模糊Petri网及其在模糊推理中的应用

该文首先引入模糊Petri网(Fuzzy Petri Net)的定义，给出了一个九元模糊Petri网模型，并且详细介绍了模糊Petri网的激发规则。给出了产生式规则的模糊Petri网表示的三种模型，在此基础上提出了一种基于模糊Petri网的推理方法，最后使用模糊Petri网中知识表示和运行的基本算法解决了汽车质量检验和故障分析这一实际问题。实际应用证明基于模糊Petri网的产生式规则的推理具有知识表达能力强，处理不确定知识正确，推理过程简单直观，具有一定的智能推理能力，具有较强的实用价值。     

知识增强的自然语言生成研究综述

自然语言生成(Natural Language Generation, NLG)任务是自然语言处理(Natural Languge Processing, NLP)任务中的一个子类,并且是一项具有挑战性的任务。随着深度学习在自然语言处理中的大量应用,其已经变成自然语言生成中处理各种任务的主要方法。自然语言生成任务中主要有问答任务、生成摘要任务、生成评论任务、机器翻译任务、生成式对话任务等。传统的生成模型依赖输入文本,基于有限的知识生成文本。为解决这个问题,引入了知识增强的方法。首先介绍了自然语言生成的研究背景和重要模型,然后针对自然语言处理归纳介绍了提高模型性能的方法,以及基于内部知识(如提取关键词增强生成、围绕主题词等)和外部知识(如借助外部知识图谱增强生成)集成到文本生成过程中的方法和架构。最后,通过分析生成任务面临的一些问题,讨论了未来的挑战和研究方向。     

一个基于分布推理的知识库

随着知识处理量的增大，分布式知识库成了一个很重要的发展方向。本文提出了一个基于分布推理的知识库模型，这个模型允许用户充分利用分布在各处的知识求解问题作查询，并提出了一个优化的问题求解的推理机制。     

基于描述逻辑的主体服务匹配

多主体系统中的服务匹配是智能主体和多主体系统等领域中的重要研究课题．描述逻辑是知识表示和推理的形式化工具，它提供了可判定的和可靠的推理服务．该文利用描述逻辑有效的推理功能，特别是它对概念包含关系的有效判断，把它与多主体系统的服务推理结合起来．充分利用描述逻辑具有清晰模型一理论语义和有效的概念分层推理服务等功能，该文提出了基于描述逻辑的主体服务匹配算法，详细研究了如何利用描述逻辑的理论和推理机制来实现自动的服务分层及服务匹配．并提出了五种服务匹配算法．这些方法都是基于语义的服务匹配，利用服务分层机制实现了有效和高效的多主体系统中的服务匹配，克服了基于语义距离进行服务匹配的不足．     

建造带有人工神经元网络知识系统的一种方法

本文将人工神经元网络(在本文中简称神经元网络)考虑为在知识系统中的一类知识表达模型,并且引入神经元网络块的概念作为各种表达方法的桥梁。本文的另一点在于提出了“基于实例”的神经元网络求解的解释方法,它与传统的“基于踪迹”的解释方法有效地结合在一起,来完成对推理解释的任务。     

面向小样本学习的轻量化知识蒸馏

小样本学习旨在模拟人类基于少数样例快速学习新事物的能力, 对解决样本匮乏情境下的深度学习任务具有重要意义. 但是, 在诸多计算资源有限的现实任务中, 模型规模仍可能限制小样本学习的广泛应用. 这对面向小样本学习的轻量化任务提出了现实的需求. 知识蒸馏作为深度学习领域广泛使用的辅助策略, 通过额外的监督信息实现模型间知识迁移, 在提升模型精度和压缩模型规模方面都有实际应用. 首先验证知识蒸馏策略在小样本学习模型轻量化中的有效性. 并结合小样本学习任务的特点, 针对性地设计两种新的小样本蒸馏方法: (1)基于图像局部特征的蒸馏方法; (2)基于辅助分类器的蒸馏方法. 在miniImageNet和TieredImageNet数据集上的相关实验证明所设计的新的蒸馏方法相较于传统知识蒸馏在小样本学习任务上具有显著优越性.     

