不精确性语义网本体:语义、模型与表示

为了支持语义网对不精确性知识的机器理解与机器推理,提出了不精确性语义网本体的设想。通过分析"不精确性"和"概念"的语义,界定不精确性包括模糊性和粗糙性,其分别源于人脑形成概念时所采用的圈定方式和导出方式,进而指出不精确性概念实际上就是模糊粗糙概念,而不精确性偏序关系并不实际存在,由此推证出不精确性语义网本体的集合表达式模型即模糊粗糙概念偏序集。给出了该模型的两种实用性表示形式:模糊粗糙概念表和模糊粗糙概念格,后者具有约简性和惟一性的良好性质,据此可编写简洁规范的OWL文档,从而支持语义网的实际运行。     

面向不确定性知识表示的描述逻辑SROIQ(D)不确定性扩展

为增强描述逻辑对不确定性知识的表示能力,提出了一种对描述逻辑SROIQ(D)进行不确定性扩展的方法。该方法基于不确定性理论和描述逻辑SROIQ(D),针对知识表示中大量存在的模糊性、粗糙性和随机性知识,首先给出了模糊粗糙概念条件概率的计算方法,并以此为基础对SROIQ(D)进行了不确定性扩展;然后基于模糊粗糙逻辑和概率逻辑分别给出了扩展后的语法、语义和推理任务,使不确定性SROIQ(D)描述逻辑具备同时处理3类不确定性知识的能力。     

粗糙集理论中不确定性的粗糙信息熵表示

1 引言粗糙集理论从新的视角对知识进行了定义,把知识看作是关于论域的划分,认为知识是具有粒度的(granularity),即知识是粗糙的。知识的粒度越大,其越粗糙,知识含量就越少。并认为知识的不确定性是因知识粒度太大引起的,知识的粗糙性越大,则其不确定性也越大。在粗糙集理论中,一个集合由其上逼近集合和下逼近集合来近似,因此集合存在着不确定性。另一方面,在信息论中,信息熵的概念从物理概念上反映了知识库的知识含量、不确定性及随机性的本质。因此,本文从信息熵的角度更深刻地反映知识的不确定性及集合的不确定性。     

粗糙集不确定性度量的矩阵运算

粗糙集的不确定性度量是粗糙集理论的重要研究内容之一。结合模糊理论和粒计算理论改进了粗糙集的不确定性度量方法。通过集合的相对知识粒度及边界熵给出了粗糙集的粗糙性度量函数与模糊性度量函数,随着近似空间知识粒的细分,粗糙集的粗糙度与模糊度均满足单调递减的性质。利用矩阵理论提出了易于实现的粗糙性度量与模糊性度量的矩阵算法。     

不确定性人工智能

在主、客观世界普遍存在的不确定性中,随机性和模糊性是最重要的两种形式.研究了随机性和模糊性之间的关联性,统一用熵作为客观事物和主观认知中不确定状态的度量,用超熵来度量不确定状态的变化,并利用熵和超熵进一步研究了混沌、分形和复杂网络中的不确定性,以及由此带来的种种进化和变异,为实现不确定性人工智能找到了一种简单、有效的形式化方法,也为包括形象思维在内的不确定性思维的自动化打下了基础.不确定性人工智能是人工智能进入21世纪的新发展.这个由多学科交叉渗透构成的新学科,必将使得机器能够具备人脑一样的不确定性信息和知识的表示能力、处理能力和思维能力.     

