宋亚宁[1]2016年在《Horn子句型信念非修正推理系统设计与实现》文中研究表明如何合理处理信念间的不一致性是常识推理过程的一个关键性问题。目前,信念修正方法作为处理信念间的不一致性被国内外学者广泛研究,该方法引入一个修正算子,对不一致信念进行修改以获得一致信念的推理。修改原有信念就不可避免的会出现重要信息缺失,甚至结论集无法抉择的问题。而信念非修正方法是以不修正为前提,利用限定推理的过程获得一致的结论集,实现有效的推理。在一阶逻辑中,已有的基于Horn子句型信念假说的扩充具备较好的数学特性,但是其在计算机上的可编程和可实现性上仍存在一些问题。考虑到将该方法更容易的应用在实际中,本文总结出了构建Horn子句型信念非修正推理系统亟需处理的主要问题,就此设计实现了Horn子句型信念非修正推理系统。具体研究内容如下：(1)定义了Horn子句型信念假说的扩充。在这种定义下,有限假说的扩充仍然是一个有限集合,它可以不是演绎封闭的,但与原假说的扩充在逻辑上是相等的,并进行了证明。对于任意Horn子句型信念的可信程度,本文中引入权值的概念。通过权值既满足了合理性又满足了可实现性。(2)提出了Horn子句型信念假说扩充的生成算法。在算法的设计中借鉴了本原蕴涵的方法,使用归结方法进行推理,在归结过程采用了删除策略和有序归结方法进行优化。为了易于得到一致的假说的扩充集,定义了推导解释,构建了子句图,详细记录了信念间的推理过程。(3)构建了Horn子句型信念非修正推理系统的模型,并实现了Horn子句型信念非修正推理系统。本文根据问题描述与设计,构建了系统模型的各个模块,然后利用Java技术实现了各个模块的基本功能,完成了整个系统的推理,最后实现了某一子句型信念的推出验证。实验结果表明Horn子句型信念非修正推理系统能够有效的解决信念间的不一致性,并且推理结果是一致的、正确的,系统也可以详细地解释推理过程。
尚颖[2]2002年在《常识推理中不一致信念的定量非修正处理方法》文中研究表明自从人工智能形成一个学科以来，科学家们遵循着一条明确的指导思想：研究和模拟人类思维的普遍规律，并用计算机模拟它的实现。对人类智能，尤其是认知过程的模仿和了解，进行了很多尝试。但实践表明现今的大多数智能系统都经不起常识一击，即对常识的表示及其推理都是非常困难的。而常识推理中的难点及重点即为对不一致知识的处理问题。 根据不同的应用领域的不同需要，研究者们已经提出了许多种对不一致知识的修正方法。在所有的方法中最有影响的一个，是由C.Alchourron、P.Gardenfors和D.Makinson所提出的AGM理论，AGM理论中提出了一组应为所有合理的信念修正模型所满足的公设，即所谓的AGM公设。本文将对几种信念修正方法进行比较，并讨论他们满足AGM公设的情况，同时给出定量非修正方法的实现算法。具体而言，主要完成以下叁项工作： (1)首先介绍几种典型的迭代修正方法。并对这些方法进行比较，讨论他们满足AGM公设的情况。得出修正序列为线序要优于基序。另外指出各种方法一般都应遵循两个原则：一是最小改变原则；二是强首要更新原则。 (2)各种信念修正方法都存在着丢失希望信息、产生不希望结论或结论难于选择的问题。邓安生提出定量非修正方法，该方法避免了在信念修正过程中所产生的有用信息丢失的现象；并将在已有的信念之下能够推出的最为可靠的结论作为系统的最终结论，使得系统具有唯一的结论集，从而完全解决了系统在含有不一致信念的情况下结论难于选择的问题。 通过对定量非修正方法满足AGM理论情况的讨论，本文认为这一方法满足AGM公设，是一种性质良好的不一致信念的处理方法。 (3)众所周知，经典命题逻辑中的判定问题是NP完全问题，而一阶逻辑是半可判定问题，关于非经典逻辑特别是非单调逻辑的计算复杂性分析和算法实现是一个重要的研究领域。 本文将定量非修正处理方法建立在命题逻辑意义下，给出其实现算法。
张卫娜[3]2012年在《子句型信念集的静态非修正处理方法研究》文中研究说明在进行常识推理时,人们从外界获得的新信念往往会与原信念集中的一些信念产生矛盾。面对不一致信念,如何对信念集进行协调性维护,这是常识推理中一个关键性问题。目前,对不一致信念进行协调性处理的一个主要方法是信念修正方法。经过大量的研究发现,信念修正方法存在一些不足,比如在进行修正的过程中往往会丢失一些希望信息和产生一些不希望结论。针对以上问题,本文对不一致信念的处理采用信念静态非修正方法。此方法的基本思想是：在信念集中允许存在不一致信念,且该方法将根据已知信念能够推出的没有相反信念的结论作为系统的最终结论。信念静态非修正方法能够避免丢失希望信念和产生不希望结论的现象,同时也能解决系统在含有不一致信念的情况下难于解决结论的问题。本文研究的是信念静态非修正方法在一阶逻辑中子句型信念集上的应用,其主要内容如下：(1)首先,将假说限制为一阶逻辑中的子句集,采用归结法对假说的扩充进行了定义,以期望它具有良好的性质；其次,证明了假说的扩充具有一致性,封闭性,累积性和外延性,同时对假说的扩充是否具有其他可能的性质也进行了讨论。