PROLOG的指称语义和操作语义

PROLOG程序的语义通常是根据一阶逻辑的模型论给出的。但是,这并不足以刻划PROLOG程序的计算特性。PROLOG的实现主要采用了以程序中子句和字面的正文出现次序为基础的顺序计算策略,并用到诸如“Cut”之类的非逻辑成份。在本文中提出了一种指称语义,它能刻划PROLOG的计算特性。我们给出了不含“Cut”的PROLOG的语义,然后,将其推广到含“Cut”的pROLOG。在两这情况下,我们分别证明了该语义与标准操作式解释程序的等价性。作为这一指称语义的应用,还证明了有关PROLOG程序变换的一些标准的“常用”定理的正确性。     

基于高阶逻辑的复杂结构归纳学习研究

归纳学习的目的在于发现样例与离散的类之间的映射关系,样例及归纳的映射都需用某个形式化语言描述.归纳学习器采用的形式化语言经历了属性-值语言、一阶逻辑、类型化的高阶逻辑三个阶段,后者能克服前二者在知识表达及学习过程中的很多缺点.本文首先阐述了基于高阶逻辑的复杂结构归纳学习产生的历史背景;其次介绍了基于高阶逻辑的编程语言--Escher的知识描述形式及目前已提出的三种学习方法;复杂结构的归纳学习在机器学习领域的应用及如何解决一些现实问题的讨论随后给出; 最后分析了复杂结构归纳学习的研究所面临的挑战性问题.     

复杂结构归纳学习研究

复杂结构归纳学习的需求近年来快速增长。复杂结构归纳学习方法按照知识表示方式不同分为基于逻辑的方法与基于数学图的方法。阐述了复杂结构归纳学习研究的历史沿革,介绍、分析和对比了不同知识表示方式下的学习方法,给出了复杂结构归纳学习将来发展面临的挑战和需重点解决的问题。     

基于逻辑的软件演化操作语言及结构化操作语义

由于使用环境和新技术的不断变化,软件演化的控制变得日趋复杂.为了提高软件演化活动的可视化和形式化支持程度,结合谓词逻辑和软件演化,提出了一种软件演化操作语言SEOL(Software Evolution Operational Language)描述软件演化,给出了SEOL的语法和结构化操作语义描述,并指出了软件演化操作语义等价分析方法.结合软件代码演化和软件模型演化实例,说明了SEOL的应用.与已有的软件演化操作描述相比,SEOL在易用性、可重用性和形式化分析方面有明显的改善,为软件演化的管理、分析和实施奠定了基础.     

归纳逻辑及其在归纳学习中的应用问题

逻辑主义对人工智能具有重大的意义,但也有其局限性(特别是对于归纳的模拟),现代归纳逻辑作为一类非标准逻辑应成为归纳学习逻辑基础的重要组成部分,对此值得进一步加以探讨。     

PROLOG的指称语义和操作语义（续）

4.含CUT的PROLOG语义 4.1 语言成份“cut”前面所讨论的PROLOG解释程序简单控制策略的问题之一是在子树中进行大量的回溯搜索有可能没有解(在极端情况下,对无限树形结构进行的穷尽搜索会使逻辑上正确的程序永不终止)。语言成份cut为用户提供了控制这类回溯的手段。     

Fibrations理论在索引归纳数据类型不确定语义中的应用

应用Fibrations理论对索引归纳数据类型的不确定语义计算进行了研究。论证了索引范畴的构造,提出了索引Fibration及其真值函子与内涵函子,建立了索引范畴上自函子的一种保持真值的提升,提出了部分F-代数的定义,并应用折叠函数等工具抽象描述了索引归纳数据类型不确定语义计算,辅以实例进行了简要分析,最后通过相关工作的论述指出了Fibrations理论研究方法的优势。     

基于效用的结构语法的属性学习

无论是在机器学习还是在软件设计中,对问题的分析都是假定对概念属性已知的条件下展开的.本文采用假设对象是在结构语法的基础上,通过确定对象的领域和效用,用领域的条件和状态及其边际效用选择出学习的类.在一个对象类中,属性的选择学习用迭代前向逐步插入、迭代向后删除算法.对决策树的学习,设计了决策树遗传归纳算法学习.对于新构造属性,用属性效用的投影、积、差、值、最值、级数算法构造边际效用法.对不同的对象进行不同的表达式学习,并命名新属性,进而进行属性的数据类型有界限定,从而得到新属性.     

