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。     

不确定性知识表示及其度量方法

知识表示即信息的处理问题,是人工智能研究的热点和核心。研究可分为两条主线:一是对计算机可理解的知识表示形式进行研究,二是研究各类不同知识的表达方法、度量计算等。该文讨论了目前这两方面的研究现状,特别是对由随机现象、模糊现象、不完全性引起的不确定性知识的度量方法进行了研究;风险是不确定性结果的一种度量,该文提出了不确定性知识的表示方法及其度量与工程中的风险辨识和风险估计的结合,为工程中的风险辨识和风险估计研究提供了一条新途径。     

定性规则的云表示

云模型是定性定量间的不确定转换模型，它将概念的模糊性和随机性集成在一起，利用云模型可以有效地表示基于语言值的定性规则。但已有的文献中，定性规则的云表示多种多样，文章根据各种云的内在联系提出了一维正态云的定性规则的统一表示。     

专家系统中不确定性知识的表示和处理

知识表示和处理是专家系统的基本问题，不确定性知识的表示和处理一直是专家系统研究的热点。本文在阐述不确定性知识概念的基础上，简单介绍传统的不确定知识表示和处理方法，重点讨论近年来出现的新的不确定知识表示和处理方法。     

基于云模型的不确定性推理方法

云模型实现了定性概念与其定量表示之间的不确定转换,在云模型基础上构建的规则发生器能有效描述用自然语言表示的定性规则.在单条件单规则发生器基础上,进一步提出双条件单规则发生器的实现算法,给出了云推理系统的体系结构.将基于云模型的不确定性推理方法用于设计电机转速控制系统,并且与模糊推理方法进行了比较,验证了云推理方法的有效性和实用性.     

基于粗集的不确定性知识表示的精确性和关联性的研究

1 引言不确定性知识的表示和处理是人工智能研究中一项重要的带有基础性的工作。人们对常见的不确定现象进行了分析总结,针对各种不确定现象的特点提出了一些相应的处理方法,如DS证据理论、模糊集方法、主观Bayesian方法等,然而这一切都没有涉及不确定性的本质,因而在处理起来往往显得有点力不从心的感觉。人们一般认为不确定性可以理解为缺少足够的信息作出判断,那么从本质上怎样认识这种“缺少”呢?显然,上面提到的方法都没能在这点上取得突破.1982年,波兰科学家Z.Pawlak提出的粗集理论为揭示不确定性的本质提供了新的思路,按照粗集的观点,某个知识系统是人们按照一系列相应的特征对论域的划分,这种划分使得知识系统呈现出颗粒性,由于知识的颗粒性,使得人们在表达知识时就可能出现因颗粒太大而导致不能精确完整地表达某一知识的情形出现,这就是我们所看到的“缺少足够的信息”的原因所在。     

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。     

控制系统中基于映射云的不确定性表示

为合理地描述仪器仪表、执行机构输出的不确定性,提出了一种映射云概念.映射云具体是通过随机变量簇将输入量变换到输出的可能取值空间,并对若干给定输入值分别建立输出的隶属云片;然后估计输入输出映射的期望函数、熵函数和超熵函数,并建立输入输出映射云,用来定量描述输出的模糊性、随机性及其变化情况.应用实例表明,映射云能有效描述仪器仪表和执行机构的输出不确定性.     

.基于知识系统的不确定性模型

研究基于知识系统（KBS）中知识的不确定性是开发KBS的重要问题,但现有模型化KBS几乎都是基于确定性知识的。以经典的CommonKADS模型为背景,采用模型化工程中的不确定性技术,研究KBS中不确定性知识的表示方法。首先在基于值系统的值集概念上引入假设函数集合的评估函数,定义静态不确定性领域知识;而后采用因果模型描述动态的不确定性推理知识和任务知识;最后将三类不确定性知识映射至CommonKADS模型。由此给出了描述不确定KBS的通用模型,扩展了KBS的可用性。     

基于Petri网的统一知识表示模型

本文讨论知识表示的Ｐｅｔｒｉ网模型。将多种知识分类表示，对于开发具有较宽领域知识的系统具有重要意义。本文从统一的观点出发，在给出了Ｐｅｔｒｉ网的代数规范说明后，将三种主要的知识表示方法分别与Ｐｅｔｒｉ网模型之间建立映射系统，这三种知识表示方法为：逻辑表示法，语义网络和产生式系统。     

