不等权泛组合运算模型研究

实际复杂系统中的各因素一般具有不同的权重,针对现有的泛组合运算模型描述的是一种理想的等权情况,给出了两种广义加权算子模型,并据此提出了一种不等权泛组合运算模型,从而可以更准确地处理复杂系统中各因素间关系的不确定性问题.     

优势关系下的相容约简和下近似约简

定义了决策表在优势关系下的相容约简和下近似约简,优势关系下的相容约简是优势关系下一致决策表约简的推广。证明了优势关系下的下近似协调集是优势关系下的相容协调集。举例说明了优势关系下的相容协调集不是优势关系下的下近似协调集,给出了优势关系下的相容约简和下近似约简的判定定理和可辨识矩阵,由此可以给出它们的约简算法。     

自适应神经模糊推理系统建模研究

With rapid development of the fuzzy control application field, the existing system for fuzzy inferring modeling cannot more and more suit the requirements of fuzzy control. About how to apply the theories of fuzzy control to practice rapidly and conveniently, this paper presents a reasonable and practical method, which supports all sorts of fuzzy inferring system of MAMDANI and SUGENO to be modeled not only by tuning references of membership functions, but also by tuning fuzzy inferring structure. The modeling instance shows that it's practical and effective.     

一种IP网视频单播传输中的拥塞控制方法

文章提出了一种基于RTP/RTCP的单播拥塞控制算法,该算法具有较好的稳定性和TCP友好性。     

基于规则矩阵的数值化推理算法

何华灿等于１９９４年首次提出了数值化推理技术的概念，给出了一种基于规则矩阵的数值化推理算法，它同时完成规则的激活和可信度传播计算。本文提出另一种基于规则矩阵的数值化推理算法，它先判定规则是否被激活，再进行被激活规则的可信度传播计算。这两种方法各有优缺点，适用于不同场合，可根据应用需要选择     

基于拟合的地震图波形自动提取方法

首先研究了地震图的预处理技术,并提出一种改进的弧形校正方法和滑动窗口波形分割方法.在此基础上,提出了一种基于三角多项式的分段拟合算法,并针对函数阶数的确定进行了分析.实验表明,该方法具有抗噪能力强,获得波形光顺,刻划波形起伏准确的优点.     

一种分层的模糊知识表示与推理控制结构

提出了一种分层的模糊知识表示方法以及基于该方法的推理及控制结构,在模糊集合的基础上以抽象度描述了模糊概念在概念空间中的层次,用概念胞来表示概念空间中的模糊知识,用协同元和阈值描述推理的条件,推理以条件激活的方式进行扩展,并讨论了三种基本的扩展推理形式。     

基于自组织定向的边缘优化方法

传统的边缘检测方法通常采用预先的平滑滤波操作排除噪声的干扰，这使得去除噪声的同时也损失了图像的细节。因此，滤波去噪比例和边缘检测精度一直是一对矛盾，本文针对这个问题提出了一种基于边缘定向的边缘优化策略。边缘具有一定的方向是它区别于杂乱无序的噪声的鲜明特征，利用这一特征，可以不需要平滑滤波操作并能很好地解决以上问题。文中还根据数字图像的特点提出了自组织定向这一获取图像边缘方向的有效方法。     

泛逻辑的基本形式演绎系统UL及其可靠性

1 引言自Zadeh于1965年建立模糊集理论以后,一种初始形态的模糊逻辑也被提出。尽管模糊推理在模糊控制中有直接的应用,也受到模糊系统与人工智能学界的广泛关注,但是,由于模糊推理长期以来没有严格的逻辑基础,致使其进一步发展受到限制,且不可避免地受到怀疑与批判。不过,近年来,以王国俊教授为首的一批学者成功地将模糊逻辑和模糊推理结合起来,通过建立模糊逻辑的形式演绎系统、创建模糊推理的三I算法等一系列漂亮的工作,极大地推动了这一领域向理论和应用的纵深发展。     

重新找回人工智能的可解释性

针对深度神经网络AI研究的可解释性瓶颈，指出刚性逻辑（数理形式逻辑）和二值神经元等价，二值神经网络可转换成逻辑表达式，有强可解释性。深度神经网络一味增加中间层数来拟合大数据，没有适时通过抽象把最小粒度的数据（原子）变成粒度较大的知识（分子），再把较小粒度的知识变成较大粒度的知识，把原有的强可解释性淹没在中间层次的汪洋大海中。要支持多粒度的知识处理，需把刚性逻辑扩张为柔性命题逻辑（命题级数理辩证逻辑），把二值神经元扩张为柔性神经元，才能保持强可解释性。本文详细介绍了从刚性逻辑到柔性逻辑的扩张过程和成果，最后介绍了它们在AI研究中的应用，这是重新找回AI研究强可解释性的最佳途径。