一种改进的规则知识获取方法

知识获取是建立专家系统的最基本最重要的过程,但它又是研制和开发专家系统的“瓶颈”。文章提出了一种改进的规则知识机器自动获取技术,它将学习看作是在一个符号描述空间中的启发式搜索过程,能够通过归纳从专家决策的例子中确定决策规则,从而大大简化了从专家到机器的知识转换过程。     

基于可信语义深度学习的文本文献搜索方法

针对传统文本搜索返回结果不准确、不满意的问题，提出一种基于可信语义深度学习的文本搜索方法。首先为了充分挖掘文本的可信语义，通过文本中的信任事实，以及人机交互标注的方式计算文本的可信度。利用网络爬虫抓取大量文本文献学习训练数据，并且构建深度学习神经网络模型，以文本的语义矩阵为输入，以文本的可信度为输出，通过有监督学习，训练出评估文本可信度的深度学习神经网络模型。最后应用该神经网络模型实现文本文献的搜索。通过“中国政治党建”领域的搜索实验表明：该方法在平均可信度方面优于传统搜索方法。     

图像语义的模型结构描述

图像语义是研究图像模式识别与图像检索的一个新理论。如何有效地建立起图像语义的描述,图像的语义模型能够给出一个直观的、形象的描述,为研究图像语义奠定快速的、可靠的基础。文章从图像固有属性、图像对象和人为意识三方面就图像语义的模型作了一些探讨性研究,为进一步研究图像语义的描述奠定了基础。     

基于语义和结构的XML文档相似度的计算方法

个性化信息服务通过了解用户的兴趣爱好,为不同的用户提供不同的信息服务。XML是一种标示语言,是Web文档表示和交换的常用相关标准,因此XML文档之间相似度计算问题对于个性化推荐与信息检索非常重要,为此提出了一个计算XML文档之间的语义和结构相似度的方法XMLSim。首先,基于节点标记对之间的语义相似度和编辑距离计算节点标记对之间的相似度;在分析了路径上节点具有的偏序关系之后,将路径之间相似度问题抽象为最大相似子序列(MSS,Maximal Similar Subsequence)问题,并利用动态规划对MSS问题求解得到路径相似度NpathSim。最后,XML文档之间的相似度XMLSim通过路径集合之间的最大NPathSim的平均值得到。     

基于结构模型的人运动图像语义描述

人运动图像语义的研究是对人运动图像中人体运动行为的一种描述方法,通过其语义来实现图像的识别与检索。该文希望通过对人体运动的几种较为简单的动作语义的研究,来开启对人运动图像语义的全面研究。为了实现该目标,提出了基于模型的人运动图像的语义描述,即模型语义,模型语义具有直观性、推导性和可行性。通过定义基本模型和语义操作规则,建立一个语义的形式描述理论,此模型语义是人运动图像语义全面研究的基础。     

基于K Framework的向量化机器学习指令语义形式化

ARM针对ARMv8.1-M微处理器架构推出基于M-Profile向量化扩展方案的技术,并命名为ARM Helium,声明能为ARM Cortex-M处理器提升达15倍的机器学习性能.随着物联网的高速发展,微处理器指令执行正确性尤为重要.指令集的官方手册作为芯片模拟程序,片上应用程序开发的依据,是程序正确性基本保障.主要介绍利用可执行语义框架K Framework对ARMv8.1-M官方参考手册中向量化机器学习指令的语义正确性研究.基于ARMv8.1-M的官方参考手册自动提取指令集中描述向量化机器学习指令执行过程的伪代码,并将其转换为形式化语义转换规则.通过K Framework提供的可执行框架利用测试用例,验证机器学习指令算数运算执行的正确性.     

基于模糊理论扩充的归纳学习方法和思想

归纳学习是机器学习最重要、最核心也是最成熟的一个分支，但在应用归纳学习所获得的知识以及改进归纳学习算法等方面存在着很多传统方法难以解决的问题。本文从归纳学习的本质--归纳依赖于数据间的相似性出发，尝试将能够较好地定量反映数据间相似性程度的模糊理论应用到归纳学习中去，为归纳学习和机器学习找出一个新的研究方法和思路。     

基于进程代数的UML序列图的形式语义

UML序列图用于建模实例间动态交互过程．但UML规范并没有给出其形式化的动态语义,这不利于对模型进行形式化验证和证明。本文把序列图中的事件动作及其执行序列映射为进程代数中的进程表达式,利用进程代数语义框架来构建UML序列图的形式语义。首先,建立了序列图到进程代数的语义映射规则;然后用Plotkin风格的结构化操作语义给出并证明务件组合算子演绎规则;最后,归纳定义了算子次序约束条件并证明了其可终止性。