基于动态模糊逻辑(DFL)的一种时序推理模型

在我们的研究领域中 ,普遍存在动态模糊事件 .而当今 ,随着计算机科学技术的发展 ,人们又试图用计算机来模拟这些具有“动态模糊性”的事件 .因此 ,以往有关文献提出了动态模糊逻辑、动态模糊集、基于 DFL的一种学习模型及动态模糊主动数据库系统的设计方法和基本概念 ,这些理论的提出 ,虽然为人们解决具有动态模糊性的问题提供了一定的理论依据 ,但从整个动态模糊系统来看 ,这些工作仅仅是一些初步的工作 ,还有许多工作需要进一步研究 .文中给出的基于 DFL的时序推理模型正是这种工作的一个补充 .     

一种新的犹豫模糊粗糙近似算子的公理刻画

为了揭示犹豫模糊粗糙近似算子更深层次的本质特性,且更进一步研究犹豫模糊粗糙近似空间与犹豫模糊拓扑空间之间的关系,对犹豫模糊粗糙近似算子公理刻画问题的研究具有重要意义.在已有结果中,用来刻画犹豫模糊近似算子的公理集大都含有多条公理.由于近似算子公理化方法在研究粗糙集理论的数学结构中具有重要意义,寻找最小公理集成为公理化方法中的一个基本问题.针对上述问题,首次将公理集中的公理简化为一条,提出一种新的公理刻画形式.首先给出一般犹豫模糊粗糙近似算子的公理刻画,然后分别针对串行的、自反的、对称的、传递的和等价的犹豫模糊关系所生成的犹豫模糊粗糙近似算子公理化问题进行研究.最后证明了由犹豫模糊粗糙近似空间可以诱导出一个犹豫模糊拓扑空间.     

动态模糊逻辑(DFL)程序设计语言的结构化操作语义

动态模糊问题在客观世界中是普遍存在的,作为解决动态模糊问题的理论工具-动态模糊逻辑(DFL)已有十年的研究历史了,为了更有效地解决动态模糊问题,使DFL成为一种切实可实现的逻辑系统,有必要研究设计一种适合解决动态模糊性问题的程序设计语言.仿照监督命令的程序结构,给出动态模糊程序设计语言的结构化操作语义,其内容包括:动态模糊逻辑程序设计语言的抽象语法、动态模糊语义并通过一个简单实例说明其有效性.     

F-SHIQ公理体系及其OWL扩展

随着计算机和Internet的快速发展,语义网和描述逻辑在人工智能等领域扮演着越来越重要的角色。但在日常生活中,越来越多不确定的、不完整的知识需要解决,而现存的OWL只能表述确定的完整的概念和关系。为了能够表示和推理模糊知识,给出了一个基于描述逻辑SHIQ的全新的模糊描述逻辑公理体系——F-SHIQ公理体系,并以此公理体系为基础,扩展了OWL本体语言,能够描述和推理模糊知识。该文首先给出了系统详细的定义、公理、定理以及定理的证明;然后详述了如何用FSRL,即基于F-SHIQ的OWL扩展,来表示和推理模糊信息;最后通过一个例子来检验扩展语言的应用效果。     

基于动态模糊神经网络的航迹跟踪控制研究

论文提出了一种动态模糊神经网络(DFNN)控制算法用于欠驱动水面艇的航迹跟踪控制研究.动态模糊神经网络控制算法集合了模糊系统知识的方便表达和神经网络的强大学习功能.动态模糊神经网络无需任何先验知识和迭代学习,结构和参数同时调整,能充分逼近水面艇的逆动力学模型.同时,动态模糊神经网络能够在线调整权值,确保系统具有快速准确的跟踪性能,克服了由模型参数变化引起的不确定性的影响,具有一定的理论研究意义和实际应用价值.论文的研究通过在MATLAB/Simulink环境中进行仿真验证其有效性.     

基于动态模糊神经网络的生物工程算法研究

目前,模糊神经网络控制在控制领域已成为一个研究热点。把神经网络应用于模糊系统,可以解决模糊系统中的知识抽取问题;把模糊系统应用于神经网络,神经网络就不再是黑箱了,人类的知识就很容易融合到神经网络中。本文提出了一种新型的动态模糊神经网络的结构及其学习算法,该动态模糊神经网络的结构基于扩展的径向基网络。其学习算法的最大特点是参数的调整和结构的辨识同时进行,且学习速度快,可用于实时建模与控制。开发了相关的算法程序,最后针对实际案例进行了仿真分析。仿真结果表明,动态模糊神经网络具有学习速度快、系统结构紧凑、泛化能力强等优点。     

动态模糊逻辑（DFL）的真值域刻画

以往的理论的提出,虽然为研究解决具有动态模糊性的问题提供了一定的理论依据,但从整个动态模糊系统来看,这些还仅仅是一些初步工作,还有许多的内容需要进一步研究,因此,文章基于动态模糊逻辑,结合动态的模糊测度论,对动态模糊逻辑的真值域进行刻画。     

