主动数据库中的实时ECA规则推理算法

许多领域的应用要求发生的事件能够得到实时的反应,这就要求应用于其中的主动数据库中的ECA规则推理过程具有实时性,能够在截止期内完成推理给出反应.现有的ECA规则推理算法均没有考虑实时性要求.为了解决这个问题,提出了一种实时ECA规则推理算法RTIAE.作为一种"任意时刻"实时算法,RTIAE算法在ECA规则的有向图结构中通过启发式搜索进行推理,在截止期内尽量给出更多的推理结果.随后,通过实验探讨了不同的参数对RTIAE算法实时性能的影响,并与深度优先算法进行了对比.实验结果显示,RTIAE算法的截止期推理成功率优于深度优先算法.     

三值关联规则在不确定性知识表示及推理中的应用

针对传统关联规则和 Ｂｏｏｌｅａｎ规则矩阵无法进行不确定性知识表示和推理的弱点,该文采用三值逻辑表示规则和真值状态的不确定性,提出并使用三值关联规则（Ｔ规则）和三值规则矩阵（ＴＲ矩阵）,利用 ＴＲ矩阵变换实现高速前向推理和后向推理。对复合三值规则的无损分解进行了详细探讨,最后提出了一个能进行不确定推理的新算法。     

基于粗糙集的推理通道消除

基于粗糙集理论对推理通道问题进行了研究。通过采用属性约简和属性值约简方法对数据库中的数据进行处理。在属性值约简基础之上,采用一种改进算法找出了数据库中推理规则集。进一步,将推理规则集中属性频率高的属性安全级别提高至决策属性的安全级别,从而消除推理通道。最后通过一个实例表明提出的消除通道算法是有效的。     

规则可信度的学习算法

本文提出了一个规则可信度的学习算法,并设计了有关这个算法的适用于深度优先推理策略、宽度优先推理策略的仿真实验。实验结果表明这个学习算法可以有效地修正规则的可信度。目前,这个学习算法已用于一个工业专家系统。     

基于Spark的OWL语义规则并行化推理算法

随着语义网的快速发展,语义数据也高速增长,传统单机推理系统无法满足推理需求,而已有的并行推理算法在推理完备性和稳定性上存在明显不足。提出的基于Spark的并行推理算法(PROS)从以下3点进行了优化：(1)通过分析OWL Horst规则依赖关系,结合数据的分类结果将规则分四类。(2)四类规则分别设计了区域最优的规则执行顺序,进一步提高了并行推理的执行效率。(3)将Sameas规则考虑到迭代中,显著提高了算法的推理能力。实验结果表明,相比已有并行推理算法,PROS并行推理算法在保证推理完备性和稳定性上表现更加出色,推理效率亦有小幅提高;同时PROS相比单机推理算法大大缩短了推理时间,处理大规模数据展现出优良的并行扩展性。     

一个新的演绎数据库的推理算法

演绎数据库扩充了传统关系数据库的处理能力,增加了对规则的处理,使系统具有演绎推理的功能。演绎推理的有效实现是演绎数据库实现的一个关键。本文利用数组、状态、栈等技术,给出了一个利用规则实现演绎推理的算法。这种算法对规则进行有效的处理,很好地消除推理过程中的推理冗余,并对推理过程的停机问题做了处理。本算法已经在INGRES关系数据库上得以实现。     

基于规则推理网络的分类模型

为了缓解神经网络的“黑盒子”机制引起的算法可解释性低的问题,基于使用证据推理算法的置信规则库推理方法(以下简称RIMER)提出了一个规则推理网络模型.该模型通过RIMER中的置信规则和推理机制提高网络的可解释性.首先证明了基于证据推理的推理函数是可偏导的,保证了算法的可行性;然后,给出了规则推理网络的网络框架和学习算法,利用RIMER中的推理过程作为规则推理网络的前馈过程,以保证网络的可解释性;使用梯度下降法调整规则库中的参数以建立更合理的置信规则库,为了降低学习复杂度,提出了“伪梯度”的概念;最后,通过分类对比实验,分析了所提算法在精确度和可解释性上的优势.实验结果表明,当训练数据集规模较小时,规则推理网络的表现良好,当训练数据规模扩大时,规则推理网络也能达到令人满意的结果.     

