正态分布参量的广义自相关性

在随机系统中，许多参数都服从正态分布。文章在泛逻辑N范数和广义自相关性概念的基础上，研完了正态分布参量的广义自相关性，给出了正态分布参量的N范数、N性生成元，建立了分布函数F(x)与广义自相关性系数k之间的重要关系式，通过实例说明了k值的求解过程，这有助于加速泛逻辑在不确定性推理中的应用。     

指数分布的泛逻辑自相关性

指数分布是复杂控制系统中随机参数的一种常见分布.给出了广义区间[a,b]上的相关概念,研究了指数分布的泛逻辑自相关性,给出了指数分布对应的N范数、N性生成元,讨论了N范数不动点l及广义自相关系数k与指数分布参数θ之间的关系.当θ>0时,发现了广义自相关系数k的恒负性.设参数θ在(一oo, ∞)均有意义,发现了k是θ的中心对称奇函数,即k的中心对称性,以及不动点l的守1性.最后举例说明了求解k值的具体方法,为从泛逻辑角度来分析复杂系统中的控制参数提供┅了一种新的思路.     

广义区间上的泛逻辑自相关系数求解

广义自相关系数的求解是泛逻辑在不确定性推理中需要解决的关键问题之一。称任意[a,b]区间为广义区间,在广义区间上给出了广义N范数、广义N性生成元、广义自相关系数的定义。提出了由复杂系统参数的分布函数求解广义自相关系数的一般方法,给出并证明了重要的直通NLK公式。最后举例说明了求解k值的具体,为从数学模型和逻辑推理两个角度来分析复杂系统参数间的相关性提供了一种新的思路。     

理想状态下泛逻辑的形式演绎系统B的完备性

UB代数是理想状态(广义相关系数h=0.5,广义自相关系数k=0.5)下泛逻辑的代数系统。本文引入UB代数滤子的概念,讨论了UB代数的一系列性质。证明了理想状态下泛逻辑形式演绎系统B的完备性与强完备性。     

一种泛逻辑代数系统

文[3]给出了理想状态(广义相关系数h=0.5,广义自相关系数k=0.5)下泛逻辑的形式演绎系统B,证明了此系统是可靠的。该文提出理想状态下(h=k=0.5)泛逻辑学对应的代数系统-UB代数,给出它的一系列性质。证明了UB代数是一个交换剩余半群;进一步证明了U B代数与M V代数、正规FI代数是等价的。     

理想状态下泛逻辑的形式演绎系统β

本文提出泛逻辑学在理想状态(广义相关系数h=0.5,广义自相关系数k=0.5)下的形式演绎系统。讨论了商代数[F]的性质。进一步证明了形式演绎系统与文[11]的基本形式演绎系统UL(h=k=0.5)是等价的。     

广义区间系统非结构化参数不确定性的鲁棒滤波算法

本文针对广义区间系统的参数不确定性,将参数不确定性确定为随机非结构化参数形式,提出一种卡尔曼形式的递推鲁棒滤波算法.研究表明,滤波过程中的随机非结构化参数不确定性可以表示为一系列依赖系统真实状态的不确定性集合,数值仿真结果表明,当广义区间系统参数存在随机非结构化不确定性时,该算法能够实现递推状态估计,从而验证了该算法的有效性.     

基于零级泛与运算的谓词形式系统及其完备性

泛逻辑是在研究柔性世界逻辑规律时发现的一个新的连续值的逻辑体系,它通过引入广义相关性和广义自相关性刻画命题之间的相互关系.本文主要解决基于零级泛与运算的一阶谓词演算形式系统(V)ULh∈(0,1]的完备性.通过引入全称量词和存在量词,建立与命题形式系统ULh∈(0,1]相对应的一阶谓词形式系统(V)ULh∈(0.1],并证明其完备性定理.从而得到系统(V)ULh∈(0,1]的语义和语构是和谐的.     

人工智能中概率逻辑的研究

概率论是在不完备的、不确定的数据中进行推理的,它是度量不确定性的重要手段。在人工智能中,研究者结合概率和逻辑各自的优点,进行概率逻辑的研究。本文介绍了传统概率逻辑的三大派别,阐述了二值逻辑概率和三值逻辑概率的发展;最后介绍了泛逻辑,通过对概率逻辑和泛逻辑学的研究,将概率逻辑纳入泛逻辑学的框架内。     

不等权泛平均运算模型研究

泛平均运算模型是为了满足连续值逻辑中逻辑折衷的需求而提出的.鉴于现有的泛平均运算模型描述的是一种理想的等权情况,给出了两种加权算子泛平均运算模型,提出了一种不等权泛平均运算模型及其对偶模型,并指出加权算术平均算子、加权几何平均算子、加权调和平均算子、广义加权平均算子等都是其对偶模型的特例.最后比较了广义加权平均运算模型和不等权泛平均运算模型的异同.     

