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     

基于规则推理的钻井液设计系统研究

钻井中出现的许多问题都与钻井液有关。提出将产生式系统应用到钻井液设计中。通过与传统规则存储方法的比较,首次提出了一种易于实现且能解决产生式中规则前件和后件随机组合问题的规则存储方式,使得推理中对规则的匹配更加高效合理。再结合推理技术和冲突解决方法,推导出合理的钻井液类型,以此弥补人工设计钻井液的缺陷,达到快速优质钻井的...     

基于主动式知识库的专家系统建模和推理研究

本文将面积地象的技术引入专家系统中,将知识库中的规则和事实都用对象来表示,每个对象仍其能获得的信息进行局部推理,并向其它对象发送推是结果,从而将推理分布于知识库的各个对象中,以并发和步的方式进行,实现了多种推理模式的自主推理网络,西文还给出了中推理模式的算法描述。     

一般化假言推理的一种新方法

一般化假言推理是模糊逻辑中一个重要的推理规则。至今仍没有一个十分有效的一般化假言推理方法。本文在文「１」工作的基础上，通过“加权”的方式提出了一种新的ＧＭＰ方法，其目的是为了建立一种内部机制更为合理的推理模式。     

基于规则的演绎与诱导混合推理

基于规则的推理应该充分利用相关信息，尽量模仿交替地使用正向和逆向求解的思维方式，定义了可改变推理方向的推理过程。为了实现这种推广过程提出了基于规划演绎与诱导的混合推理方法。     

基于BAM神经网络的推理研究

推理作为人工智能领域中的一个重要课题,是人类求解问题的主要思维方法.人们在处理问题或人工智能领域中进行推理机设计时,往往根据问题及所处环境不同,考虑不同的推理策略以提高其效果或效率.正向推理、反向推理及双向推理为三种基本的推理策略.双向联想记忆(BAM)神经网络是一类具有双向稳定性的反馈系统,具有简单、可靠、易于实现的特点.将双向联想记忆(BAM)神经网络用于推理是人工智能领域中进行推理机设计的新途径.在分析了BAM网络用于推理,尤其是双向推理的理论依据上,研究了BAM网络在不同推理策略下的运行方法,通过实例说明了该方法的运作方式,最后就存在的网络容量等问题进行了讨论,指出了进一步研究的方向.     

逻辑新论

逻辑学就是研究人的理智思维活动的科学,也就是研究人在理智状态下生成与使用概念、命题、推理的实然方式与应然规则的学问,而逻辑就是总结、概括、创造出来的生成与使用概念、命题、推理的规则。概念是高度浓缩了的判断。命题是省略了过程的推理。所有命题通过转换都可以变为两个集合之间的交集是否存在的判断。简述了确认＂命题‘A是B’是真的＂的条件,认为逻辑规则是为了特定的目的而设计出来并约定俗成的思维单元的生成与使用应遵循的规范。目的不同,完成目的而遵循的逻辑规则也不同。逻辑规则不是逻辑规律,逻辑规则是人们对逻辑规律认识后将其运用于思维活动的方式。逻辑规律是一元的,而逻辑规则是多元的。     

逻辑新论

逻辑学就是研究人的理智思维活动的科学,也就是研究人在理智状态下生成与使用概念、命题、推理的实然方式与应然规则的学问,而逻辑就是总结、概括、创造出来的生成与使用概念、命题、推理的规则。概念是高度浓缩了的判断。命题是省略了过程的推理。所有命题通过转换都可以变为两个集合之间的交集是否存在的判断。简述了确认"命题‘A是B’是真的"的条件,认为逻辑规则是为了特定的目的而设计出来并约定俗成的思维单元的生成与使用应遵循的规范。目的不同,完成目的而遵循的逻辑规则也不同。逻辑规则不是逻辑规律,逻辑规则是人们对逻辑规律认识后将其运用于思维活动的方式。逻辑规律是一元的,而逻辑规则是多元的。     

基于CBR和RBR混合推理的齿轮箱智能诊断技术

针对传统齿轮箱智能诊断系统获取知识的困难,提出了基于案例(case-based reasoning,CBR)和规则(rule-based reasoning,RBR)混合推理方式的智能诊断技术.在研究此2种推理技术优缺点的基础上,取长补短,合理地将其应用到轧机齿轮箱故障诊断工作中,提高了故障诊断的准确率和效率.针对传统案例检索中相似度算法的不足之处,提出了一种新的案例检索算法,有效地解决了传统的相似度算法检索案例不准确的问题.     

模糊插值推理概述

模糊推理本质上就是某种插值方法,但在稀疏规则库的条件下,当输入的事实落入规则"空隙"时,采用传统的CRI方法是得不到任何推理结果的,从而诞生了模糊插值推理。由于模糊插值推理是模糊推理重要分支,并且学者们对其研究均处于起步阶段,故对现有的模糊插值推理加以介绍。     

具有作用规则选择功能的模糊控制器硬件实现方法

基于很多条模糊控制规则的模糊逻辑推理软件化实现方法有时难以满足快时变过程控制的要求,而基于部分规则的模糊推理硬件化实现方法则具有非常高的推理速度.提出了一种基于作用模糊子集推理的数/模混合推理结构,讨论了其实现原理,并用HSPICE完成了电路的仿真试验.结果表明,当规则数增加时,具有此结构的模糊控制器的器件数目增加很少,大大节省芯片面积,而且具有纳秒级的推理速度.     

