刀片槽型专家系统不精确推理的实现

针对切削加工过程中切屑折断随机性较大，切屑折断过程所获得的知识带有不确定性或不精确性这一特点，在刀片槽型专家系统ＤＰＣＸＥＳ—１中，利用专家系统开发工具ＯＰＳ８３所提供的数学模型，实现了不精确推理．并设计了带有可信度的事实和规则的表，不精确推理冲突消解策略和记忆推理链、相同事实的可信度归一．     

刀片槽型专家系统不精确推理的实现

针对切削加工过程中切屑折断随机性较大，切屑折断过程所获得的知识带有不确定性或不精确性这一特点，在刀片槽型专家系统ＤＰＣＸＥＳ—１中，利用专家系统开发工具ＯＰＳ８３所提供的数学模型，实现了不精确推理．并设计了带有可信度的事实和规则的表，不精确推理冲突消解策略和记忆推理链、相同事实的可信度归一．     

基于遗传算法和BP神经网络的短期电力负荷预测

根据电力负荷的主要影响因素,考虑时间和天气,建立了基于遗传算法和反向传播神经网络（BP）的短期负荷预测.从BP神经网络的理论入手,采用遗传算法优化BP神经网络的初始权值和隐层节点数,从而避免了神经网络结构确定和初始权值选择的盲目性,提高了神经网络用于电力系统短期负荷预测的效率和精度使得负荷预测在更加合理的网络结构上进行.     

基于模糊神经网络的深基坑变形预测

针对深基坑变形控制系统中的不确定性、模糊性因素多的问题,将模糊控制理论与神经网络技术相结合,采用非线性神经元构成的神经网络结构,把对应的网络输入、输出表达为输入、输出信息的模糊数隶属度,建立了一种基于模糊神经网络的深基坑施工变形预测模型.结果表明,利用模糊度隶属函数对基坑施工进行动态控制具有较好的实用效果.     

用分组神经网络识别手写体数字

用神经网络识别手写体数字,大多数采用的是单个的神经网络结构.本文给出一个基于特征输入的手写体数字识别的分组神经网络结构,它是一个混合网络(Hybrid System).实验的结果表明,同只采用单个神经网络结构的方法相比,分组网络具有更好的识别结果.     

自顶向下优化神经网络的方法

介绍了一种自动优化神经网络的新启迪方法.这种启迪方法综合采用了快速自顶向下优化神经网络结构算法、动态优化学习参数算法和快速交叉校验算法.首先,快速自顶向下优化神经网络结构算法自动地优化神经网络结构;其次,动态优化学习参数算法动态地调整学习参数和选取优化的学习参数;随后,快速交叉校验算法的引入能有效地防止过度适应问题.实验结果显示,这种启迪方法与其它算法相比,具有更强的归纳性能、优化的网络结构和更快的学习速度.     

生产线故障诊断知识引擎系统的集成推理方法

针对大型复杂连续性生产流水线设备所具有的多部件结构、多层次故障症状、故障的不确定性等特点及对其状态监测和故障诊断的实时性要求,在设计了基于综合动、静隶属度运算的模糊识别法和基于神经网络的并行运算方法的基础上,研制了生产线故障诊断知识引擎系统的集成推理机制,突破了只有单一推理方法的诊断系统在领域知识和推理能力方面的局限性,提高了智能诊断系统对偶然性和不确定性问题的诊断能力,同时在一定程度上解决了诊断系统对生产流水线所具有的大量的状态参数和控制信号等知识获取的"瓶颈"问题以及由此而来的快速推理难题,使该智能诊断系统具有在线实时诊断能力.     

基于Web的复合材料设计专家系统

通过ASP.NET与SQLServer技术实现了多用户的协作设计,多专家的知识提供,并提供了强有力数据管理及挖掘技术,实现了一个基于Web的复合材料设计专家系统原型.这里,基于可信度的不确定性推理,采用了D-S证据理论,在规则中为每个证据引入加权因子,提出了一个新的多个证据推理机制,使系统实现了具有一定性能的复合材料设计及其典型构件设计,而且,可以反复执行,直到获得比较满意的结果为止,并随着该系统的运行,可不断补充其知识库,使结果趋于完善.     

