的实时决策推理物元模型,将实时决策物元分为列车物元、方案物元和推理物元,结合车站调度员解决特殊情况下股道运用实时决策的思维过程,采用优度评价法和基于双空间模型的归纳学习法,设计基于实例的实时决策推理算法和自学规则算法,提出铁路客运站股道运用实时决策推理方法,用于制订特殊情况下的实时决策方案。实例分析结果表明,所提出的模型与算法能有效解决特殊情况下客运站股道运用实时决策问题,提高了股道运用实时决策的智能化水平。     

循环算法程序的推导及其应用

算法要求将现实可行的处理事情的方法抽象化,最终用程序设计语言来描述.而不少初学者学习程序设计往往是摸不着头脑.掌握恰当的算法推导方法将有助于学习程序设计.旨在教导学生掌握循环算法推导的一般方法.     

基于修剪策略的D-FNN直接逆控制算法研究

神经网络是模拟人脑结构,它具有大规模并行及分布式信息处理能力,但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解,但它很难实现自适应学习的功能.如果结合神经网络与模糊系统,可以取长补短.基于此,本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network,D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点,所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能,也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外,本文还开发了生物医学工程应用算法程序,针对药物注射系统的直接逆控制案例进行了仿真,结果表明:D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.     

The Connectionist Inductive Learning and Logic Programming System

This paper presents the Connectionist Inductive Learning and Logic Programming System (C-IL²P). C-IL²P is a new massively parallel computational model based on a feedforward Artificial Neural Network that integrates inductive learning from examples and background knowledge, with deductive learning from Logic Programming. Starting with the background knowledge represented by a propositional logic program, a translation algorithm is applied generating a neural network that can be trained with examples. The results obtained with this refined network can be explained by extracting a revised logic program from it. Moreover, the neural network computes the stable model of the logic program inserted in it as background knowledge, or learned with the examples, thus functioning as a parallel system for Logic Programming. We have successfully applied C-IL²P to two real-world problems of computational biology, specifically DNA sequence analyses. Comparisons with the results obtained by some of the main neural, symbolic, and hybrid inductive learning systems, using the same domain knowledge, show the effectiveness of C-IL²P.     

ICAI模型系统在高教自考辅助教学中的应用与研究

ICAI是一个具有大量专门知识的、能进行逻辑推理和模拟真正专家解决复杂专业问题的程序系统,它是将人工智能理论和技术应用于CAI而形成的一种教学专家系统。主要讨论了基于Client?Server的智能计算机辅助教学(ICAI)的实现技术,并依此建立了一个用于高等教育自学考试辅助教学的ICAI系统。     

基于目标演绎距离的一阶逻辑子句集预处理方法

一阶逻辑定理证明是人工智能的核心基础,研究一阶逻辑自动定理证明器的相关理论和高效的算法实现具有重要的学术意义。当前一阶逻辑自动定理证明器首先通过子句集预处理约简子句集规模,然后通过演绎方法对定理进行判定。现有的应用于证明器中的子句集预处理方法普遍只从与目标子句项符号相关性角度出发,不能很好地从文字的互补对关系中体现子句间的演绎。为了在子句集预处理时从演绎的角度刻画子句间的关系,定义了目标演绎距离的概念并给出了计算方法,提出了一种基于目标演绎距离的一阶逻辑子句集预处理方法。首先对原始子句集进行包含冗余子句约简并应用纯文字删除规则,然后根据目标子句计算剩余子句集中的文字目标演绎距离、子句目标演绎距离,并最终通过设定子句演绎距离阈值来实现对子句集的进一步预处理。将该预处理方法应用于顶尖证明器Vampire,以2017年国际一阶逻辑自动定理证明器标准一阶逻辑问题组竞赛例为测试对象,在标准的300 s内,加入提出的子句集预处理方法的Vampire4.1相比原始的Vampire4.1多证明4个定理,能证明10个Vampire4.1未证明的定理,占其未证明定理总数的13.5%;在证明的定理中,提出的子句集预处理方法能对77.2%的子句集进行约简,最大子句集约简规模达到51.7%。实验结果表明,提出的一阶逻辑子句集预处理方法是一种有效的方法,能有效地约简一阶逻辑子句集的规模,提高一阶逻辑自动定理证明器的证明能力。     

Implementation of the RBF neural chip with the back-propagation algorithm for on-line learning

This article presents the hardware implementation of the floating-point processor (FPP) to develop the radial basis function (RBF) neural network for the general purpose of pattern recognition and nonlinear control. The floating-point processor is designed on a field programmable gate array (FPGA) chip to execute nonlinear functions required in the parallel calculation of the back-propagation algorithm. Internal weights of the RBF network are updated by the online learning back-propagation algorithm. The on-line learning process of the RBF chip is compared numerically with the results of the RBF neural network learning process written in the MATLAB program. The performance of the designed RBF neural chip is tested for the real-time pattern classification of the XOR logic. Performances are evaluated by comparing results from the MATLAB through extensive experimental studies.     

基于深度学习的智能交通系统通信网络脆弱性检测

智能交通系统是集群智能技术的典型应用之一. 为解决现有智能交通通信网络脆弱性检测方法复杂度高、实时性差的问题, 提出引入深度学习技术对网络脆弱性检测方法进行设计. 先利用多智能体网络协同和消息传输机制与智能交通系统车辆间协作通信网络的共通性, 将智能交通系统通信图脆弱性检测问题建模为对多智能体网络r-鲁棒值的求解问题. 再针对随网络节点数目增多r-鲁棒值求解成NP难问题, 设计给出一种融入残差网络的深度学习算法, 将鲁棒值求解问题转化为深度学习图分类问题. 所提算法可有效应对动态多变的智能交通通信网络并对其实现快速精准的脆弱性检测. 最后通过一组典型交通场景的仿真实验验证本文所提方法的有效性.