一种基于多Agent的双向智能自动匹配系统模型

研究了信息在计算机网络中的双向智能匹配问题;给出了一种基于多Agent技术的双向智能自动匹配系统模型,阐述了其组成架构、工作原理及流程,提出了多Agent间协作机制和信息的模糊匹配;实现了信息搜索过程中信息高速精准的双向智能自动匹配,并指出了它并行性的发展方向。     

粗糙集在智能系统知识维护中的应用

在基于知识的智能系统中 ,知识的维护对于提高系统的整体性能具有重要意义 .在一定程度上 ,知识的维护过程可以看成是对系统本身的优化过程 .本文中的漏焊智能检测系统是一个基于知识的智能系统 ,用软计算方法对知识加以处理是当前众多国内处研究人员所关注的热点 .粗糙集理论是近年来出现的处理不精确、模糊、不确定数据的有效数学工具 ,是一种新兴的软计算方法 .使用粗糙集理论处理数据不需要任何先验知识 ,可以最大限度的减少主观因素的影响 ,在这一点上粗糙集理论明显优于模糊集理论、神经网络等其它软计算方法 ,所以在实际中应用粗糙集理论具有极大的潜力 .本文在这方面做了积极的尝试 ,给出了漏焊智能检测系统的知识维护过程中基于粗糙集理论的数据处理方法以及知识维护的具体步骤     

具有不确定性多智能体系统的一致性算法研究

提出了一种具有不确定性的多智能体系统的一致性算法.该算法具有设计灵活、鲁棒性强的特点,包括协同律和自适应律.只要网络存在生成树,该算法就可以适应不同的网络拓扑结构.协同律利用现有邻居智能体的局部信息,推动多智能体系统达到一致性.自适应律抑制局部扰动,消除不确定性对网络的影响.最后,仿真结果验证了所提出的算法的有效性.     

基于蚁群计算的自适应Web检索算法设计

受蚁群觅食行为仿生研究和蚁群系统模型理论所启发,提出了一种基于蚁群计算模型的分布、协作多主体（multi-agent）反应架构的自适应、可伸缩的Web搜索系统模型（MASAIR）,其由大量智能主体组成,利用智能主体架构的优异特性,旨在从巨型超文档集合（Web）中自治地搜索特定主题的信息,从而为用户提供迅捷的信息检索服务。详细描述了MASAIR的计算模型及其算法,通过对标准Web文档集的检索仿真实验结果显示：该架构具有对环境改变的鲁棒性和对用户信息需求变更的自适应性。     

基于二叉知识树推理的可扩展智能排课系统

针对高等院校整体教学资源条件下的复杂多约束、多目标组合优化排课问题,提出了一种基于二叉树知识推理的可扩展智能排课算法并进行系统研发.结合实际教学过程中涉及的课程、时间、专业、教室、教师和可信度模型进行定义,构建了智能排课模型,设计了系统结构和排课算法.原型系统利用不确定性推理巧妙地解决了排课过程中棘手的软约束问题,并将...     

量子计算与不确定性原理

对量子计算的计算潜力的高度期望源于量子力学的各种特性,如叠加原理、纠缠现象、破坏性和建设性的量子干扰。相对于经典计算,量子计算具有某些假定的优势,例如量子算法的运行速度比经典算法快;但另一方面却似乎存在影响经典算法但不影响量子算法的障碍,障碍之一是传统上归因于Werner Heisenberg的两个不确定性原理。Heisenberg最初制定的不确定性原理涉及用于测量量子系统的非量子仪器必然会对该系统造成影响。这个原理与其后来的发展有所不同,因为后来发现的不确定性所假定的是不交换可观察量在测量方面存在固有的不能精确测量的特性。在目前的技术发展状况以及当前对量子力学的形式表述与诠释的情况下,这两种不确定性皆有可能对量子计算的速度造成不良影响。近年来,针对这两种不确定性原理有了新的研究成果:1)Ozawa对Heisenberg原理提出了修改,将两种不确定性纳入其内进行并列考虑,从而可以减小Heisenberg原理的不确定性程度;2)在考虑到熵不确定性的情况下,Heisenberg不确定性可被视为Hirschmann不确定性的下界,因此除了在测量上的不确定性之外,量子计算还必须考虑来自其他如信息学的不确定性因素。     

一种不确定性条件下的自主式知识学习模型

在没有领域先验知识条件下的不确定知识主动式学习是机器学习领域中的一个难题.通过研究决策表和决策规则的不确定性,建立基于粗集表示、度量和处理不确定性信息和知识的理论,并且结合Skowron的缺省规则获取算法,提出一种不确定性条件下的数据自主式学习模型和方法,以解决这一问题.通过仿真实验,验证了该自主式学习方法的有效性.     

