集对分析的不确定性系统理论在AI中的应用

根据不确定性与确定性对立统一的观点，把同一个研究对象相对于参考集的确定性测度与不确定性测度作为一个不确定性系统，用联系数描述这个系统，根据问题的要求对联系数作适当的运算，由此形成基于集对分析的不确定性系统理论．把该理论用于不确定性推理、智能计算、群体智能分析，思路清晰，算法简明，所得结果能较好地符合客观实际．     

集对分析的不确定性系统理论在AⅠ中的应用

根据不确定性与确定性对立统一的观点,把同一个研究对象相对于参考集的确定性测度与不确定性测度作为一个不确定性系统,用联系数描述这个系统,根据问题的要求对联系数作适当的运算,由此形成基于集对分析的不确定性系统理论.把该理论用于不确定性推理、智能计算、群体智能分析,思路清晰,算法简明,所得结果能较好地符合客观实际.     

集对分析理论及其应用研究进展

集对分析理论是一种较新的软计算方法,可有效地分析和处理不确定信息。近年来,该理论日益受到学术界的重视,已经在决策、预测、数据融合、不确定性推理、产品设计、网络计划、综合评价等领域得到较为成功的应用。本文简要介绍了集对分析理论的基本概念和理论基础,较详细地论述了该理论的最新研究成果与应用进展情况,最后指出可能的发展趋势和研究方向。     

集对分析联系数在黑启动 vague 集决策中的应用研究

vague集本质上是一种含有不确定性的模糊集,应用时需要做不确定性分析。为此,把集对分析联系数应用于黑启动vague集决策之中。首先,把用vague集表示的专家权重、指标权重与指标值都改写成联系数的形式,得出基于联系数的黑启动vague集决策模型,再对模型的计算结果作不确定性分析,考察不确定性条件下的各方案排序变化,选出最优方案。实例应用表明,文中所提方法能有效解决用vague 集表示的评价指标之间存在关联性和不确定性的黑启动多方案选优问题,思路清晰,算法简明,便于现场决策应用。     

集对分析对不确定性的描述和处理

本文概略地介绍了作者提出的集对分析概念及其对不确定性的描述和处理，并举例说明其实际应用。     

集对分析在不确定性智能决策中的应用

语言是思维的表达,智能决策是基于确定性与不确定性对立统一思维的一类高级决策。文章综述集对分析在纯自然语言决策,自然语言与数学混合语言决策,区间数决策和直觉模糊决策,集对分析粗糙集决策,联系数与马尔可夫链相结合的决策,赵森烽?克勤概率的贝叶斯决策,偏联系数的决策和同异反综合集成决策等方面的应用。特点是把基于确定性的决策建模与不确定性系统分析相结合,把系统宏观层次的分析与微观层次的分析相结合,把两种或多种决策方法综合集成,根据不确定性的具体情况给出决策建议,因而是一种立足于全局的智能决策,并认为集对分析的不确定性智能决策过程,在本质上是把决策系统中的信息能转换成智能的过程。     

集对分析在系统智能预测中的应用综述

凡事预则立,不预则废.但事物的预测面临不确定性干扰.本文综述集对分析理论在天气降水预报、沙尘暴预报、水文水资源和供需水预测、电力与能源预测、地质灾害预测、民航风险与事故预测、作物产量预测、流脑预测、社会经济预测等方面的应用,并把基于集对分析理论的系统智能预测建模基本步骤归纳为3步.首先,构造集对并分析集对中两个集合的全...     

人工智能与计算智能在物联网方面的应用探究

随着经济的发展,科技不断进步。物联网是基于信息数据采集的传感设备,将物品信息与互感器相连接,信息上传至网络后可进行分享,并实现信息智能化识别及地理定位。人工智能和计算机智能均在物联网中广泛应用。基于此,分析了物联网,在此基础上,针对人工智能、计算智能在物联网中的应用实践,提出个人观点与认识,以期为相关人员提供参考。     

网络时代人工智能研究与发展

50多年来,人工智能在模式识别、知识工程、机器人等领域已经取得重大成就,但是离真正的人类智能还相差甚远.当今网络时代,人工智能科学要在学科交叉研究中实现人工智能的发展与创新,会更加关注认知科学、脑科学、生物智能、物理学、网络科学、计算机科学与人工智能之间的交叉渗透,重视认知物理学的研究;自然语言是人工智能研究知识表示无法回避的直接对象,要对语言中的概念建立起能够定量表示的不确定性转换模型,发展不确定性人工智能;要利用现实生活中复杂网络的小世界模型和无标度特性,把网络拓扑作为知识表示的一种新方法,研究网络拓扑的演化与网络动力学行为,研究网络智能.对这3个重要方向进行了阐述,并提出了具体建议.     

