基于粗糙描述逻辑的不精确时态知识表示研究

在粗糙描述逻辑基础上扩充不精确时态关系,以满足不精确时态知识表示与推理的需要。首先给出了粗糙集及粗糙描述逻辑的相关概念;接着通过定义粗糙时态描述逻辑不精确时态关系,扩展了粗糙描述逻辑中具体域,并给出了可靠性和完备性证明;最后通过实际例子说明粗糙时态描述逻辑的知识表示和应用,结果表明扩展后的粗糙时态描述逻辑可以实现不精确时态知识的表示与推理。     

描述逻辑的粗糙扩展研究

由于传统的描述逻辑系统不适于表示不确定的、模糊的知识,本文将基于粗糙集语义的下近似和上近似引入描述逻辑系统中,使用一种简单的方法将传统描述逻辑进行扩展,介绍了粗糙描述逻辑的概念,在粗糙描述逻辑系统中我们可以使用适当的子概念和超概念来对某些模糊的知识进行约束表示。本文主要讨论描述逻辑ALC的粗糙扩展,介绍扩展后所得到的粗糙描述逻辑RALC的语法、语义和相关推理问题,探讨了使用粗糙描述逻辑来对不精确概念进行建模的基本思想,最后提出了一个RALC的可满足性问题的推理算法。本文的工作可以使得在描述逻辑中对不确定的知识进行形式化描述和推理更加方便。     

人工智能应用中基于区间代数的时态推理

时态表示和推理是人工智能领域的重要研究内容之一,它的应用范围分布很广,从逻辑基础研究到知识系统的应用。区间代数是一种独立的与领域无关的时态理论。用区间代数能表示不确定的时态关系,可以很方便的用于时态推理,表达能力强;时态关系的区间表示比较直观,可理解性强;同时区间代数可以进一步扩展到二维空间领域,即将区间代数拓展为矩阵代数,实现二维空间推理。在一维时态推理中,将时态的区间表示和矩阵表示相结合,在提高计算效率的同时,保持了形象直观的时态表示。     

面向不确定性知识表示的描述逻辑SROIQ(D)不确定性扩展

为增强描述逻辑对不确定性知识的表示能力,提出了一种对描述逻辑SROIQ(D)进行不确定性扩展的方法。该方法基于不确定性理论和描述逻辑SROIQ(D),针对知识表示中大量存在的模糊性、粗糙性和随机性知识,首先给出了模糊粗糙概念条件概率的计算方法,并以此为基础对SROIQ(D)进行了不确定性扩展;然后基于模糊粗糙逻辑和概率逻辑分别给出了扩展后的语法、语义和推理任务,使不确定性SROIQ(D)描述逻辑具备同时处理3类不确定性知识的能力。     

结合度量空间和时间的逻辑

与时态和空间有关的推理问题是人工智能研究中重要的组成部分,近年来时空逻辑的研究受到相关领域研究者的极大重视。以多维逻辑为框架表示时空知识,提出了一组将度量空间逻辑和时态逻辑相结合的逻辑模型PTL-MS、PTL-MS1、PTL-MS2,表示和推理随时间变化的距离关系,看成是时态逻辑和度量逻辑的迪卡尔乘积,给出了语义和语法,研究了它们的表达能力,用于时空约束满足问题、时空知识库以及移动对象数据库(MOD)等。     

描述逻辑SHIOQ的时态扩展

分析描述逻辑时态扩展的优缺点,同时结合实际应用需求,将时间当作具体领域加入到描述逻辑中来处理,给出带时态扩展的描述逻辑SHIOQ（T）的形式化描述,并给出SHIOQ（T）中概念、关系和实例的描述形式以及它们的语义解释,从而方便地实现时态知识的表达和推理。     

F-SHIQ公理体系及其OWL扩展

随着计算机和Internet的快速发展,语义网和描述逻辑在人工智能等领域扮演着越来越重要的角色。但在日常生活中,越来越多不确定的、不完整的知识需要解决,而现存的OWL只能表述确定的完整的概念和关系。为了能够表示和推理模糊知识,给出了一个基于描述逻辑SHIQ的全新的模糊描述逻辑公理体系——F-SHIQ公理体系,并以此公理体系为基础,扩展了OWL本体语言,能够描述和推理模糊知识。该文首先给出了系统详细的定义、公理、定理以及定理的证明;然后详述了如何用FSRL,即基于F-SHIQ的OWL扩展,来表示和推理模糊信息;最后通过一个例子来检验扩展语言的应用效果。     

基于本体和云理论的不确定知识表示

描述逻辑是本体的重要表示方式,但只能处理严格的确定性的知识,并不能处理自然界中广泛存在的模糊的和不确定的知识。通过对最基本的描述逻辑ALC进行扩展,提出了能够处理不确定知识的基于本体和云模型不确定描述逻辑:Cloud-ALC,给出了Cloud-ALC的语法和语义及其蕴涵推理关系,研究了Cloud-ALC所具有的相关性质。实例分析说明Cloud-ALC可以为扩展本体描述语言以便能够处理不确定知识提供语义支持。     