计算视觉核心问题:自然图像先验建模研究综述

视觉先验是计算机视觉的核心问题之一,是认知心理层面、系统神经层面与计算视觉层面研究的交合点,涉及各个层面研究的理解与综合。视觉先验功能模拟方面,以自然图像信息为对象,挖掘自然图像一般性规律并将其数学形式化为可计算的图像模型,为众多图像处理与计算机视觉智能应用提供算法和支撑。本文对自然图像先验建模研究各流派工作进行了全面的剖析,并展示了自然图像先验建模工作在视觉信息增强和编码等方向的前瞻性应用。     

基于贝叶斯网络模型构造的汽车故障诊断研究

为了解决汽车故障诊断中的不确定性和建模问题,提出了一种基于贝叶斯网络模型构造的故障诊断融合系统架构,设计了基于贝叶斯网络构造的故障诊断算法.这种故障诊断方法利用贝叶斯网络的学习能力和概率推理来应对故障诊断中的不确定性问题的表示和推理,它能够有效地融合领域先验知识和实时传感数据的分布特征,实现故障诊断系统的自适应,并被成功地应用于汽车故障诊断.实验结果表明,新算法为故障诊断提供了准确和可靠的决策依据.     

基于基因表达式编程算法的复杂网络社区结构划分

由于复杂网络的不确定性,传统的复杂网络社区结构划分算法易造成过早收敛,使精度降低,且由于计算量大,时间复杂度较高。为克服以上不足,利用基因表达式编程(GEP)的自适应性和全局搜索能力强以及具有并行性计算等特点,优化网络社区结构的划分,提出了一种基于GEP的复杂网络社区结构划分算法,并通过实验验证了新算法的有效性。新算法在无先验信息情况下,可较准确地完成对复杂网络的社区划分。     

一种集成式不确定推理方法研究

摘要集成学习是采用某种规则把一系列学习器的结果进行整合以获得比单个学习器更好的学习效果的一种机器学习方法。研究表明集成学习是可行的,能取得比传统学习方法更好的性能。不确定推理是人工智能的重要研究方向之一,目前已经开发出了多种不确定推理方法,这些方法在实际应用中各有优缺点。借鉴集成学习,提出一种集成式不确定推理方法,其基本思想是按照一定的策略集成多种不确定推理方法,以提高推理的准确性。理论分析和实验结果验证了方法的合理性和可行性。     

自然计算的仿真研究

针对近年来新兴的计算分支的挑战，如DNA计算、量子计算、免疫计算和进化计算等，提出自然计算的框架、编码、控制策略。以及从自然计算映射到计算机仿真的广义映射模型，来探究新兴计算分支的共同机理及其在自然界中的源泉。借助MATLAB仿真工具对其进行的仿真实验表明，自然计算有优于传统计算的特性，为计算学和计算机科学的发展以及自然计算的仿真开拓了广阔前景和无限生机。     

Safety assessment of structures in view of fuzzy randomness

Structural safety can be realistically assessed only if the uncertainty in the structural parameters is appropriately taken into consideration and realistic computational models are applied. Uncertainty must be accounted for in its natural form. Stochastic models are not always capable of fulfilling this task without restrictions, as uncertainty may also be characterized by fuzzy randomness or fuzziness. On the basis of the theory of the fuzzy random variables the fuzzy probabilistic safety concept is introduced and formulated as the fuzzy first order reliability method (FFORM). This concept permits fuzziness, randomness and fuzzy randomness to be accounted for simultaneously. FFORM is illustrated by way of an example; hereby, the influence of the computational model is also demonstrated.     

