概率神经元网络收敛性的研究

将发散的概率神经元网络分为两类：本质发散的非本质发散的，对于本质发散的网络不论如何扩充训练样本，所得的新网络均不可能收敛；对于非本质发散的网络总可以适当地扩充训练样本，使得网络收敛，并给出了扩充训练样本集的算法。，     

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。     

一种概率过程神经元网络模型及分类算法

针对动态信号分类及与先验类别知识融合问题,提出了一种概率过程神经元网络模型．模型将贝叶斯概率分类机制与过程神经元网络动态信号处理方法相结合,通过在前馈过程神经元网络中增加一个模式单元层,以及采用归一化指数类型激励函数,实现基于贝叶斯规则的动态信号分类．分析了概率过程神经元网络分类机制与贝叶斯分类规则的等价性,给出了具体的学习算法,实验结果验证了模型和算法的有效性．     

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.     

人工智能科学中的概率逻辑

人工智能科学,从其诞生之日起便与逻辑学密不可分。本文首先对逻辑学的分类、相互关系以及泛逻辑的概念等进行了讨论,并对人工智能中逻辑学的应用及发展进行了必要的分析。然后讲述了逻辑学与概率论两大理论基础之上的不确定性推理方法——概率逻辑,重点研究了二值概率逻辑与三值概率逻辑。最后阐述了概率逻辑在人工智能科学中的应用以及对它的思考。     

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。     

概率逻辑模型与学习研究进展

近年来,概率逻辑学习研究取得了很大进展,已经提出各种不同的形式化方法和学习方法,包括概率关系模（PRMs）、贝叶斯逻辑程序（BLPs）、逻辑贝叶斯网络（LBNs）和随机逻辑程序（SLPs）等。文章重点介绍了贝叶斯网络与一阶逻辑的结合,并以PRMs、BLPs和LBNs为例,描述了基于贝叶斯网络的概率逻辑模型（PLMs）的知识表示方法,给出了此类PLMs一般使用的参数估计方法和结构学习方法,并给出了建议的研究方向。     

概率逻辑神经元网络的记忆容量

本文研究概率逻辑神经元网络的记忆容量问题，主要结果有，１给出构造指定记忆容量网络的方法２给出网络独立记忆容量与网络规模之间的数量关系，得出ＰＬＮ网络的记忆容量不仅与元件的输入线个数有关，而且与网络的元件个数也有关。以上结论为ＰＬＮ网络的综合提供了新方法。     

单层反馈PLN网络的识别复杂性

本文讨论将单层反馈PLN(概率逻辑神经元模型)网络当作联想记忆网络时,其识别的复杂性问题,即其平均识别速度与网络规模之间的数量关系,我们得到的主要结论是,设单层反馈PLN网络N的规模为m,则其识别计算量是m的指数函数,给出识别计算量是m多项式的必要条件。     

PLN网络吸引区域的定量分析

本文证明在ＰＬＮ网络中适当给定广义Ａ－学习律，可使网络满足如下条件：（１）所有训练样本都是稳定状态；（２）每个稳定状态具有最大的吸引域；（３）具有很快的收敛速度．由此可见，将这种ＰＬＮ网络作为联想记忆器是很理想的．     

概率神经网络预测股票市场的涨跌

概率神经网络提供了一个贝叶斯决策,并且具有训练速度快,可以实时更换数据的优势,在金融领域的分析预测中有一定的应用价值,文章应用概率神经网络对上证180指数的变化方向进行了预测,结果表明了概率神经网络在预测股票市场涨跌方面的实用性。     

概率信念逻辑的语义

在信念逻辑基础上,引入概率,给出了一种概率信念逻辑PBL,增强了信念逻辑的表述能力和推理能力。并为PBL建立了两种语义：首先将知识逻辑的Aumann语义进行推广,给出了PBL逻辑的概率Aumann语义,其次为PBL建立了一种正规概率模态语义,这是一种适于刻画概率模态逻辑的语义模型。证明了PBL的概率Aumann语义和正规概率模记语义的可靠性,并讨论了正规概率模态语义与Kripke语义的关系。最后,通过一个例子说明了PBL的描述能力和推理能力。     

Minimax神经网络收敛性分析

ｍｉｎｉｍａｘ问题的研究不仅在对策论、数学规划和最优控制中具有重要意义，而且许多类型的问题都需要寻求ｍｉｎｉｍａｘ问题的数值解．本文建立了连续动力系统神经网络来探讨ｍｉｎ－ｉｍａｘ问题，在适当的条件下利用Ｌｙａｐｕｎｏｖ函数讨论了网络的稳定性和收敛性，并证明了神经网络的稳定平衡点即为ｍｉｎｉｍａｘ问题的鞍点．这样的网络可由ＶＬＳＩ技术实现，且具有实时动力学行为，它们也很象生物处理的动力学．在适当的条件下，利用Ｌｙａｐｕｎｏｖ函数稳定性理论证明了该网络是Ｌｙａｐｕｎｏｖ稳定的，且网络收敛于鞍函数的鞍点     

The Complexity of Recognition in the Single-Layered PLN Network with Feedback Connections

Regarding a single-layered PLN network with feedback connections as an associative memory network,the complexity of recognitions is discussed.We have the main result:if the size of the network N is m,then the complexity of recognition is an exponential function of m.The necessary condition under which the complexity of recognition is polynomial is given.     

PREPROCESSING RULES FOR TRIANGULATION OF PROBABILISTIC NETWORKS*

Currently, the most efficient algorithm for inference with a probabilistic network builds upon a triangulation of a network's graph. In this paper, we show that pre‐processing can help in finding good triangulations for probabilistic networks, that is, triangulations with a maximum clique size as small as possible. We provide a set of rules for stepwise reducing a graph, without losing optimality. This reduction allows us to solve the triangulation problem on a smaller graph. From the smaller graph's triangulation, a triangulation of the original graph is obtained by reversing the reduction steps. Our experimental results show that the graphs of some well‐known real‐life probabilistic networks can be triangulated optimally just by preprocessing; for other networks, huge reductions in their graph's size are obtained.     

计算机网络的建模与分析

计算机网络具有既随机又相关的特点，因此选择计算机网络性能评价的数学工具要考虑到网络数据流的特性，排队模型是一种确定性的数学模型，用确定性的模型描述网络既随机又相关的动态行为是不够的。Ｐｅ＃簦颍? Ｎｅｔｓ（ＰＮ）能够比较方便地刻画网络的相关录枋鐾绲木赫⑴鲎埠妥枞樱校谓肜┏浞⒄苟吹乃婊校危梢员冉戏奖愕目袒缡录乃婊裕呓岷掀鹄创酉嗟背潭壬匣汉土思扑慊缃Ｓ敕治鲋涞     

THE USE OF THE CALCULUS OF VARIATIONS AND FUNCTIONALS IN THE ANALYSIS OF THRESHOLD LOGIC UNIT NETWORKS

The problem of determination of weights for a continuum limit, deterministic network of threshold logic units is considered. The result is a set of integral equations which provide as their solution the optimum set of weights. Also considered is the determination of the set of eigenstates of a special, nonhierarchical, infinite network. The novel techniques employed are the calculus of variations, functional expressions, and Wick's theorem of quantum mechanics.