多核环境下基于图模型的实时规则调度方法

安全攸关反应式系统的核心要求是：必须在指定时间期限内完成对外部事件的检测和目标事件的响应,否则会产生灾难性的后果.随着安全攸关反应式系统对智能化需求的日益增加,将规则推理应用于这类系统成为必然趋势.规则调度是保证规则推理硬实时约束的关键.为此,提出了一种基于图模型的实时规则调度方法（graph-based real-time rule scheduling,简称GBRRS）.该方法对基于事件图的实时规则推理过程进行建模,提出了基于图的端到端推理任务模型,并给出了端到端推理任务的调度算法,保证了规则调度的安全性.采用模拟实验对GBRRS方法进行了验证,实验结果表明,与DM-EDF方法（通过直接映射把规则上的推理操作转成推理任务后,用全局EDF算法对其进行调度的方法）相比,GBRRS方法在规则调度成功率上平均高出13%~15%,且在规则集的平均负载较高时,仍保持着80%以上的调度成功率.     

基于Spark的分布式并行推理算法

现有的RDF数据分布式并行推理算法大多需要启动多个MapReduce任务,有些算法对于含有多个实例三元组前件的OWL规则的推理效率低下,使其整体的推理效率不高.针对这些问题,文中提出结合TREAT的基于Spark的分布式并行推理算法（DPRS）.该算法首先结合RDF数据本体,构建模式三元组对应的alpha寄存器和规则标记模型;在OWL推理阶段,结合MapReduce实现TREAT算法中的alpha阶段;然后对推理结果进行去重处理,完成一次OWL全部规则推理.实验表明DPRS算法能够高效正确地实现大规模数据的并行推理.     

NURBS的符号矩阵表示及其应用

本文应用符号推理技术,给出了获得NURBS符号矩阵表示及其从符号矩阵自动转换成数值矩阵的算法.应用该算法使NURBS的计算简单且易于理解。     

关于“示例学习的最大复合问题及算法”一文的注记

针对"示例学习的最大复合问题及算法"一文(计算机学报,1997,20(2):139-144)中提出的FCV算法给出了一种优化改进。改进的主要思想是省略FCV算法中建立扩张矩阵,寻找公共路径这一步,直接从评价矩阵中记录选择子得到公式,从而生成规则。实验表明,优化后的算法在时间和空间性能上都有提高,其泛化能力明显高于FCV算法。     

求分块周期三对角矩阵逆矩阵的新算法

根据分块三对角矩阵逆矩阵的特殊结构,利用其LU和UL分解,并使用Sheman-Morrison-Woodbury公式,得到一个求分块周期三对角矩阵逆矩阵的新算法,并由该算法得到求周期三对角矩阵和对称周期三对角矩阵逆矩阵的新算法。新算法比传统算法的计算复杂度和计算时间要低。     

基于局部协方差矩阵的谱聚类算法

针对传统谱聚类算法没有解决簇划分过程中,簇间交叉区域样本点对聚类效果有影响这个问题,提出一种基于局部协方差矩阵的谱聚类算法,主要介绍了一种新的计算样本之间相似度亲和矩阵的方法,即通过计算样本点之间的欧氏距离划分出小子集,计算小子集的协方差,通过设定阈值剔除交叉点,由剩下的点构造相似矩阵,对相似矩阵进行特征值分解,用经典的[k]-means算法对由特征向量组成的矩阵聚类。通过在Control等真实数据集上的实验结果表明,该算法在聚类准确率、标准互信息等指标上比较对比算法获得更优秀的效果。     