FNN在欺骗检测中的应用研究

欺骗检测(DD)的不确定性是由于检测中具有暧昧和不严密性。在实验中,通过构建一个不确定的模型发现(MUDD)而且选择模糊-神经网络分类器预测欺骗。该模型与传统的机器学问题模型相比较,较好地实现了以经验为主、以欺骗数据测试收集为目的不确定性问题的检测。而且,该模型具有有较好的可理解性、稳定性和可信度。     

多层云建模方法的研究及应用

分析了目前复杂大系统建模方法存在的优缺点,旨在研究一种适用于我国行政递阶管理机制的建模方法。这种方法能够很好地解决系统问题中的不确定性,尤其是人为主观造成的模糊性与采样数据随机性并存的问题。鉴于以上研究目标,探讨了多层状态空间模型,并引用图论诠释了其横向关系模型,同时融合正态云发生器的原理提出了一种"分解-集结"式的不确定性智能建模方法———多层云建模方法。最后将该方法用于我国能源系统分析研究中,取得了较好的结果,证明了该方法的简单性和有效性。     

A framework for propagation of uncertainty contributed by parameterization,input data,model structure,and calibration/validation data in watershed modeling

Failure to consider major sources of uncertainty may bias model predictions in simulating watershed behavior. A framework entitled the Integrated Parameter Estimation and Uncertainty Analysis Tool (IPEAT), was developed utilizing Bayesian inferences, an input error model and modified goodness-of-fit statistics to incorporate uncertainty in parameter, model structure, input data, and calibration/validation data in watershed modeling. Applications of the framework at the Eagle Creek Watershed in Indiana shows that watershed behavior was more realistically represented when the four uncertainty sources were considered jointly without having to embed watershed behavior constraints in auto-calibration. Accounting for the major sources of uncertainty associated with watershed modeling produces more realistic predictions, improves the quality of calibrated solutions, and consequently reduces predictive uncertainty. IPEAT is an innovative tool to investigate and explore the significance of uncertainty sources, which enhances watershed modeling by improved characterization and assessment of predictive uncertainty.     

Effectual tactics in digital intrapreneurship: A process model

Uncertainty and the pursuit of new ventures are intricately linked. Digital technologies open up new ways for uncertainty handling in the pursuit of novelty. In this paper, we develop a process model that traces the dynamics among uncertainty, digitally enabled tactics, and organizational novelty. The model points to the potential of technologies that are evocative, disposable, and responsive for venturing in complex, uncertainty-ridden contexts. Our research builds on extant conceptualizations of complexity in innovation journeys, in conjunction with perspectives on effectual entrepreneurial tactics. Empirically, we investigate uncertainty handling through a longitudinal case study on an in-house venture for the introduction of novel electronic services for patients in a major university hospital. Our research provides insight into the processes through which intrapreneurs handle uncertainty by leveraging the potential of digital technologies. The paper offers theoretical implications for the digital intrapreneurship literature.     

MSB780(X)型数字气压计示值误差不确定度评定

MSB780(X)型数字气压计是民航机场气象台站常见的一种高精度气压传感器,其在保证客机安全着陆过程中的作用十分关键.对其进行示值误差的测量不确定度分析与评定有着极其重要的意义.依据JJG 1084—2013《数字式气压计检定规程》,对MSB780(X)型数字气压计进行示值误差的重复性测量.通过建立数学模型,对示值误差...     

A GUI platform for uncertainty quantification of complex dynamical models

Uncertainty quantification (UQ) refers to quantitative characterization and reduction of uncertainties present in computer model simulations. It is widely used in engineering and geophysics fields to assess and predict the likelihood of various outcomes. This paper describes a UQ platform called UQ-PyL (Uncertainty Quantification Python Laboratory), a flexible software platform designed to quantify uncertainty of complex dynamical models. UQ-PyL integrates different kinds of UQ methods, including experimental design, statistical analysis, sensitivity analysis, surrogate modeling and parameter optimization. It is written in Python language and runs on all common operating systems. UQ-PyL has a graphical user interface that allows users to enter commands via pull-down menus. It is equipped with a model driver generator that allows any computer model to be linked with the software. We illustrate the different functions of UQ-PyL by applying it to the uncertainty analysis of the Sacramento Soil Moisture Accounting Model. We will also demonstrate that UQ-PyL can be applied to a wide range of applications.