一种描述逻辑SROIQ(D)的云模型扩展

客观世界存在大量的不确定性现象和知识。鉴于经典描述逻辑在表示不确定知识上存在一定缺陷,模糊描述逻辑在表示不确定知识时会丢失模糊性,为此,将云模型引入到描述逻辑SROIQ(D)中,实现对SROIQ(D)的云扩展,提出基于云模型的不确定描述逻辑C-SROIQ(D)。并给出其完整的语法、语义及知识库,从而实现了描述不确定性现象,保留了模糊性,还将模糊性和随机性相关联,丰富了描述逻辑的表达能力。     

粗集理论中知识的粗糙性研究

粗集理论是处理知识不精确和不完善的一种归纳学习方法,其基本思想是在保持分类能力不变的前提下,通过知识约简,导出概念的分类规则。熵作为对不确定性的一种度量,可用于描述近似空间(U,R)中对象的分类情况。在文中,知识的粗糙性定义为近似空间中的粗糙熵,近似空间上基于等价关系的划分过程是其粗糙熵不断减小的过程。同时讨论了信息系统中的若干粗糙熵性质。     

信息系统不确定性的粗糙边界熵度量方法

不确定性度量是粗糙集理论研究的重要内容之一。分析了目前粗糙集不确定性度量主要方法的不足,给出了基于边界域的粗糙集粗糙边界熵的定义。证明了这种粗糙边界熵随着知识粒度的减小而单调减小,而且当负域的知识颗粒被细分时,粗糙边界熵不变。给出了粗糙边界熵的两条性质。     

一种基于云模型的不确定性数据的建模与分类方法

不确定性是数据的本质特征,它的产生可能来自于样本误差、更新延迟或重复测量等,对不确定性数据的分析在越来越多的领域得到了关注。传统的不确定性数据的数据项被表示成一个值域及其上的概率分布函数。由于不确定性数据存在模糊性与随机性,传统的概率分布函数难以准确定义不确定性数据的实际分布,因此利用云模型中云滴的分布提出一种不确定性数据的云建模过程,并通过云综合与云相似度计算来实现不确定性数据的分类。云模型能有效地将数据的随机性与模糊性融合在一起,能更真实地反映数据的实际分布,从而实现有效的数据分类。实验结果也证明了此种方法的有效性。     

基于模糊-粗糙集的移动对象k近邻预测

已往移动对象k近邻预测的研究中,有各种不确定性的分析以及对象本身预测位置不确定性的处理,而预测位置模糊不确定性导致其k近邻查询边界的粗糙不确定性的相关处理仍是空白.本文应用模糊一粗糙集的理论,先分析了已有方法得出的预测位置的模糊性,再用传统方法求得基于预测位置的扩展k m近邻集,最后借助模糊一粗糙隶属函数来最终确定所求k近邻集合中的各个点.实验数据表明,本方法明显提高了k近邻集合相对移动对象实际位置的精确度.     

基于多维云模型的入侵检测

通过研究多维云模型机理，给出了定性与定量之间转换的云模型的形式化表示，用来反映语言值中蕴涵的模糊性和随机性，解释了多条定性规则同时被激活的不确定推理过程。实验采用了KDD99的测试数据，结果表明，该方法能够比较有效地检测真实网络数据中的未知入侵行为。     

不确定性信息表示及推理

在基于数据的复杂系统建模过程中,各种不确定性信息普遍存在.一般而言,客观系统的随机性与人类认知的模糊性构成了不确定性的最基本内涵.为了对不确定性信息进行形式化的描述,促进人类对实际系统的理解,近年来各种不确定性理论得到极大发展.基于此,首先给出不确定性的来源、分类及特点;然后,从随机性、模糊性及混合不确定性3方面系统梳理贝叶斯推理、模糊推理、粗糙集、灰色理论和证据理论等方法在不确定性信息表示与推理方面的研究,同时总结分析上述理论在可靠性工程、信息融合和决策支持等方面的典型应用;最后,在对现有工作简要总结的基础上,提出不确定性理论在未来发展中面临的三大挑战,并给出潜在的解决思路,以期为该领域的研究者提供一定的参考.     

