一种基于面向对象环境的因果推理方法

一、引言当今专家系统已逐步成为人工智能中影响最大、应用最广泛的领域之一。然而,尽管专家系统技术在具有良结构的狭窄领域内表现出很高的性能,但仍存在许多问题。如:·处理困难或不常见问题时性能急剧下降;·由于系统知识库的非结构化,系统知识难以维护和修改;·系统不能积累以往问题求解的经验;·系统行为的解释仅仅是启发式推理规则的再现,缺乏理论支持,不能令人信服。之所以存在上述问题,圭要是由于缺乏     

因果图推理的一种新方法

1 引言基于概率论推理的不确定性知识表达推理方法包括信度网、马尔可夫网以及PROSPECTOR中使用的方法等。其中,信度网推理模型因其理论上的严格性和一致性,以及有效的局部计算机制和直观的图形化知识表达,正日益受到高度的重视。然而,信度网也存在一些不足:如处理多连通问题和因果循环问题的方法复杂,计算量大;采用条件概率表达因果关系强度不直观,数据之间存在相依性;较难根据实时收到的信息对知识库中的数据和因果结构进行在线修改;没有考虑条件概率随时间动态变化等问题。 1994年张勤教授提出了另一种基于概率论的知识表达推理方法—“基于动态因果树/图的概率推理”。该方法通过引入布尔逻辑运算,克服了上述信度网之不足,具有如下一些显著的特点:完全基于概率论,有良好的理论基础;对网络的拓扑结构没有限制(不要求通常使用的DAG图),可根据实际情况任意构造自己     

一种引入归一化常数的多值因果图推理算法

在将原单值因果图推理算法直接应用于多值因果图推理时,存在不严格满足概率推理中的归一性和互斥性要求的严重问题.该文提出的算法采用以下方法成功解决了这一难题：①假定多值因果图中原因节点对结果节点只贡献概率值,且每个贡献是简单相加的关系.即原因节点对结果节点状态的影响是非直接的,原因节点只影响结果节点各状态的概率分布,结果节点的状态由这个状态概率分布随机决定;②引入归一化常数来保证推理过程中的归一性;③通过推导出多值因果图的一个性质,即可以在推理过程中假定指向同一节点的所有连接事件的各状态之间彼此互斥来保证推理过程的互斥性.从而使得算法在推理过程中同一节点的各状态间完备且互斥,保证了推理的正确性.     

多值因果图的一种推理算法

该文针对多值因果图存在的两个困难:不严格满足概率论;将其用于实际问题时,推理结果可能出现错误。提出了一种基于因果影响可能性分配的推理算法。该算法对多值因果图进行了补充定义,使多值因果图能够兼容单值因果图;定义了事件变量状态可能性,及其精确计算方法和近似计算方法;给出了将多值因果图转化为单值因果图的方法和步骤,并推导了相应的计算公式;给出了收到证据后,感兴趣变量状态的后验概率计算方法。以核电站二回路系统中蒸汽发生器故障诊断因果图为例,展示了该算法推理计算的全过程。实例表明,该算法能够有效地克服多值因果图存在的困难,其推理过程严谨,计算结果符合实际情况。     

一种因果推理形式

针对定性推理在有冲突情况下进行传播时所存在的问题，本文提出了一种因果关系形式，引入了“时间”和“效果”概念，给出了因果推理过程：先建立因果关系图，再传播原因变量的行为，并应用定性代数方法来处理冲突问题．这种因果推理形式推广了Ｉｗａｓａｋｉ因果推理方法.     

多值因果图知识独立性与相关性的矛盾及解决方法

首先给出一个基本假设， 假定在多值因果图中， 原因节点不直接影响结果节点, 而是只贡献概率值， 结果节点的状态由这些概率值之和形成的概率分布随机决定. 接着, 通过引入归一化常数来解决推理过程中的归一性问题. 最后, 假定指向同一节点的各连接事件的各状态之间彼此互斥, 这并不会影响推理结果， 这一特性保证了推理过程中任一节点的状态之间彼此互斥, 也简化了推理算法．     

因果图用于复杂系统故障诊断研究

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,具有重要的工业应用价值。经过文献犤5犦犤6犦犤7犦的研究,目前因果图已发展成一个能够处理离散变量和连续变量的混合因果图模型。文章讨论了将因果图用于复杂系统故障诊断的关键问题。给出了基于因果图的故障知识表达方法,给出了故障模式的静态求取方法和动态求取方法以及故障模式的概率计算方法。以核电站二回路系统为研究对象,在自行研制的因果图智能故障诊断平台上进行了故障诊断测试,诊断结果与实际情况相符,诊断迅速、效果较好。     

基于因果图的一种知识获取方法

产生式规则和因果图是知识表示的两种方法,鉴于产生式规则在表达知识和推理方面的缺陷或不足,因此寻找一种能更好地表达知识和推理的方法非常必要,而因果图具有表达知识直观,推理灵活、方便等特点。论文根据模糊式产生式规则与因果图,以及合成式模糊产生式规则与含与门、或门的因果图的对应关系,给出了将模糊产生式规则集表示的知识转换成更紧凑、直观因果图表示的方法和过程,相应的也得到了一个因果图知识的获取方法,并给了一个其转换的实例。     

