基于属性Petri网的属性粒推理研究

不确定性知识处理是人工智能研究中经常遇到的问题,基于定性映射的属性Petri网模型在动态表示认知思维中不确定性知识与逻辑推理方面具有优势。在属性拓扑空间中,给出了属性粒的基本定义和基本推理,在属性Petri网中对不确定性知识进行表达,并基于属性Petri网给出归结推理的基本形式和基本算法。结果显示,这种方法可以使定性映射和Petri网更易于动态和显式地表达认知不确定性知识,可为进一步研究Petri网在认知模型中的作用提供参考。     

Petri网的正向推理算法

提出了一种建立在petri网的基本结构上的形式化正向推理算法,通过建立petri网的关联矩阵、标识向量和激发向量,将petri网与矩阵运算结合,可以在petri网模型中抽取一个子模型,从而把一个大的、复杂的系统转化为一个只与问题相关的小的系统来处理。该算法充分利用了petri网的并行处理能力,缩小了后续应用的范围,加速了后续应用的效率。     

基于属性Petri网的语义网络知识表示

首先给出了基于定性映射的属性Petri网的形式定义和运行机制;其次给出了基于属性Petri网的语义网络知识表示模式,此模式适合干感觉特征抽取与整合,和基于该机制的各种思维功能的描述。     

属性Petri网建模及其应用

从哲学上事物的质-量互变规律出发，定性映射是以感觉特征抽取为依托而建立的脑思维数学模型。该文提出了基于定性映射模型的诊断系统的建模工具(属性Petri网的基本模型)，给出了形式化定义和基本运行机制，分析了基于属性Petri网的诊断推理算法及实例，该模型在以定性判断为特点的诊断系统中，能得到较好的应用。     

模糊属性Petri网建模方法及学习模型研究

定性映射易于表达模糊不确定性知识,但其在表达人类认知思维活动动态特征上存在不足;模糊Petri网比较符合人类思维方式,但相关参数不易获得且其自学习能力存在较大局限性。为此,提出一种模糊属性Petri网(FAPN)形式定义及建模方法。在FAPN结构中构建定性基准参数学习方法,通过定性映射定义4类变迁发生的模糊定性判断规则和相应变迁发生后的结果运算公式,给出FAPN模型的推理算法和学习机制,并模拟系统的动态运行过程。分析结果表明,该方法能有效提高FAPN的学习能力,可适用于以定性判断为特点的诊断系统。     

基于模糊Petri网的产生式知识表示模型的推理

针对基于模糊Petri网的产生式知识表示方法提出一种推理规则,通过验证和确认前提条件来化简关联矩阵,从而建立一个与推理直接相关的新矩阵,免去了对知识库的盲目搜索。     

基于定性映射的粒逻辑及其Petri网推理算法

基于不确定性知识处理特点,在认知机理下,通过基于属性定量与定性之间的转化关系而建立的定性映射, 给出了属性粒的概念及其逻辑计算公式,并在此基础上构建了初步的粒逻辑系统,最后通过Petri网对其逻辑推理进 行形式化描述。结果表明其是有效的,使得有关认知识别与判断推理等思维操作能得到较好的表达。     

基于案例推理系统的Petri网模型

在基于案例推理中，一个重要的问题就是如何在案例存储空间进行推演，本文中，我们提出了一个基于案例推理系统的Ｐｅｔｒｉ网模型，而且使用网论中的线性技术来解决基于案例的推演。     

基于扩展模糊Petri网的知识推理方法研究

为使模糊Petri网能够描述可变模糊隶属判据下的模糊知识,利用基准变换能较好地表达模糊隶属判据可变情况的特点,基于定性映射和定性基准变换对模糊Petri网进行了扩展,给出了扩展后网模型的形式定义和基本运行机制。通过利用定性映射描述模糊产生式规则,给出了一种新的知识表示模式和推理方法,新方法有利于构建模糊Petri网基于认知的学习机制。结果显示,该网模型具有较强的知识表达能力,适用于处理认知模糊不确定性知识,其推理过程能体现某些认知特性,尤其适用于构建以定性判断为特点的智能系统。     

基于模糊Petri网的三值产生式知识表示及推理

针对传统产生式规则无法进行不确定性知识表示和推理的局限,本文使用三值产生式规则,用-1表示前提、结论和它们之间的不确定性,提出一种基于模糊Petri网的三值产生式知识表示和不确定性推理算法.该算法充分利用推理过程中已得到的中间结论,通过标识和关联矩阵的运算实现高速推理.     

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。     

动态模糊Petri网模型及其应用研究

以模糊Petri网的基本定义，动态模糊集和动态模糊逻辑为基础，讨论了动态模糊Petri网的基本模型，建立了动态模糊Petri网与模糊Petri网之间的映射关系和转移算法，解决了与动态模糊知识的动态模糊Petri网表示相关的几个问题，最后给出了动态模糊Petri网中动态模糊性的计算方法和相应的推理方法。     

混合Petri网的流体随机Petri网模型

混合Petri网和流体随机Petri网作为混合系统的建模方法,其内在的建模机制和分析方法不尽相同,而且这两种机制远未发展成熟.分析并建立它们之间相互转换的方法有助于机制本身的发展完善,并利用对方的建模原语和分析方法对系统进行多角度的分析.提出了一阶混合Petri网转换成流体随机Petri网的形式化方法及转换后变迁合并的方法,并给出了转换和合并方法的正确性证明,最后结合实例简要阐述了这两种方法的实现过程.     

应用带标识的模糊Petri网的知识表示方法

提出一种在某些库所中带有标识的模糊Petri网模型来进行知识表示。为了获得更多的加权模糊产生式规则的信息,在知识表示的过程中考虑了权值,确定性因子,阈值等参数。这种模糊Petri网充分利用了Petri网的并行处理能力。随着带标识的模糊Petri网的运行,网中标识的变化可以标记加权模糊推理的运行。通过文中给出的基于相似性测度的计算方法可以更加高效地计算出多层加权模糊推理的推理结果。