用VC建造混凝土抗冻专家系统

本文主要介绍用Visual C for Windows来实现混凝土抗冻专家系统,在系统设计中用VC来进行推理、分析及判断的过程、本系统结构主体由知识库、推理子系统和帮助子系统组成。     

复合事例推理的方法研究

一、引言大多数推理系统是混合的,这是因为它们包含了各种不同类型的子系统。复合系统可以是包括模拟子系统和数字子系统。对基于知识的系统(KBs)而言,复合系统是包括事例、规则、框架结构、约束满足的系统,或是一个传统KBS和一个神经网子系统的集成系统。本文叙述了基于事例的推理系统和其它推理系统的集成系统结构。基于事例推理(CBR)系统是一个用以前经验解决新问题的推理系统。CBR系统根据新问题的主要特征,从己经构造的、存贮了解决过去问题的正     

基于网格和移动Agent技术的oPenDSS研究

为了构建具有真正开放性的OpenDSS,提高DSS对于复杂决策问题的效率,提出了网格环境下移动Agent的决策支持系统MABODSS模型.利用移动Agent的智能性和自适应能力,将基于CBR的推理机制用于任务分解和网格决策资源匹配,阐述了MABODSS方案层基于CBR的Agent推理机制及其运作流程和交互机制,把复杂的决策问题求解分布到网格环境的各个节点上,实现决策问题的并行异步求解.通过物流企业配送优化问题的MABODSS设计,表明系统的智能性及运行效率得到提高.     

棉花生产管理专家系统CPMES的设计与实现

本文详细论述了棉花生产管理专家系统ＣＰＭＥＳ的设计与实现过程。ＣＰＭＥＳ由周年管理、品种选择、施肥推荐、全程化调、病虫害诊断防治、系统维护、帮助信息等七大功能子系统组成。知识库中包括元知识和领域知识，推理控制策略包括正向推理和“缺言推理－回归”双向推理。系统已在湖北省重要棉区中投入使用，产生了良好的效果。     

基于任务驱动的多媒体技术及应用课程教学改革与实践

针对多媒体技术及应用课程的特点,结合任务驱动教学法的特性,将任务驱动教学法有机切入多媒体技术及应用课程的实际教学,实现了以学定教的教学模式。教学实践证明,教学效果明显改善,学生的学习兴趣和实践能力得到了提升。     

基于任务驱动的《C程序设计》教学模式设计

针对C语言学习中存在的知识点较多,学生不易掌握以及程序设计能力不强等问题,在分析任务驱动教学法的基础上,提出基于任务驱动的教学模式,结合我院学生的实际应用在C语言的理论与实践教学上,增强学生的学习热情,提高学生程序设计能力,同时通过实践训练培养学生程序设计的综合能力以及团队合作的能力.     

基于深度学习的图像隐写分析综述

隐写术及隐写分析是信息安全领域研究热点之一.隐写术的滥用造成许多安全隐患,如非法分子利用隐写进行隐蔽通信完成恐怖袭击.传统隐写分析方法的设计需要大量先验知识,而基于深度学习的隐写分析方法利用网络强大的表征学习能力自主提取图像异常特征,大大减少了人为参与,取得了较好的研究效果.为了促进基于深度学习的隐写分析方法研究,对目...     