[0,∞]区间N范数的定义及生成定理

柔性逻辑学的研究目标是探索逻辑的一般规律,它指出命题真值误差用连续变化的广义自相关系数k∈[0,1]来刻画。在柔性逻辑的不确定推理中,N范数是一级运算的数理模型。由于在现实生活中,很多逻辑推理控制必须在其自身的定义域内完成,因此以三角范数作为柔性逻辑学研究的数学工具,定义了[0,∞]区间上的N范数和N性生成元,并研究了相关主要性质;证明了N范数生成定理;给出了广义自相关系数的计算方法;证明了[0,∞]区间上指数(幂)型N性生成元为N性生成元完整簇;从而为柔性逻辑中[0,∞]区间的一级运算模型提供了重要的理论基础。     

Hybrid knowledge bases

Deductive databases that interact with, and are accessed by, reasoning agents in the real world (such as logic controllers in automated manufacturing, weapons guidance systems, aircraft landing systems, land-vehicle maneuvering systems, and air-traffic control systems) must have the ability to deal with multiple modes of reasoning. Specifically, the types of reasoning we are concerned with include, among others, reasoning about time, reasoning about quantitative relationships that may be expressed in the form of differential equations or optimization problems, and reasoning about numeric modes of uncertainty about the domain which the database seeks to describe. Such databases may need to handle diverse forms of data structures, and frequently they may require use of the assumption-based nonmonotonic representation of knowledge. A hybrid knowledge base is a theoretical framework capturing all the above modes of reasoning. The theory tightly unifies the constraint logic programming scheme of Jaffar and Lassez (1987), the generalized annotated logic programming theory of Kifer and Subrahmanian (1989), and the stable model semantics of Gelfond and Lifschitz (1988). New techniques are introduced which extend both the work on annotated logic programming and the stable model semantics     

基于零级N/T泛数完整簇的概率逻辑算子的研究

在人工智能中不确定性理论、主观Bayes方法、证据理论等都是基于概率论的.但是,这些不确定性推理方法仅仅是基于概率,而不能真正实现逻辑框架内的概率逻辑不确定推理,产生这种现象的主要原因是概率逻辑自身存在着缺陷.按照泛逻辑学的生成规则,基于零级N/T/S范数完整簇从泛逻辑学的角度来构造概率逻辑算子.结果表明概率逻辑是能够在泛逻辑学的框架内进行柔性化的,是命题泛逻辑在h=0.75时的一种特例.     

基于泛逻辑学的概率命题逻辑的研究与分析

概率逻辑是不确定推理的一个重要逻辑基础,但其目前还不太完善．泛逻辑学是何华灿教授在探索各种不确定性问题求解中建立起来的一种新的柔性逻辑体系．理论上,概率逻辑仅是泛逻辑学的一个特例．在对目前比较典型的几种概率逻辑模型进行分析的基础上,基于命题泛逻辑学的思想和方法,指出了概率命题逻辑中存在的一些主要问题,探讨了解决这些问题的思路与方法。     

Uncertainty modeling and spatial prediction by multi-Gaussian kriging: Accounting for an unknown mean value

In the analysis of spatial data, one is often interested in modeling conditional probability distributions, in order to assess the uncertainty in the values of the attribute under study and to predict functions of this attribute.This work examines three geostatistical models in which the attribute is assumed to be, up to a monotonic transformation, a realization of a Gaussian random field. In the first model, the mean of the Gaussian field is a known parameter and the conditional distributions at any set of locations are Gaussian, with expected values equal to simple kriging predictions and covariance matrix equal to that of the prediction errors. In the second model, the mean value is replaced by a random variable adding to the Gaussian field and whose prior variance is infinitely large, indicating a total lack of prior knowledge on the true mean. It is shown that the conditional distributions are still Gaussian, with expected values equal to ordinary kriging predictions and covariance matrix equal to that of the corresponding prediction errors. The third model considers a random drift that adds to the Gaussian field; the conditional distributions are then obtained by substituting universal kriging for simple or ordinary kriging.A computer program is provided to calculate recovery functions (tonnages, metal contents and mean values above given thresholds) and uncertainty measures (probability intervals and conditional variances) defined at point or block supports. The concepts are illustrated with a case study consisting of evaluating the recoverable resources in a porphyry copper deposit.