类正态分布数据云模型的预测算法

类似正态分布在实际的生活与生产中分布最为广泛,精确确定的模糊概念隶属函数严重影响该类数据的预测精度.云模型把随机性和模糊性结合起来,用数字特征期望、熵和超熵,揭示随机性与模糊性的关联性.基于正态云模型设计预测算法,放宽形成正态分布要求的前提条件,把精确确定隶属函数放宽到构造正态隶属度分布的期望函数,更简单、直接地完成类正态分布的数据的预测,因而更具有普遍适用性.     

Type-2 Fuzzy Markov Random Fields and Their Application to Handwritten Chinese Character Recognition

In this paper, we integrate type-2 (T2) fuzzy sets with Markov random fields (MRFs) referred to as T2 FMRFs, which may handle both fuzziness and randomness in the structural pattern representation. On the one hand, the T2 membership function (MF) has a 3-D structure in which the primary MF describes randomness and the secondary MF evaluates the fuzziness of the primary MF. On the other hand, MRFs can represent patterns statistical-structurally in terms of neighborhood system and clique potentials and, thus, have been widely applied to image analysis and computer vision. In the proposed T2 FMRFs, we define the same neighborhood system as that in classical MRFs. To describe uncertain structural information in patterns, we derive the fuzzy likelihood clique potentials from T2 fuzzy Gaussian mixture models. The fuzzy prior clique potentials are penalties for the mismatched structures based on prior knowledge. Because Chinese characters have hierarchical structures, we use T2 FMRFs to model character structures in the handwritten Chinese character recognition system. The overall recognition rate is 99.07%, which confirms the effectiveness of the proposed method.     

Fuzzy random multi-objective optimization based routing for wireless sensor networks

Wireless sensor networks are deployed in complex and uncertain environments, and multiple objectives of routing algorithms are expected to be optimal. However, routing algorithms based on deterministic single objective optimization may not flexibly meet the above needs of applications. This paper adopts fuzzy random optimization and multi-objective optimization, introduces fuzzy random variables to describe both fuzziness and randomness of link delay, link reliability and nodes’ residual energy, and proposes a routing model based on fuzzy random expected value and standard deviation model. A hybrid routing algorithm based on fuzzy random multi-objective optimization is designed, which embeds fuzzy random simulation into genetic algorithm with Pareto optimal solution. Simulation results show that the presented algorithm, by adjusting the parameters of fuzzy random variables for depicting both fuzziness and randomness, achieves a longer lifetime and wider performances of delay, latency jitter, reliability, communication interference, energy and balanced energy distribution. Therefore, the presented algorithm can meet different application needs of the cluster head network in the two-tiered wireless sensor networks.     

Chance measure for hybrid events with fuzziness and randomness

In many cases, fuzziness and randomness simultaneously appear in a system. Hybrid variable is a tool to describe this phenomena. Fuzzy random variable and random fuzzy variable are instances of hybrid variable. In order to measure hybrid event, a concept of chance measure is proposed in this paper. Furthermore, several useful properties about this measure are proved such as self-duality, subadditivity and semicontinuity. Some concepts are also presented such as chance distribution, expected value, variance, moments, critical values, entropy, distance and sequence convergences.     

Large group decision-making based on interval rough integrated cloud model

Since different uncertainties exist in the large group decision-making (LGDM) process, such as randomness, diversity and fuzziness, a single method may be insufficient to address LGDM. Hence, this paper proposes a hybrid model that a new similarity calculation method for cloud model, the netting clustering and interval rough integrated cloud (IRIC) are combined to solve LGDM in uncertain linguistic environment. First, a new similarity method for cloud model is presented, based on which a netting clustering method is provided. The similarity calculation method has higher differentiation degree and has overcome some shortcomings of previous ones. Second, two hybrid-weighting methods are utilized respectively to calculate expert weights and attribute weights for making the decision-making process more credible and scientific. Finally, the IRIC method is applied to LGDM for dealing with the randomness and uncertainty. In addition, an example is offered to demonstrate the application of the proposed approach. According to a time-consuming test, the proposed method is more suitable to address LGDM in the big data environment.