浅谈“任务驱动”式教学法在计算机教学中的应用

任务驱动是一种建立在建构主义教学理论基础上的教学法。该文就任务驱动式教学模式在计算机教学中的实际运用,从合理设计任务和培养学生的学习兴趣;注重培养学生的自主学习能力和启发学生的思维;注重客观科学的总结评价,使学生产生积极的学习动机等几个方面来谈谈自己的看法。     

基于任务驱动的小组协作Java教学模式研究

Java程序设计是高校计算机专业一门重要的实践类课程,该课程的目标是培养面向对象编程思想,提高学生实际编程能力。针对学生动手能力和学习主动性薄弱等问题,提出一套基于任务驱动的小组协作Java教学模式,它由课程任务设计、任务实践和效果评价3个环节组成。经多年教学实践证明,该方法可提高学生综合能力,充分调动学习主动性。     

机床电气控制课程任务驱动教学法实践

任务驱动教学法具备以学生为主体、以教师为主导和以任务为主线等教学特色,有利于激发大学生的求知欲望,能够培养大 学生的自学能力、协作能力和解决问题能力。以沈阳农业大学机床电气控制课程为例,开展任务驱动教学法应用研究,教师通过设 计教学任务,把关键的知识点融合到教学任务中;大学生通过分析任务、完成任务等环节进行机床电气控制知识的学习和应用。评 价教学任务要注意将过程评价与结果评价相结合,这样能够使大学生产生学习的成就感,进一步激发他们的学习兴趣。通过拓展 任务,兼顾学习能力较强的大学生,更好地引导他们对任务进行深入思考。     

“搜索引擎”教学案例

“任务驱动”教学法是一种以学生自学为主,教师加以引导的教学方法。该文从教学实践的角度就搜索引擎”教学案例中运用”任务驱动”教学法引导学生自主学习进行了阐述,目的是增强学生学习兴趣,提高学生学习的主观能动性,让其充分自主的学习,循序渐进,不断积累知识技能,不断提升学习能力,达到“培养学生利用计算机的意识和能力”的教育目标。     

Agent-based material handling and inventory planning in warehouse

Agent technology has become popular in the last few years as an effective approach to develop software and hardware systems. Our research applies this technology to warehouse systems. Since warehouse system is crucial to the success of supply-chain systems, objective of our research is to implement a framework of warehouse system based on the agent technology. This paper proposes an agent-based model for warehouse system, which is called AWAS (Agent-based model for WArehouse System). AWAS is composed of three subsystems, or agent-based communication system (ACS), agent-based material handling system (AMATH), and agent-based inventory planning and control system (AIPCON). These subsystems are designed to cooperate together to facilitate just-in-time exchange of orders and materials. Under these subsystems, seven kinds of basic agents are defined, including customer, supplier, order, inventory, product, supplier-order, and automatic-guided vehicle (AGV) agents. We will describe our approach in designing and implementing warehouse systems simulation with agents. Using a prototype system which was developed based on the model, the paper presents some results of simulation to show the validity of the model.     

知识蒸馏研究综述

高性能的深度学习网络通常是计算型和参数密集型的,难以应用于资源受限的边缘设备.为了能够在低资源设备上运行深度学习模型,需要研发高效的小规模网络.知识蒸馏是获取高效小规模网络的一种新兴方法,其主要思想是将学习能力强的复杂教师模型中的"知识"迁移到简单的学生模型中.同时,它通过神经网络的互学习、自学习等优化策略和无标签、跨...     

A two-layered multi-agent reinforcement learning model and algorithm

Multi-agent reinforcement learning technologies are mainly investigated from two perspectives of the concurrence and the game theory. The former chiefly applies to cooperative multi-agent systems, while the latter usually applies to coordinated multi-agent systems. However, there exist such problems as the credit assignment and the multiple Nash equilibriums for agents with them. In this paper, we propose a new multi-agent reinforcement learning model and algorithm LMRL from a layer perspective. LMRL model is composed of an off-line training layer that employs a single agent reinforcement learning technology to acquire stationary strategy knowledge and an online interaction layer that employs a multi-agent reinforcement learning technology and the strategy knowledge that can be revised dynamically to interact with the environment. An agent with LMRL can improve its generalization capability, adaptability and coordination ability. Experiments show that the performance of LMRL can be better than those of a single agent reinforcement learning and Nash-Q.