基于本体与Prolog的平面几何定理证明

基于本体理论、本体模型等方面的研究,以一个平面几何定理证明问题为例,详细地描述了平面几何本体的构建过程、基于本体和Prolog规则的推理,及其在平面几何问题求解中的应用.实验结果表明,将本体应用于几何定理机器证明是一种行之有效的方法,该方法避开了以往的代数方法中多次反复判断的问题,更接近自然语言的描述,能明确地表达领域...     

基于加权模糊推理网络的文本自动分类方法

针对数据挖掘中的文本自动分类问题,提出了一种基于加权模糊推理网络的分类方法．网络的基本信息处理单元为模糊推理神经元,融合了模糊逻辑能够较完整的表达领域规则和先验知识以及神经网络自适应环境的优点．根据模糊推理规则的量化表示形式和微分方程数值解的动力学思想推导出网络一种新的学习算法．该算法以文本特征谓词的真度作为分类依据,体现了模糊分类的思想以旅游站点网页分类为例验证了该方法的有效性。     

基于双枝模糊逻辑攻击模型的分层推理算法

针对以模糊Petri网为理论基础的网络攻击模型BBFPAN自学习能力差的缺点,本文首先提出一种新的适用于对攻击模型BBFPAN进行层次式划分的分层算法,为将神经网络理论引入攻击模型的研究奠定了基础。为了使攻击模型BBFPAN能够清晰地反映网络攻击过程中各节点的状态变化情况,发现网络系统的漏洞,本文首次将双枝模糊逻辑理论应用于攻击模型BBF-PAN的推理计算,提出了BBFPAN模型推理的基本规则,给出了一种BBFPAN分层推理算法,并通过实验验证了算法的正确性。     

基于Rete算法的几何自动推理系统

智能几何教学软件都使用基于前推法的几何推理系统作为推理引擎。推理引擎的主要工作是做推理规则和几何信息的匹配计算。推理过程中产生的大量冗余匹配严重地影响了推理效率。为了提高推理引擎的推理效率, 作者首次将Rete模式匹配算法整合到推理引擎中, 构造了一种高效的几何自动推理引擎, 称为几何自动推理网。几何自动推理网通过消除推理过程中的冗余匹配达到了提高系统推理效率的目的。使用Lisp语言编写了几何自动推理网程序iGeo, 并做了50多个非平凡几何定理的推理实验, 实验结果表明iGeo具有更高的推理效率。     

近似推理的向量法模型

对现行近似推理方法的特点及局限性进行分析,进而提出了向量法近似推理模型。将推理视为论域的多维状态空间中状态的变化与传递。本方法吸取了MYCIN系统的CF可信度方法的直观、简单的优点;发挥了阈值逻辑方法的权值在表达和保持相关因素不同重要性方面的作用;用向量投影的方法,计算状态与规则的匹配程度。该模型为专家系统设计提供的推理方法,概念合理,使用直观、简便,能较准确地反映客观过程。     

证据推理理论组合规则评价方法研究

证据推理理论(包括DS理论和DSm理论)是处理不确定信息的重要方法,其组合规则性能的好坏直接影响推理结果.为了有效评价证据推理理论组合规则的性质,总结了基于DS理论的组合规则评价方法存在的问题,并深入分析了问题出现的原因;根据DSm理论的特点,提出了基于DSm理论组合规则的评价方法.该评价方法主要从冲突证据处理、证据时序性和计算量3个方面对基于DS理论的组合规则评价方法进行了改进.     

智能家庭中一种基于本体的机器人服务认知机制

为增强机器人提供不同类型服务的能力,针对智能家庭环境中的服务机器人提出一种基于语义网规则语言的机器人分类服务推理方法。利用本体技术建立智能家庭的本体模型,通过该模型集成来自不同数据源的数据,消除设备之间的异构性。根据智能家庭机器人服务系统的服务特点划分服务类型,利用历史上下文信息生成服务规则库。通过推理引擎匹配实时的上下文信息与服务规则实现机器人的服务推理。智能家庭背景下的系统运行试验结果表明,机器人服务推理方法能够完成智能家庭环境中不同类型的服务推理,从而进一步提高机器人服务的智能性。     

基于IVFS的专家模糊控制应用研究

针对不确定性知识难以量化．摸铷控制器曲隶属函数不容易确定等问题．提出了一种区间值横期产生式规则．建立模糊控制规则模型，给出了区间值模糊匹配函数定义，在此基础上给出了区间值模糊推理方法。该方法更有利于模期规则的精确匹配．应用到实际工业控制对象，能更好的反映领域专家的决策思维和推理过程。     

Method of Dynamic Knowledge Representation and Learning Based on Fuzzy Petri Nets

A method of knowledge representation and learning based on fuzzy Petri nets was designed. In this way the parameters of weights, threshold value and certainty factor in knowledge model can be adjusted dynamically. The advantages of knowledge representation based on production rules and neural networks were integrated into this method. Just as production knowledge representation, this method has clear structure and specific parameters meaning. In addition, it has learning and parallel reasoning ability as neural networks knowledge representation does. The result of simulation shows that the learning algorithm can converge, and the parameters of weights, threshold value and certainty factor can reach the ideal level after training.