一种信度网推理的并行计算模型

基于概率知识表达的信度网已成为人工智能中非确定知识表达和推理的研究热点。推理算法是信度网学习和应用的基础。该文提出了一种基于经典Polytree算法的推理计算模型。该模型表达清楚,计算过程容易控制,并能够简单地映射到并行机结构上。该文首先介绍了模型在单联通网络下的计算步骤,然后将模型引入到多联通网络上。     

信度网推理——方法及问题（上）

信度网（Belief Network)[6,7,11]又名贝叶斯网络（Bayesian network),是目前非精确知识表达与推理领域最有效的理论模型,已成为近十几年来研究的热点。该网络采用图形化的方式表达了一个联合概率分布。一个由N个节点{X1,...,Xn}构成的信度网B＜G,P＞,由两部分构成。     

信度网推理——方法及问题（下）

3.2 团树传播方法信度网推理的第二类算法为基于团树传播的方法。该方法采用了另一种图形表达方式来表达联合概率分布,即采用了另一种对联合概率分布进行参数化的方法。该方法所对应的图形结构是一棵无向树——团树。该树必须满足如下特征: 每一个节点为一个团,每一个团里面将包含一定量的随机变量;     

一种新的Petri网推理方法

提出一种新的基于Petri网的知识表达方法和逻辑推理算法，通过减少重复推理过程，充分利用推理过程中已经得到的中间结论，该算法比现有算法减少了推理步数，有效地提高了推理效率。     

用于通信网阻塞控制的信度网模型

1.引言阻塞是通信网中的一种常见现象。网络由于信息流特性的可变性和网络结点的特性,使得信息在通过结点时产生滞留现象,从而造成信息的时延增大和信息丢失率上升。这种由于网络结点吞吐率下降而引起的信息聚集于一些结点的缓冲区中,网络时延极大增加的现象即为网络的阻塞现象。当网络中一个结点处于阻塞状态,那么与该结     

用遗传算法实现信度网结构学习：一种新的编码方案

近年来，信度网已经成为表达一组随机变量问的概率关系的常见方法。在大的变量域中信度网的结构生成是信度网应用的难点。为了解决信度网的结构学习问题，一些研究者研完如何从数据集自动学习结构。本文研究采用遗传算法进行信度网结构学习时存在的问题和编码方法，并给出了一种新的信度网编码方案。数值试验显示遗传算法能够给出理想的结果。     

一种用于信度网推理的高效三角化算法

信度网是不确定性知识表达和推理的有力工具。信度网的精确推理是NPC问题,计算的主要困难在于将信度网三角化并构造一棵最小权的join tree上。此项研究提出了一种新的三角化算法MsLB-Triang,该算法同时利用了无向图三角化的Direc性质与LB-单纯性质,在生成的三角化图的总权以及增加边的数目上均明显优于目前广泛采用的Min.Weight Heuristic算法。     

一种吸引分岔知识网模型及其应用实例

本文基于非线性动力学，特别是托姆的形态发生学思想，针对视觉学习，给出了一种吸引分岔知识网模型，用于解决知识表示和获取问题，通过引入皮亚杰发生认识论中的概念，模型拥有的学习功能包括强化、同化、顺应、聚合、分裂和遗忘；这样就给出了一个学习视觉知识的完整方法，３个应用系统的结果表明，该模型及其学习方法，以于解决实现问题，是有效和适用的。     

基于隐含变量信度网模型的脱机签名鉴别方法

本文提出一种新的基于信度网表示的签名鉴别方法。这种信度网表示方法和传统的信度网表示不同，其中的结点被划分成两类：共有结点和可选结点，以保证构造的网为树结构。该方法不仅可以获得每个结点的条件概率，而且可以表达与结点相关联的成分间的拓扑关系，以便对结构描述的不确定性和成分间的依赖关系进行处理。     

一种新的基于Petri网的多媒体同步模型

多媒体信息的同步是分布式多媒体信息系统的关键技术。本文在对国外几个典型多媒体同步模型进行分析、比较的基础上,提出一个新的多媒体同步要模型。该模型不但可以充分、准确、形式化地描述和规模多媒体信息流的时间行为,而且还考虑到了分布式环境中多媒体信息的时间特性（如抖动）,并且有人机交互功能。     

任务链：知识库组织的一种新方法

提出了任务（Task)的概念，每个任务代表一种知识源，不同的任务可以采用不同知识表示形式及推理策略，一个知识库由一组前向或后向链构成的任务链组成，实现了知识库的结构化，可视化，支持知识部件的重用与共享，并提供了一种知识建模机制。     