SPA的同异反系统理论在人工智能研究中的应用

把有同一性、差异性和对立性的系统定义为同异反系统，通过分析同关系、异关系、反关系的联系与转化研究同异反系统，由此形成同异反系统理论．把此理论用于智能的定义、知识创新、模式识别、同异反推理、智能管理、多Agent协同分析、同异反诗同创作，说明不同的人工智能问题可以抽象出同异反系统，也为不同人工智能问题中的同异反联系与转化研究提供了一种新的系统理论．     

机制主义人工智能理论——一种通用的人工智能理论

现行人工智能研究取得了许多进展,但存在“深度上浅层化、广度上碎片化和体系上封闭化”的重要缺陷。这不是改进算法或者提高硬件性能所能解决的问题,而是要在科学观方法论上寻找根源。本文依据“科学观→方法论→研究模型→研究途径→基本概念→基本原理”这个顶天立地的研究纲领,总结了信息科学的科学观,提炼了信息生态方法论;在新的科学观和方法论指导下构筑了体现智能生长全过程的研究模型,发现了智能生长的共性机制,确立了机制主义研究途径,进而澄清和匡正了信息（特别是语义信息）、感知、知识、认知、基础意识、情感、理智、综合决策等一系列基础概念,总结了实现信息－知识－智能转换的一组基本原理,创建了机制主义人工智能理论。而且证明了:长期三分而立的结构主义（人工神经网络）、功能主义（专家系统）、行为主义（感知动作系统）三大人工智能理论可在机制主义人工智能理论框架内实现和谐统一;机制主义是生成基础意识、情感、理智三位一体高等人工智能的科学途径;机制主义人工智能理论是通用型的人工智能理论。     

人工智能范式的革命与通用智能理论的创生

人工智能的研究取得了不少可喜的进展,也面临着许多严峻的挑战.为了应对这些挑战,学术界提出了各种各样的研究思路.笔者相信,每种思路都有其合理之处,都有可能获得一定的成效.不过,根据笔者的理解,人工智能面临的最深刻最严峻的挑战,是学科和时代的大转变所带来的大阵痛:人工智能范式的张冠李戴.因此,必须对人工智能的范式实施"正冠...     

人工智能在计算机网络技术中的应用分析

随着信息技术的快速发展,人工智能已成为引领新一轮科技革命和产业变革的战略性技术。现阶段,各个国家都在争先布局和发展人工智能,以期能在未来科技革命中抢占高点和先机。人工智能是一种模拟人脑工作的技术形式,它包含系统推荐、人工神经网络、语言处理、机器学习等方面的内容。将人工智能应用于计算机网络技术,可以节省人力资源、提升效率,可较好地弥补当前计算机网络技术在运用过程中存在的不足,进一步提升计算机网络技术水平。     

泛逻辑学理论——机制主义人工智能理论的逻辑基础

当前,世界各主要大国都把人工智能作为它们的国家战略。人工智能的发展正在快速改变着人类的生活方式和思想观念。在中国,有一小批研究者20多年来一直在基于辩证唯物主义潜心研究具有普适性的人工智能基础理论,包括智能的形成机制、逻辑基础、数学基础、协调机理、矛盾转化等。终于,他们各自建立了机制主义人工智能理论、泛逻辑学理论、因素空间理论、协调学、可拓学、集对分析等。其中,机制主义人工智能理论是基于智能形成机制的通用理论,它能把现有的结构主义、功能主义和行为主义三大流派有机地统一起来,使意识、情感、理智成为三位一体的关系;因素空间理论是机制主义人工智能理论的数学基础;泛逻辑学理论是机制主义人工智能理论的逻辑基础。本文介绍了泛逻辑学理论的基本思想、理论基础和应用方法,阐明它的理论意义和应用价值。特别需要指出的是,在广义概率论基础上建立的命题泛逻辑（包括刚性逻辑和柔性逻辑）,可看成一个完整的命题级智能信息处理算子库,库中完整地包含了全部18种柔性信息处理模式（包括16种布尔信息处理模式）,可用类型编码<a,b,e>来严格区分,用它可寻找到适合自己的信息处理算子完整簇来使用。在每一个信息处理模式中,各种不确定性的组合状态由不确定性程度属性编码<k,h,β,e>来严格区分,用它可在本信息处理模式的算子完整簇中精确选择具体的算子来使用。这表明柔性信息处理本质上是一把密码锁,它需要专门的密码<a,b,e>+<k,h,β,e>才能正常打开,不能乱点鸳鸯谱。通过只有18种模式,每种模式可以从最大算子连续变化到最小算子,已经证明了没有一个命题算子被遗漏。     

不完备信息系统中的集对粗糙集模型分析

考虑一种不完备信息系统,其中同时具有缺席和遗漏型未知属性值,在这种不完备信息系统中,采用集对分析的方法构建了一种新的基于联系度的加权相似度量。在此基础上,分析了加权相似度量在两种特殊情形的不完备信息系统中的表现形式,并通过实例说明了它的有效性。     

重新找回人工智能的可解释性

针对深度神经网络AI研究的可解释性瓶颈，指出刚性逻辑（数理形式逻辑）和二值神经元等价，二值神经网络可转换成逻辑表达式，有强可解释性。深度神经网络一味增加中间层数来拟合大数据，没有适时通过抽象把最小粒度的数据（原子）变成粒度较大的知识（分子），再把较小粒度的知识变成较大粒度的知识，把原有的强可解释性淹没在中间层次的汪洋大海中。要支持多粒度的知识处理，需把刚性逻辑扩张为柔性命题逻辑（命题级数理辩证逻辑），把二值神经元扩张为柔性神经元，才能保持强可解释性。本文详细介绍了从刚性逻辑到柔性逻辑的扩张过程和成果，最后介绍了它们在AI研究中的应用，这是重新找回AI研究强可解释性的最佳途径。