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。     

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。     

概率逻辑关系柔性化的研究

结合概率和逻辑的优点,近年来人工智能研究人员提出了多种概率逻辑来解决不确定性问题,但是仍然存在着逻辑关系刚性化的问题。在泛逻辑学的框架内,分析了概率逻辑的局限,根据泛逻辑学的生成器,探讨了概率逻辑关系柔性化的问题。     

Borel型概率计量逻辑

视全体赋值之集为通常乘积拓扑空间,利用该空间上的Borel概率测度在二值命题逻辑中引入了公式的概率真度概念.该方法既克服了计量逻辑学要求赋值集上的概率测度必须为均匀概率测度的无穷可数乘积的局限,又弥补了概率逻辑学只讲局部而缺乏整体性的不足;证明了计量逻辑学中公式的真度、随机真度以及概率逻辑学中公式的概率等概念都可作为本文提出的概率真度的特例而纳入到统一的框架中,从而实现了计量逻辑学与概率逻辑学的融合与统一;证明了逻辑闭理论与赋值空间中的拓扑闭集是一一对应的以及概率真度函数与赋值空间上的Borel概率测度是一样多的等若干结论;本文的第4节给出了公式的概率真度的公理化定义,证明了公式集上满足Kolmogorov公理的任一[0,1]值函数均可由赋值空间上的某Borel概率测度按本文的方法所表出,从而建立了二值命题逻辑框架下的概率计量逻辑的理论体系.     

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。     

基于泛逻辑学的柔性命题逻辑研究

现有的数理逻辑是刚性逻辑，不能满足研究不确定性问题的需要．概率测度是研究不确定性问题的重要数学工具．但作为概率推理理论基础的概率逻辑发展不够成熟，影响了它在不确定性推理中的广泛应用．本文第二作者在探索包含确定性和各种不确定性的现实世界逻辑规律的基础上．建立一个包容刚性逻辑和柔性逻辑的命题泛逻辑学体系．本文利用这一研究成果，对命题概率逻辑进行了探讨．     

概率逻辑的研究

在人工智能科学中,不确定推理扮演着一个非常重要的角色,而其表示方法也很多,文中要讨论的概率逻辑便是其中之一,它是以逻辑表示为基础进行概率推理。首先,从知识表示和概率定义两个不同的角度系统地介绍了概率逻辑的产生及其发展,然后总结了它的一些基本概念,在此基础上给出了求得一致可能世界的一种逻辑系统,为概率逻辑的发展起到推动作用。最后将概率逻辑同与之容易混淆的模糊逻辑加以区分,且提出了概率逻辑的价值及其展望。     

概率逻辑的研究

在人工智能科学中,不确定推理扮演着一个非常重要的角色,而其表示方法也很多,文中要讨论的概率逻辑便是其中之一,它是以逻辑表示为基础进行概率推理.首先,从知识表示和概率定义两个不同的角度系统地介绍了概率逻辑的产生及其发展,然后总结了它的一些基本概念,在此基础上给出了求得一致可能世界的一种逻辑系统,为概率逻辑的发展起到推动作用.最后将概率逻辑同与之容易混淆的模糊逻辑加以区分,且提出了概率逻辑的价值及其展望.     

基于泛逻辑学的逻辑关系柔性化研究

建立柔性逻辑体系,既是现实世界复杂问题求解的需要,也是逻辑学发展的一种必然趋势.泛逻辑学是何华灿在探索复杂世界逻辑规律中建立起来的一个柔性逻辑体系.在分析其实现逻辑关系柔性化的思想和方法的基础上,探讨了概率逻辑关系柔性化的问题.理论上,概率逻辑是泛逻辑学的一个特例,因此应该能够在泛逻辑学框架内建立起柔性的概率逻辑体系.     

Annotated Logic Applications for Imperfect Information

Imperfect information is a very general term that comprises different types of information, such as uncertain, vague, fuzzy, inconsistent, possibilistic, probabilistic, partially or totally incomplete information [2]. In the literature of knowledge representation we find a different formal model for each one of these distinct types. For example, annotated logic is a formal model to represent inconsistent information.Annotated logics are non-classical logics introduced in [20] as a logic programming theory. They were proved to be paraconsistent. Based on [5], we present in this work the annotated logic programming theory and some of its applications in Artificial Intelligence (AI). We present it as a formalism to reason with inconsistent information and investigate its possibility to represent other types of imperfect information, such as possibilistic and non-monotonic reasoning. Our main goal is to verify and confirm the importance of annotated logics as a tool for developing knowledge-based and automated reasoning systems in AI.     