基于云模型的不确定性QoS 感知的Skyline 服务选择

由于传统QoS感知的Web服务选择方法无法保证服务选择的可靠性和实时性,提出了一种基于云模型的不确定性QoS感知的Skyline服务选择方法.该方法首先通过云模型计算QoS的不确定性,然后采用Skyline计算提取Web服务中的Skyline服务,剔除冗余服务,最后采用混合整数规划在Skyline服务中进行服务选择.在公共有效数据集和合成数据集上的实验结果表明,所提出的方法能够为用户提供可靠、快速的服务选择.     

Dynamic Uncertain Causality Graph for Knowledge Representation and Reasoning: Discrete DAG Cases

Developed from the dynamic causality diagram (DCD) model,a new approach for knowledge representation and reasoning named as dynamic uncertain causality graph (DUCG) is presented,which focuses on the co...     

基于混合知识表示的专家系统设计

论述了混合知识表示的重要性,介绍了知识表示应具备的性质和基本原则,运用混合知识表示方法设计了切屑折断过程与槽型ＣＡＤ专家系统。     

基于云模型的识别技术

以机体免疫思想的人工免疫系统作为一种动态自适应的方法,可以更好地解决传统的网络防御方法的被动、静态等缺点。引入云模型的概念,提出了人工免疫系统中云识别的理论,即根据环境的需要用多个识别器对不确定性抗原进行联合云识别,以达到降低伪肯定率和伪否定率的目的。     

一种交互式的云模型图像分割方法

论文针对图像分割中存在的不确定性问题,通过研究不确定性人工智能中定性和定量的转换模型—云模型,提出一种新的基于云模型的图像分割方法。该方法采取交互式的方式选择训练样区,利用训练样区中的像素生成云模型,并通过泛概念树生成算法生成泛概念树,最后通过极大判定法判定像素所属类别,实现图像分割。这种方法能较好地描述图像目标的不确定性。通过几组实验,证明该方法可以准确地分割出目标,并优于传统的图像分割算法。     

一种可用于基于内容智能检索的知识表示方式

在基于内容的智能检索中,多媒体信息的知识表示方式是应该首先解决的关键问题之一。文章总结分析了基于内容的智能检索中现有的一些知识表示模型,在此基础上提出了一种新的可用于基于内容的智能检索的知识表示方式,为今后的研究提供了一些新的思路和方法。     

ITS中基于模糊关系数据模型的知识表示及推理研究

使用模糊关系模型讨论建立学科知识库的方法,并用隶属度函数及模糊中心数等方法描述知识点属性,以知识点的模糊关系建立知识库,并且,就实现基于模糊关系数据模型推理过程,给出了两个关键性的算法。     

基于云模型的图像区域分割方法

基于区域的图像分割方法由于其高效、稳健的特点成为自动或半自动图像分割方法的研究热点之一。针对区域分割方法中存在的不确定性问题,提出了一种基于云模型的区域分割方法。首先以云变换为基础确定了区域生长过程中的生长准则,然后以逆向云算法实现分割区域由定量的像素集合到定性的云概念的转换过程,最后以云综合算法为基础将相邻区域进行合并,实现了基于区域的不确定性图像分割。两组图像分割实验表明该方法可以准确地分割出目标,并优于传统的图像分割算法。     

计算机视觉模型中的知识及其表示

计算机视觉模型是计算机完成视觉任务时所要具备的知识.根据任务的需要,确定模型中应当具有哪些知识并选择合适的表示方法,是建立一个计算机视觉系统首先要解决的问题,并将从根本上影响系统的性能.该文将这些知识分为几何知识、物理知识和关系三种类型,概括论述了各类知识的作用和现有的各种表示方法,并特别指出了物理知识在视觉模型中的重要性.     

基于知识表示学习的知识可信度评估

知识图谱自动化构建技术的发展以及信息量的增加导致知识图谱中引入了噪声和冲突,为了有效应用知识图谱,需要对知识的可信度进行评估.建立一种基于知识表示学习的知识可信度评估模型PTCA,利用实体之间的关联强度、实体类型信息以及多步路径信息对知识的可信度进行计算.通过三元组分类、知识图谱噪声检测以及知识图谱补全等3个任务对模型...