基于逆向搜索的模糊Petri网分层算法

模糊Petri网（FPN）是知识库系统（KBS）表示、建模与分析的主要工具之一。针对部分FPN层次结构不清晰、库所/变迁间从属关系不明确的问题，提出一种基于逆向搜索的FPN分层算法（HFPN-RS）以实现非层次化FPN到层次化FPN(HFPN)的自动转换。首先，从终结库所开始对整个FPN进行逆向搜索，将所有输入库所的前集、输出库所的后集分别划分在同一层；其次，通过添加虚库所-虚变迁对的方式明确整个模型的层次结构；同时提出两条相关定理以明确HFPN分层层数的下确界和层次化操作中需要添加的最少虚库所-虚变迁对数，并给出经层次化操作后具有完整分层结构的FPN模型关联矩阵维度计算公式。在实验部分，通过对几类各具特点的FPN模型进行层次化操作，并利用所提定理进行验证。实验结果表明，添加虚库所-虚变迁对后新FPN模型具有清晰的层次结构，为下一步FPN泛化能力等研究内容的深入提供了理论基础。     

基于规则推理的FPN误用入侵检测方法

针对网络入侵攻击活动的模糊性，提出了一种基于模糊推理的模糊Petri网（FPN）误用入侵检测方法。该方法定义了一个六元组FPN，并将模糊产生式规则精化为两种基本类型。在此基础上给出了FPN表示模糊规则的模型、推理过程和基于FPN的推理算法。最后通过入侵检测的实例对该方法的正确性和有效性进行了验证，结果表明该方法推理过程简单直观、容易实现，而且具有并行推理能力，可适用于大规模的FPN模型，是误用入侵检测技术的一种非常有效的解决方案。     

FPN并行反向推理算法研究

通过对Petri网模型和专家系统推理方法的研究,建立了模糊Petri网（FPN）推理模型。在此基础上提出了专家系统的FPN反向推理算法。最后通过实例对算法进行了检验,结果表明该算法具有解决复杂问题专家系统的并行推理能力,推理效率高,推理过程简单,容易实现。     

基于FPN推理的多Agent网络故障诊断系统的研究

多Agent诊断系统是一种分布式系统,现已在故障诊断中得到广泛应用.提出一种基于FPN推理的多Agent网络故障诊断模型,该模型利用各部分Agent模块来完成故障诊断过程中的信息搜集与分析,故障的确定以及对故障的处理,其中故障的确定由模糊Petri网推理算法来完成.该模型综合了FPN推理算法的并行性以及多Agent技术对故障诊断与处理的智能性的特点,为实现网络故障的快速诊断提供了一条全新的思路.     

基于遗传-BP算法的FPN参数优化的研究

如何确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立意义重要，一直是尚未解决的难题。该文把遗传算法与BP算法相结合，引入到模糊Petri网的参数寻优过程，提出了一种基于二阶段的FPN模型的参数优化策略，该策略实现不依赖于经验数据，对初始输入无严格要求。仿真实例表明，经二阶段优化后训练出的参数正确率很高，且所得的FPN模型具有较强的泛化能力和自适应功能。     

基于加权FPN的聚驱综合调整系统决策分析

模糊Petri网(Fuzzy Petri Nets, FPN)是一种适合于描述异步并发事件的计算机系统模型,可以有效地对并行和并发系统进行形式化验证和决策分析.针对聚驱综合调整系统知识具有不确定性和模糊性的特点,给出了基于加权模糊产生式规则的加权FPN决策模型.在此模型的基础上,给出了决策推理过程的形式化推理算法.算法考虑了推理过程中的众多约束条件,将复杂的推理过程采用矩阵运算来实现,充分利用了FPN的并行处理能力,使决策推理过程更加简单和快速.并以压裂方式调整为例,说明了该模型具有直观、表达能力强和易于推理等优点,具有较强的实用价值.     

一种自适应模糊Petri网及其应用*

模糊Petri网(fuzzy Petri nets, FPN)是基于模糊产生式规则的知识库系统的有力建模工具,但其缺乏较强的自学习能力。在FPN的基础上引入神经网络技术,给出了一种自适应模糊Petri网(adapt fuzzy Petri nets, AFPN)模型。该模型将神经网络中的BP网络算法引入到FPN模型中,对FPN中的权值进行反复的学习训练,避免了依靠人工经验设置带来的不确定性。AFPN具有很强的推理能力和自适应能力,对知识库系统的建立、更新和维护有着重要的意义。     

基于查询方式的模糊Petri网的推理算法

提出利用数据库的查询技术来实现模糊Petri网的推理。把模糊Petri网模型映射到关系数据模型上，用两个数据表结构来表示一个模糊Petri网模型。推理算法中应用的是一些基本的数据库技术，推理算法简单、高效、通用。尤其适合较大规模的FPN模型的推理运算。     

模糊Petri网与遗传算法相结合的优化策略

如何确定模糊产生式规则的各项参数对模糊Petri网(FPN)的建立具有非常重要的意义,一直是尚未解决的难题。文中首次将遗传算法引入到模糊Petri网的参数寻优过程,提出了一种基于遗传算法的参数寻优算法,该算法实现不依赖于经验数据,对初始输入无严格要求。仿真实例表明,由此训练出的参数正确率较高,所得的FPN具有很强的泛化能力和自适应功能。     

人工鱼群算法在FPN参数优化中的应用

模糊产生式规则置信度的确定在很大程度上依赖专家的经验,难以获得精确的结果。针对该问题,将人工鱼群算法引入模糊Petri网(FPN)的置信度寻优过程中,提出一种基于改进人工鱼群算法的参数优化算法,不依赖于经验数据,对初始输入无严格要求。实验结果表明,该算法训练出的模糊Petri网参数正确率较高,能提高FPN的自学习能力,降低实际应用难度。     