知识链模型研究

知识链定义为有限个知识资源组成的有序集合。从“过程”的观点来看,伴随业务过程而存在的一个流动的“知识过程”,也就是知识链。知识链映射业务过程,支持并主导业务过程,更提升、激励业务过程。知识链模型包含了知识资源生产过程和知识资源应用过程。前者定义为知识生产链,其操作包括知识资源的挖掘、表示和存储。后者定义为知识应用链,其操作包括知识资源的识别和选用、执行、评估。一个完备、健壮的知识链模型可以通过定义知识链单元的特性参数来评估,以保证知识链操作过程的高效率、低成本和负荷平衡。     

网络课程中的知识结构化表示方法

本文以认知科学中的知识建构理论为基础提出了一种结构化知识表示方法,此方法以“单元”作为知识表示的基本结构模块,将单元划分为十种类型,并定义了单元之间的关系。本文的工作是进一步研究面向人的知识表示方法的基础。     

自适应网络教学系统中知识表示模型的设计

针对知识库是教学系统的核心,是实现系统智能化的关键。为了提高网络教学系统的决策和诊断能力,满足自适应学习的需要,设计了一个基于层次结构的语义网络和产生式的二级知识表示模型,提出了广度优先的知识点剪枝算法和深度优先的知识点遍历算法,对所学习知识点进行选取及对相应的知识网络遍历,并通过采用知识点学习的智能导航算法仿真学生在系统中自适应学习的全过程。实验结果表明,知识模型的设计有助于实现网络教学资源动态组织和教学策略的动态调整,能够更好地为学生提供个性化的学习参考需要,为系统决策分析提供参考依据。     

一种新的关联规则Vis-Meta图知识表示方法

针对传统关联规则表示方法无法展示领域知识,缺少对规则信息一对一、一对多、多对一、多对多的多模式表示,忽略知识发现结果的共享等问题,提出了一种新的基于Vis-Meta图的多模式关联规则知识表示方法.首先给出了Vis-Meta图的相关定义与关联规则的Vis-Meta图表示方法,接着定义了关联规则Vis-Meta图知识表示中的概念关系,并在此基础上给出了关联规则概念关系知识表示算法、关联规则实例对比算法和关联规则知识表示优化算法.最后,以某省全员人口数据为基础,对关联规则信息进行可视化分析.实验结果表明,所提出的知识表示算法具有良好的展示效果与知识共享能力.     

多语种文本自动生成系统中句子规划部分知识表示模型的构造

提出了一种多语种文本自动生成系统中句子规划阶段的知识表示模型,它以句子结构类、句法规则和语义词典确定文本的具体形式,并详细介绍了该知识表示模型的结构及其匹配准则。     

基于语义网络的神经网络系统

文章通过分析语义网络知识表示及神经网络研究的各自特点与现状,提出了将基于语义网络的知识表示方法引入神经网络知识处理中的设想,并作了一些初步的探讨。     

KM4: Visual reasoning via Knowledge Embedding Memory Model with Mutual Modulation

Visual reasoning is a special kind of visual question answering, which is essentially multi-step and compositional, and also requires intensive text-visual interaction. The most important and challenging problem of visual reasoning is to design an effective and robust visual reasoning model. To this end, there are two challenges to overcome. The first is that textual and visual information must be jointly considered to make accurate inferences about reasoning. The second is that existing deep learning-based works are often too specific to a particular task. To address these issues, we propose a knowledge memory embedding model with mutual modulation for visual reasoning. This approach learns not only knowledge-based embeddings derived from key–value memory network to make the full and joint of textual and visual information, but also exploits the prior knowledge to improve the performance with knowledge-based representation learning for applying other general reasoning tasks. Experimental results on four benchmarks show that the proposed approach significantly improves performance compared with other state-of-the-art methods, guarantees the robustness with our model. Most importantly, we apply our model to four reasoning tasks, and experimentally show that our model effectively supports relational reasoning and improves performance in several tasks and datasets.     

基于知识模型的改进遗传算法

针对遗传算法个体进化缺乏明确导向的缺点,该文提出了一种基于知识模型的改进遗传算法,将遗传算法和神经网络有效结合起来,利用神经网络的学习功能。构造知识模型,用来引导群体中某些个体的进化。模拟实验验证了该算法的有效性。