粗糙本体支持的知识推理框架

基于精确本体的推理机不能够直接应用到粗糙本体的知识推理中,因此目前还没有适合粗糙本体的推理机。根据粗糙本体的特点,将其中的粗糙集、粗糙描述逻辑、粗糙包含和知识推理作为研究对象,在此基础上将基于描述逻辑的推理方法与基于规则的推理方法相结合,提出一种粗糙本体支持的知识推理框架,实现了粗糙本体的推理功能,解决了针对不确定信息的知识推理问题。     

基于标记Büchi自动机的时态描述逻辑ALC-LTL模型检测

时态描述逻辑将描述逻辑的刻画能力引入到命题时态逻辑中,适合于在语义Web环境下对相关系统的时态性质进行刻画.为了对这些时态性质进行高效的验证,在ALC-LTL的基础上研究了时态描述逻辑的模型检测问题.一方面,使用时态描述逻辑ALC-LTL公式来表示待验证的时态规范;另一方面,在对系统建模时借助描述逻辑ALC对领域知识进行刻画.针对上述扩展后得到的模型检测问题,提出了基于自动机的ALC-LTL模型检测算法.模型检测算法由3个阶段组成:首先将时态规范的否定形式和系统模型分别构造成标记büchi自动机;接下来构造这两个自动机的乘积自动机,并将关于ALC的推理机制融入到乘积自动机的构造过程中;最后对该乘积自动机进行判空检测.与LTL模型检测相比,时态描述逻辑ALC-LTL的模型检测引入了描述逻辑的刻画和推理机制,可以在语义Web环境下对语义Web服务等复杂系统的时态性质进行刻画和验证.     

面向Deep Web不确定知识表示的动态模糊描述逻辑

Deep Web信息量大,主题专一,信息质量好.然而Deep Web信息存在着不确定问题,因此难以对其进行知识表示和推理.基于动态模糊逻辑理论,提出了一种新的描述逻辑,即动态模糊描述逻辑(DFDLs).给出了DFDLs形式化定义以及DFDLs的语法和语义,设计了DFDLs的tableau的推理算法和策略.采用动态模糊描述逻辑对面向Deep Web的不确定知识进行表示并实现合理的推理和利用,能更好地表达Deep Web的动态和模糊信息.     

应急系统中不确定时态知识表示及其推理

在分析现有不确定信息表示模型基础上,提出了一种可扩展的时态知识表示模型,该模型对真实事件的间断性表示加以改进,进而讨论了应急决策知识库的构建方法和相应推理机制。实验数据表明,在原型系统中使用改进后的表示模型和推理方法,能够提高应急系统处理效率和决策方案的合理性。     

基于形式概念分析的粗糙描述逻辑研究

以往的粗糙描述逻辑(RDL)都是基于传统的粗糙集理论。实际上,经常会出现用形式概念表示一个概念的情况,此时一个自然的问题就是如何处理可能出现的不确定概念。把形式概念分析与粗糙集理论联系起来做为基础,给出可定义概念和不可定义概念的定义,并给出不可定义概念的上近似和下近似,这里的近似定义虽然不同于传统的粗糙近似算子形式,但是有很好的实用性。基于新的上下近似定义,把一组近似算子引入到描述逻辑的结构中,形成一种新的粗糙描述逻辑。给出了相应的语法和语义,最后还给出了扩展的Tableau算法,可以用来解决相应的推理问题。     

确定学习与基于数据的建模及控制

确定学习运用自适应控制和动力学系统的概念与方法, 研究未知动态环境下的知识获取、表达、存储和利用等问题. 针对产生周期或回归轨迹的连续 非线性动态系统, 确定学习可以对其未知系统动态进行局部准确建模, 其基本要 素包括: 1)使用径向基函数(Radial basis function, RBF)神经网络; 2)对于周期(或回归)状态轨迹 满足部分持续激励条件; 3)在周期(或回归)轨迹的邻域内实现对非线性系统动态的局部准确神经网络逼近(局部准确建模); 4)所学的知识以时不变且空间分布的方式表达、以常值神经网络权值的方式存储, 并可在动态环境下用于动态模式的快速识别或者闭环神经网络控制. 本文针对离散动态系统, 扩展了确定学习理论, 提出一个根据时态数据序列对离散动态系统进行建模与控制的框架. 首先, 运用确定学习原理和离散系统的自适应辨识方法, 实现对产生时态数据的离散非线性系统的未知动态进行局部准确的神经网络建模, 并利用此建模结果对时态数据序列进行时不变表达. 其次, 提出时态数据序列的基于动力学的相似性定义, 以及对离散动态系统产生的时态数据序列(亦可称为动态模式)进行快速识别方法. 最后, 针对离散非线性控制系统, 实现了基于时态数据序列对控制系统动态的闭环辨识(局部准确建模). 所学关于闭环动态的知识可用于基于模式的智能控制. 本文表明确定学习可以为时态数据挖掘的研究提供新的途径, 并为基于数据的建模与控制等问题提供新的研究思路.     

基于直觉模糊集的不确定时序逻辑模型

针对现有时序逻辑在描述复杂不确定时间信息方面的局限性,提出了一种基于直觉模糊集的不确定时序逻辑模型。该模型分别定义了离散论域和连续论域下的不确定点时序逻辑、点-时段时序逻辑以及时段时序逻辑的判定公式;引入直觉模糊集的犹豫度参数,使得推理结果更加精确。最后通过实例对两类不确定时间信息进行描述,并对其时序逻辑关系的可能性进行度量。通过分析表明该模型是比较优越的。