基于神经网络和证据理论的液压系统故障诊断

针对液压系统故障多样性和复杂性等特点,基于信息融合原理,提出了一种基于神经网络和D-S（Dempster-Shafer）证据理论相结合的液压系统故障诊断方法。该方法通过构建多子神经网络分类模块进行局部诊断,利用各子神经网络的输出值作为证据理论中的基本可信度,经过证据理论的再次融合得出最终的诊断结果。实例表明,该方法通过简化神经网络结构,提高了局部诊断网络的诊断能力,通过对多源多特征参数的融合,充分利用各传感器的冗余和互补的故障信息,与单一故障特征的诊断相比,显著提高了故障诊断的准确率,降低了决策的不确定性。     

三值逻辑神经元模型及其不确定性推理应用

针对二值神经元在不确定性知识表示和推理中的不足,提出了一种具有三值逻辑表达能力的神经元模型：三值逻辑与神经元和三值逻辑或神经元。采用这种三值逻辑神经元来表示规则和真值状态的不确定性,由这种逻辑神经元连接而成的神经元链能够实现三值逻辑推理系统,可以对三值关联规则进行表示和推理。     

基于TSK模型的模糊推理改进算法

在传统的基于TSK模型的模糊推理算法基础上,研究了一种改进的基于TSK模型的模糊推理新算法,并应用模糊神经BP算法给出三角形隶属函数下的算法的过程,最后将新算法与传统算法做了比较,得出基于TSK模型的模糊推理新算法在实际的过程中克服了传统推理算法会出现弱连续或不连续情况的优点。     

基于神经网络的并行诊断推理

将人工神经网络（ANN）技术用于不确定性的诊断推理中，该方法综合了ANN和专家系统（ES）的优点，模拟结果表明，本文提出的方法是很有效的。     

一种基于本体的并行网络流量分类方法

海量网络流量数据的处理与单一节点的计算能力瓶颈这一矛盾导致数据分类效率低,无法满足现实需求。为解决这一问题,结合本体与MapReduce技术各自在海量异构数据描述与处理方面的优势,提出一种基于本体的并行网络流量分类方法。该方法基于MapReduce并行计算架构,根据网络流量本体结构,对网络流量本体并行化构建;通过并行知识推理完成基于流量统计特征的网络流量分类。实验结果表明,集群环境下基于MapReduce的网络流量本体构建效率明显高于单机环境,而且适当增加计算节点使得加速比线性提升;并行知识推理的分类方法能够有效地提高大规模网络流量的分类效率。     

BP神经网络的模糊改进及应用

描述了人工神经网络和模糊推理系统的基本原理,分析了基于人工神经网络和模糊推理方法的故障诊断专家系统的设计思想,提出了一种人工神经网络和模糊推理技术相结合的故障诊断方法——模糊神经网络法.人工神经网络通过对部分测量数据的处理,输出故障出现的可信度,实现系统的故障诊断.模糊推理部分通过对输入输出的模糊表示,结合神经网络的推理,给出故障的程度,实现故障诊断.     

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。     

基于混合PAES的置信规则库推理算法

目前对置信规则库（BRB）的研究主要是关于BRB系统的参数或结构的单目标优化。然而,BRB系统中提高推理准确性和减少系统复杂度往往是两个相互冲突的目标。因此,设计合适算法来寻找到两个目标上的最优解具有重要意义。鉴于此,该文提出基于混合Pareto存档进化策略（M-PAES）的置信规则库推理方法（M-PAES-BRB）,通过最小化系统的均方根误差和系统复杂性来寻找到近似的Pareto最优前沿。该算法采用了改进型M-PAES算法来构建多目标优化模型,通过重组和变异操作生成候选解。该文选取两个标准时间序列,Mackey-Glass和Box-Jenkins作为实验数据,对M-PAES-BRB的可行性及有效性进行分析。实验结果表明,相比于模糊规则库的多目标优化方法（FRBSs）,该文方法的推理准确性更高,同时系统复杂度更低。     

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。     

自动化仪表ICAD系统中的知识处理方法

以工业自动化仪表为设计对象,讨论ICAD技术实现的关键问题,即:如何在设计过程中实现知识及其逻辑处理的自动化.为此,基于对仪表的分类和功能模块划分,提出了仪表整机、功能部件、零件的知识模型,并说明了系统中各类知识的表示方法以及系统的推理方法.     

语义蕴涵关系识别中的特征提取方法

为了捕捉不同文本片段之间的语义推理结果,实现文本片段之间的推导,采用基于分类器的方法进行蕴涵关系的判断.特征的选取是影响分类器性能的关键因素,在采用基本的词汇特征的基础上,引入了句法特征以及语义特征.通过构建语义链的方法挖掘T和H之间的语义关联,并应用于不同的分类器检验语义特征的有效性.在公开评测的数据集RTE-3～RTE-5上评价系统的性能,AdaBoost与SVM分类器取得的准确率分别为61.0%和61.8%.t检验的结果表明:基于语义链的语义特征使得系统性能得到了显著的提高.