模糊近似空间上的粗糙模糊集的公理系统

粗糙集理论是近年来发展起来的一种有效的处理不精确、不确定、含糊信息的理论，在机器学习及数据挖掘等领域获得了成功的应用．粗糙集的公理系统是粗糙集理论与应用的基础．粗糙模糊集是粗糙集理论的自然的有意义的推广．作者研究了模糊近似空间上的粗糙模糊集的公理系统，用三条简洁的相互独立的公理完全刻划了模糊近似空间上的粗糙模糊集，同时还把作者给出的公理系统与粗糙集的公理系统做了对比，指出了两者的区别．     

基于DFL的Agent推理模型

推理是Agent研究的核心问题之一.根据Agent的推理特性,引用DFL理论提出基于动态模糊逻辑(DFL)的Agent推理模型,实现了范例验证系统,即基于动态模糊逻辑(DFL)的Agent推理模型的叮当漫画书城系统.     

动态模糊数据的扩展模型研究

数据模型是建立系统的核心，在我们的对象中，具有动态模糊性的数据是普遍存在的，文献[1]对一般的动态模糊数据模型作了初步研究，基于此，本文作更深入的研究，给出了动态模糊数据的测度理论，动态糊数据的扩展模型，该模型的建立，为人们用计算机处理这类问题提供了理论依据。     

非线性动态模糊系统过程控制与稳定性分析

针对自动控制领域中存在的大量的非线性动态模糊系统,提出了非线性动态模糊系统过程控制模型,并给出了动态模糊控制器的设计算法和该模型的稳定性分析,很好地解决了模糊控制系统所不能解决的动态性问题.     

基于DFS的协调机器学习模型

机器学习是人工智能的核心课题之一,机器学习的研究得到众多学者的广泛关注。基于动态模糊集等基本理论,提出了一种协调学习的模型。并讨论了CMLM的学习算法,该种学习方法适合复杂的学习系统。通过研究这种学习方法,进一步丰富了机器学习的基本内容。     

动态模糊目标可达定理及应用研究

基于动态模糊理论,针对模糊控制器的不足,对具有动态模糊性的问题作进一步研究,给出动态模糊目标可达基本理论,其内容包括：DF目标表现可达定理,DF目标分解可达定理,DF目标扩展可达定理等。     

基于DFL的多Agent时序推理模型研究

Agent的理论、技术,特别是多Agent的理论、技术,为分布式开放系统的分析、设计和实现提供了一个崭新的途径。目前,对Agent的研究大致分为智能Agent、多Agent的程序设计。该文对Agent系统的群体组织结构进行深入研究,基于DFL,给出多Agent时序推理模型理论,进一步丰富Agent系统理论的研究内容。     

动态模糊机器学习模型及验证

根据学习系统中存在的动态模糊性，提出了动态模糊机器学习模型，给出了动态模糊机器学习算法和它的几何模型描述，并进行了算法的稳定性分析，最后给出了实例验证。实例结果与BP算法产生结果相比较，优于BP算法的结果。     

DF控制器的设计方法研究

基于动态模糊集（Dynamic Fuzzy Sets）理论和动态模糊控制推理模型的相关概念,提出了一种DF控制器的设计方法,给出了DF控制器结构,探讨了DF控制规则库、DF控制推理计算、DF化以及清晰化方法,解决了控制过程中的动态模糊性问题,更符合具有动态模糊性特点的控制系统的控制规律,并通过具体的应用实例体现了此设计方法的有效性和可操作性.     

一种新的自适应非单点模糊辨识器

鉴于常规单点模糊逻辑系统在解决不确定性问题中存在的不足,该文在分析非单点模糊逻辑理论的基础之上,提出了一种新的自适应非单点模糊辨识器,并且详细论述了其相关理论、具体实现步骤和参数优化方法。针对一种糖酵解混沌振荡器模型的非线性动态系统辨识问题,采用非单点模糊逻辑系统对其进行了仿真研究,取得了较好的逼进和收敛效果,从而验证了该非单点模糊辨识器的可行性和有效性。该研究结果表明了基于非单点模糊逻辑系统构造的自适应辨识器能够在一定精度和时间区域内跟踪非线性动态系统的输出,并且非单点模糊理论将能够在控制等其它应用领域取得较好的应用效果。     

A Fuzzy Petri Net for Pattern Recognition: Application to Dynamic Classes

When involving evolutionary natural objects, the odeling of dynamic lasses is the main issue for a pattern recognition system. This problem an be avoided by making dynamic the syste of pattern recognition which an then enter into various states according to the evolution of the lasses. We propose a dynamic recognition system founded on two types of learning. The static aspect of the learning is ensured by lassifiers or systems of lassifiers, while the dynamic aspect is translated by the learning of the planning of the various states by a fuzzy Petri net. The method is sucessfully applied to a synthetic data set. Received 21 September 2000 / Revised 19 December 2000 / Accepted in revised form 1 March 2001