概率逻辑、不确定逻辑和模糊逻辑之比较

通过一个实例分析比较了概率逻辑、主观概率逻辑、不确定逻辑和模糊逻辑的思想方法。提出了自己的观点：基于数据统计的概率逻辑是最科学的。不确定逻辑比主观概率逻辑更科学。当具有不确定性的原子命题具有独立性时,不确定逻辑和模糊逻辑的观点是一致的。而对于处理带有不确定性的相关性命题,不确定逻辑比模糊逻辑更科学。但是模糊逻辑在建立推理理论方面见长。     

Logic as an integrated modeling framework

There is a growing interest in the application of Artificial Intelligence (AI) tools and techniques to management science problems. A rich variety of commercial AI software products is now emerging to facilitate this. However, there has been little integration between AI and Management Science (MS) at a theoretical level. This paper proposes the use of formal logic as the basis for this conceptual bridge, and the use of logic programming as a modeling language for management science applications. The framework is illustrated by a logic-based representation, called PM, for specifying production, distribution and inventory problems.     

A decidable first-order logic for knowledge representation

Decidable first-order logics with reasonable model-theoretic semantics have several benefits for knowledge representation. These logics have the expressive power of standard first order logic along with an inference algorithm that will always terminate, both important considerations for knowledge representation. Knowledge representation systems that include a faithful implementation of one of these logics can also use its model-theoretic semantics to provide meanings for the data they store. One such logic, a variant of a simple type of first-order relevance logic, is developed and its properties described. This logic, although extremely weak, does capture a non-trivial and well-motivated set of inferences that can be entrusted to a knowledge representation system.This is a revised and much extended version of a paper of the same name that appears in the Proceedings of the Ninth International Joint Conference on Artificial Intelligence, Los Angeles, California, 1985.     

人工智能中泛逻辑学的研究

逻辑学的理论为人工智能的发展提供了有力的工具。标准逻辑促进了人工智能早期的发展,随着处理知识的随机性、模糊性和未知性等特点的出现,模糊逻辑等在人工智能中得到发展;各种形式的非标准逻辑的出现,促使建立尽可能包容一切逻辑形态和推理模式的泛逻辑学。在分析模糊逻辑规律的基础上,把三角范数理论和逻辑学紧密结合起来,利用三角范数理论提出命题泛逻辑学。目前,泛逻辑学在人工智能中已经取得了一定的研究成果。     

同Vague谓词命题的概率逻辑

基于对Vague（或Fuzzy）概念的一种新的认知,使用随机集和概率论,引入了论域表达式及其适当测度的概念。进一步地,通过引入同Vague谓词命题及其他们真的概率（简称概率真度）的概念,提出了一种新的非经典命题逻辑,称为同Vague谓词命题的概率逻辑,并提供了其逻辑规律。其逻辑规律表明它与经典逻辑具有优良的和谐性。比较了同Vague谓词命题的概率逻辑与模糊逻辑的长处与不足。     

基于泛逻辑学的模糊逻辑关系柔性的研究

模糊逻辑是许多实际应用的逻辑基础,但是其理论基础还不太成熟,不能够实现真正的柔性,这也就影响了它的应用范围.逻辑学正处于第二次革命中,也就是由刚性逻辑到柔性逻辑的转变,泛逻辑学正是由何华灿教授建立的一种新的柔性逻辑体系.只有在泛逻辑学的框架内才能真正实现模糊逻辑关系的柔性化.     

From systems to logic in the early development of nonmonotonic reasoning

This note describes how the notion of nonmonotonic reasoning emerged in Artificial Intelligence from the mid-1960's to 1980. It gives particular attention to the interplay between three kinds of activities: design of high-level programming systems for AI, design of truth-maintenance systems, and the development of nonmonotonic logics. This was not merely a development from logic to implementation; in several cases there was a development from a system design to a corresponding logic. The article concludes with some reflections on the roles and relationships between logicist theory and system design in AI, and in particular in Knowledge Representation.