复杂因果图并行推理算法研究

因果图的精确推理算法是NP难的,因此寻找高效的推理方法是值得研究的问题。介绍了因果关系研究进展,对经典因果图推理过程作了进一步分析,在此基础上提出了复杂因果图的并行推理算法,并对算法的时间复杂度进行了分析,最后用一个实例验证了算法的推理效果。研究表明,该复杂因果图并行推理算法有效地降低了时间复杂度,特别是在有环且处理机数量足够的情况下和无环且处理机有限的情况下,算法的复杂度是一个多项式时间复杂度,这为因果图提供了一种可行的新的推理方法。     

多值因果图的推理算法研究

针对多值因果图存在的两个困难：（1）不严格满足概率论；（2）将其用于实际问题时，推理结果可能出现错误，提出了一种基于因果影响可能性分配的推理算法，该算法将多值因果图的推量分成3个阶段，首先对多值因果图进行补充定义，使多值因果图能够兼容单值因果图；接着将多值因果图转化为单值因果图进行概率计算，最后对多值因果图进行可能性计算，将单值因果图计算得到的概率按多值因果图计算得到的可能性进行分配，以核电站二回路系统中蒸汽发生器故障诊断因果图为例，展示了该算法推理计算的全过程，实例表明，该算法能够有效地克服多值因果图存在的困难，其推理过程严谨，计算结果符合实际情况，而前面提出的推理算法基础上，针对其不能处理模型情况的局限性，提出了一种模糊推理算法，该算法对多值因果图进行了模糊扩展定义，在读数变量和事件变量之间建立了用于表达模糊知识的模糊对应关系，在事件变量上定义了一个等价的虚拟模糊状态，使读数变量取值对应一个模糊状态，把读数和模糊推理转化为对应模糊状态的非模糊推理，通过本文的工作，目前因果图已发展成了一个能够处理离散变量和连续变量的混合因果图模型。     

基于抽样的因果图仿真推理算法研究

由于因果图的经典推理的计算复杂度是NP难的,因此其不便于推广和使用。基于因果图理论和MonteCarlo思想,提出了基于抽样的A-R Sampling和重要性抽样的因果图仿真推理算法。在故障诊断中的有效应用验证了方法是可行的。     

连续变量/离散变量混合因果图推理模型研究

针对因果图理论[1]没有对于连续性问题进行理论上的研究的情况，根据因果图知识表达的特点，本文立足于模糊逻辑的方法，对变量的连续性问题、因果关系的连续性问题进行研究，通过理论分析提出了完整的解决方法，实现了同时兼容连续、离散问题的混合推理因果图模型，并完整地建立了清华大学北京核电模拟机的故障诊断连续/离散混合模型，将其二回路的15种故障全部正确定位，体现了因果图理论以及本文提出的连续/离散混合处理方式的有效性．     

GIBBS仿真方法运用在大型因果图的推理过程

在信度网基础上发展起来的因果图模型,克服了信度网的一些不足,目前已发展成一个能够处理离散变量和连续变量的混合模型,特别适于运用在大型的工业故障诊断领域。但因果图在推理计算中,面临着与信度网的推理算法复杂度过高的同样问题。通过比较几种MarkovChainMonteCarlo(MCMC)方法,论文基于Gibbs仿真算法的思想,并对进入稳态条件、采样顺序判定准则、采样结束判据等进行深入分析,进而提出了一种改进的仿真推理新方法。利用该采样仿真算法能极大地提高故障诊断的速度和准确度,这对因果图模型在工业在线故障诊断领域中的应用具有重要意义。     

行动推理中循环因果关系的研究

近年来行动推理的研究成为人工智能领域的热门问题,而结果问题是目前行动推理研究的核心问题之一．该文针对许多行动推理系统不能处理循环因果关系的问题,提出了解决方法．基于适当修改后的McCain和Turner的因果理论,该文提出了一种能处理循环依赖的理论转化方法．转化后的因果理论消除了循环依赖,而且可以采用单调推理方法．基于因果闭包语义,证明了转化前后的因果理论具有相同的模型．当因果关系不存在循环依赖时,该文方法得到与McCain,Turner方法(1997)相同的结果．     

梯形模糊因果图及归一化研究

因果图理论是一种基于概率论的推理方法。文章在分析因果图理论发展和存在的问题基础上，将模糊数学引入因果图理论，即模糊因果图，从而可以克服因果图分析中概率难以精确赋值的缺点，将因果图理论应用扩大到了模糊领域。文章主要对事件概率为梯形模糊教进行讨论，提出了模糊因果图的算子，得到了模糊条件概率的计算公式，讨论了模糊概率的归一化方法。最后，以核电站的一个子系统为例进行仿真实验，实验结果与实际一致，归一化方法可行。研究表明：模糊因果图能有效地用于故障分析，比原来的因果图方法具有更大的灵活性和适应性.