基于BP网络的模糊Petri网的学习能力

模糊Petri网(Fuzzy Petri Nets，FPN)是基于模糊产生式规则的知识库系统的良好建模工具，但自学习能力差是模糊系统本身的一个缺点．该文提出了适合模糊Petri网模型自学习的模糊推理算法和学习算法．在模糊推理算法中，通过对没有回路的FPN模型结构进行层次式划分以及建立变迁点燃和模糊推理的近似连续函数，从而把神经网络中的BP网络算法自然地引入到FPN模型中．在FPN模型上，用误差反传算法计算一阶梯度的方法对模糊产生式规则中的参数进行学习和训练．经过学习和训练的FPN具有很强的泛化能力和自适应功能．FPN模型经过训练得到的参数是有特定含义的，可以通过对这些参数的合法性分析，使得模糊产生式规则系统更加有效，也对知识库系统的建立、更新和维护有着重要的意义．     

Designing genetic regulatory networks using fuzzy Petri nets approach

In this paper, we have successfully presented a fuzzy Petri net (FPN) model to design the genetic regulatory network. Based on the FPN model, an efficient algorithm is proposed to automatically reason about imprecise and fuzzy information. By using the reasoning algorithm for the FPN, we present an alternative approach that is more promising than the fuzzy logic. The proposed FPN approach offers more flexible reasoning capability because it is able to obtain results with fuzzy intervals rather than point values. In this paper, a novel model with a new concept of hidden fuzzy transition (HFT) to design the genetic regulatory network is developed. We have built the FPN model and classified the input data in terms of time point and obtained the output data, so the system can be viewed as the two-input and one output system. This method eliminates possible false predictions from the classical fuzzy model thereby allowing a wider search space for inferring regulatory relationship. The experimental results show the proposed approach is feasible and acceptable to design the genetic regulatory network and investigate the dynamical behaviors of gene network.     

一种基于模糊Petri网的双向并行推理算法

基于模糊Petri网的并行推理算法的矩阵维数越大,其算法的时间复杂度也就越高。针对反向搜索压缩模糊Petri网模型的相关理论和并行推理算法的特点,结合矩阵命令提出一种实现双向推理的矩阵运算机制,以及其对应的基于模糊Petri网的双向并行推理算法。在使用一般模糊推理算法的过程中,推理矩阵为(11×8)维的模糊Petri网模型,而使用改进算法进行双向推理时所涉及的推理矩阵阶数仅为(7×6)。实验结果表明,与一般的模糊推理算法和反向搜索算法相比,该算法能够提高整个推理过程的并行度,降低算法的时间复杂度,从而提高推理效率。     

克隆选择算法在优化模糊Petri网参数中的应用

如何确定模糊产生式规则的各项参数对模糊Petri网的建立具有重要意义,但一直是尚未解决的难题。首次把克隆选择算法引入到模糊Petri网的参数寻优过程,提出一种基于线程实现技术的参数优化算法,该算法实现不依赖于经验数据,对初始输入无严格要求。仿真实例表明,经克隆选择线程优化算法训练出的参数正确率较高,且所得的模糊Petri网具有较强的泛化能力和自适应功能。     

基于语义虚拟环境的虚拟人动画研究与实现*

现有虚拟环境建模（如VRML/X3D）主要集中在几何图形的描述,所显示的虚拟场景对于人是可理解的,但对于计算机是不可理解的,因而难以作有意义的自动处理。基于语义Web设计了一个语义虚拟环境（主要包括语义虚拟场景和语义虚拟人）,并设计了基于语义虚拟环境的虚拟人动画引擎。语义虚拟环境使得计算机能够理解和自动处理虚拟环境的语义信息,并且使得虚拟环境系统具有可重用性、可扩展性和可集成性。最后,在语义虚拟环境和虚拟人动画引擎的基础上开发了一个办公室场景中智能虚拟人行动推理的系统,取得了很好的效果。     

对象化模糊Petri网的任务协同分配建模与推理

为解决FPNN/FCPN建模与推理过程中存在模型规模急剧增大、模糊变量颜色化的作用有限、无法表示知识分类等问题,提出了一种改进的对象化模糊Petri网（FPN）建模及模糊推理算法.该算法采用面向对象技术化简规模庞大的模糊赋色Petri网（FCPN）,经简化的FCPN退化为普通的FPN,但是库所中托肯的语义也发生了变化,它不仅表示模糊语言变量的集合,更重要的是它可作为其他FCPN的引用.最后将该算法应用于协同设计环境中任务分配的模糊推理过程,可有效地降低Petri网模型的复杂程度,且对象化FPN模型直观,易于理解.     

蚁群算法在模糊Petri网参数优化中的应用研究

如何确定模糊产生式规则的各项参数对模糊Petri网的建立意义重大。把蚁群算法中的最大 最小系统引入到模糊Petri网的参数寻优过程，提出一种基于线程实现技术的参数优化算法。该算法实现不依赖于经验数据，对初始输入无严格要求。仿真实例表明，经蚁群线程优化算法训练出的参数正确率较高，且所得的模糊Petri网具有较强的泛化能力和自适应功能。     

基于FPN—RSVM的电梯故障诊断方法

模糊Petri网(FPN)作为产生式规则系统的建模、知识表示和诊断推理的工具,在故障诊断领域得到了广泛的应用。但调整学习机制的缺乏使其不能处理专家系统的变化。使用回归型支持向量机(RSVM)对电梯在不同运行状态下的专家诊断数据进行训练,可以得到与电梯状态相对应的FPN诊断网络权值。故障发生时,根据电梯运行状态选择相应的权值,可以使得诊断结果更加准确,更加符合实际情况。