在幺模矩阵加密方法下的安全外包算法

关于大规模矩阵相乘(MMC)、矩阵求逆(MIC)和矩阵行列式(MDC)的算法在安全外包计算中得到广泛研究与运用,其存在的问题也日益凸显,隐藏原始矩阵中零元素的数目问题就是其中之一。然而,目前学术界关于保护零元素数目的研究较少,现有的研究也仅能保护零元素的位置,没有针对保护零元素的数目同时又能达到高效性的加密方法,这在大规模云计算环境中是很不安全的。针对这个问题,从算法的角度出发,改进了原有的置换矩阵的加密方法,并设计了一种新的安全外包MMC、MIC和MDC的算法。该算法将代数结构扩展到有限域中,首先对初始矩阵进行随机置换,然后进行幺模矩阵变换,并将加密后的矩阵发送给云服务端;云经过计算之后把结果返回给客户端,随后客户端进行解密和验证。通过理论证明,设计的三个协议不仅保护了原始矩阵零元素的数目,而且实现了正确性、隐私性和可验证性的目标。最后,通过实验证明了基于幺模矩阵的加密方法是高效的。     

面向涉密检查系统的基于KMP思想的多模式匹配算法

模式匹配算法是涉密检查系统搜索引擎中的主要算法。在分析比较常用模式匹配算法基础上,提出了一种基于KMP算法跳跃思想的多模式匹配算法。该算法可兼容多模式匹配情况和单模式匹配情况,引入多维数组存储模式集并对模式集进行简单排序处理以简化后续操作,引入棋盘表记录各模式串的最大跳跃距离及模式串间跳跃距离。实验结果表明,该算法易于实现,并能有效提高匹配速度,对海量数据检索,有较好的时间和空间性能。     

基于稀疏矩阵的低复杂度安全网络编码算法

针对安全网络编码复杂度较大的问题,提出一种基于稀疏矩阵的安全网络编码算法。利用稀疏矩阵占用较少的存储空间和运算速度快的优点,在信源处将信源信息与稀疏矩阵进行矩阵变换操作,使得随机网络编码能以较高的概率达到信息论安全的要求。仿真结果表明,该算法能提高编解码速率,降低复杂度,减少存储空间。     

矩阵校验

改进交叉校验，增设校验位的校验，形成偶校验矩阵，校验能力大大增强，具有一定的纠错能力，算法简单，效率较高。     

基于二进制矩阵的RS编码优化算法

现有RAID系统的编码算法不能同时具备较高的执行效率和较强的容错能力。为此,提出一种基于二进制矩阵的RS编码优化算法。使用RS编码中有限域内乘法运算得到转换后的二进制矩阵,采用多分法对其进行优化,从而减少编码时的异或运算次数,以此设计优化算法。实验结果表明,该算法的执行效率较高,容错能力较大。     

一种改进型离散Hopfield学习算法

针对离散Hopfield 神经网络(DHNN) 的权值设计问题, 提出一种改进型学习算法, 并在DHNN动力学分析的基础上设计该学习算法. 利用矩阵分解的方法(MD) 得到正交矩阵, 并采用得到的正交矩阵直接计算DHNN的权值矩阵. 通过该学习算法得到的权值矩阵, 可以很好地存储训练样本的信息, 使测试样本收敛到稳定点. 该学习算法不需要进行分块计算, 减少了计算步骤和计算量, 降低了网络的迭代次数, 从而提高了网络运行速度. 最后, 将该学习算法应用于水质评价, 验证了其有效性和可行性.     

结合压缩感知理论的快速分形编码

针对分形编码因为高压缩比所造成的编码失真以及编码时间过长的问题,提出了结合压缩感知理论的快速分形编码算法.该算法基于小波变换系数的特性,对变换后的低频子图分形编码,再根据压缩感知理论高效采样编码的特点以及低频差值子图及其它子图的稀疏性,通过压缩感知理论对低频差值子图及其它子图采样再编码,弥补分形解码后图像的失真和细节信息的缺失.实验结果表明,该算法不仅缩短了编码时间,而且在压缩比相当的情况下,能够获得高质量的重构图像.