(2)本文对子句型假说的认识进程是否收敛进行了研究。首先,对子句型假说的认识进程进行了定义；其次,给出了判断认识进程是否收敛的条件；最后,证明了子句型假说的认识进程具有收敛性。(3)本文研究了静态信念非修正方法在具有可信度信念集上的应用。首先,对具有可信度的假说进行了定义,并采用归结法对具有可信度假说的扩充进行了定义；其次,证明了具有可信度假说的扩充具有良好的一致性、封闭性和累积性；最后,判断了具有可信度假说的认识进程具有收敛性。本文对静态非修正方法在一阶逻辑上的应用取得了良好的研究成果。通过本文的研究,不仅证明了信念静态非修正方法可以解决信念修正方法中存在的一些问题,同时也扩大了信念静态非修正方法的应用范围。
郭小琳[4]2013年在《加权子句型信念集的静态非修正处理方法研究》文中提出常识推理中的一些信息具有不一致性、小完全性与不确定性。这样的信息,不能称为真理,只能称为信念。信念修正是一种研究常识推理的重要方法。该方法的主要思想是首先根据一定的假设对信念进行排序,然后用较可靠的信念去修正不够可靠的信念,最后得到一致的信念集。由于信念修正方法对信念集不断地进行修正,在推理过程中会丢失希望的信息,产生不希望的结论。信念非修正方法的主要思想是当获得的新信念与原信念集中的一些信念产生冲突时,对这些不一致信念不做任何处理。采用某种形式的语义,通过将该信念集能够推出的并且没有矛盾的信息作为系统最终的结论集,这种方法解决了不希望结论的产生以及结论集合难于抉择的情况。对于信念的加权问题,传统的方法主要采用有限链结构去刻画信念的可靠程度。虽然得到了广泛的应用,但是由于有限链中的元素是非连续的和全序的,应用范围过于局限。本文将有限链结构推广为平滑格结构,在语法上用平滑格中的元素刻画信念的可靠性,解决了信念存在不可比较的问题。本文主要针对于有限链结构表示范围的局限性以及信念修正方法的不足,在一阶逻辑中,将假说限制为使用平滑格元素加权的子句集,采用归结的方法作为蕴含语义,定义了假说扩充。并且证明了该假说的扩充具有良好的性质。同时对假说的扩充是否是一致的进行了讨论。本文还对加权子句型假说的认识进程的收敛性进行了研究。首先,定义了加权子句型假说的认识进程,然后给出了判断该认识进程是否收敛的条件。最后证明了加权子句型假说的认识进程具有收敛性。本文提出信念非修正理论在一阶逻辑中一种新的可能的实现方法。该方法扩大了关于信念非修正方法的研究范围。
张建新[5]2010年在《不一致信念的定量非修正分层处理方法研究》文中指出随着计算机技术的发展,人们由最初的利用机器模仿人类行为逐渐转向利用机器模拟人类智能。人工智能的实践表明,现今的多数智能系统对常识的表示及其推理存在一定的困难。人们在不断的实践后发现,不一致信念的处理问题是常识推理中的难点及重点。根据不同应用领域的不同需要,研究者们已经提出了许多对不一致信念的处理办法,概括起来,主要包括修正和非修正两种方法。信念修正的方法是根据新信念的情况修正原有知识库以维护信念的一致性。研究者们在这一领域已经取得了很多的研究成果。但是,由于要对知识库进行修正,几乎所有的信念修正方法都存在着丢失希望信息、产生不希望结论或结论难于选择的问题。而非修正方法是在容忍不一致的前提下进行的推理,它不需要对原有知识库进行修正,因而很好地避免了信念修正方法产生的问题。本文基于非修正方法的思想,在命题逻辑下讨论定量非修正分层的处理方法。为了保证假说扩充具有良好的数学性质和行为表现,本文首先通过限制假说为子句集的形式,用归结法进行推理,对推理结果进行分层处理,将矛盾信息隔离在某一层次中,重新修正了假说扩充的定义,并给出了修正后的假说扩充满足一致性、演绎封闭性、累积性等相关数学性质的证明。如果将假说的无限增长过程理解为认识进程,则认识进程收敛于确定的极限。为了对信息进行更好的筛选和甄别,使假说扩充中保存的信息更加全面,本文又引入了信念权值的表示方法,从定量的角度进一步优化了假说扩充的定义,并证明了优化后的假说扩充同样满足相关的数学性质。另外,鉴于AGM公设是多数信念修正方法的衡量尺度,本文讨论了定量非修正方法满足AGM公设的情况。
郝璐璐[6]2013年在《命题信念集的非修正处理方法研究》文中研究说明知识的表示和推理被认为是人工智能符号主义流派最重要的研究内容之一而在这些研究中,逻辑则充当着重要的角色。逻辑推理是认知智能行为的典型特征,但是在推理过程中,由于不同原因产生了一些不一致信念,而这些不一致信念使知识库出现了矛盾。能够有效地对人工智能中出现的各种不同类型的知识库进行协调性维护,对于推动人工智能特别是基于知识推理的研究具有重要的意义。非单调逻辑主要的思想就是在知识不完全的情况下进行推理。它修正了由加入新知识而引起的矛盾。然而对已有的知识进行修正,常常会出现这样的情况,即系统丢失了能够推导出来的某些原本希望得到的信息。针对以上问题,邓安生教授提出的信念非修正理论主要克服以上信念修正存在的缺点。这种方法的优势在于,不仅可以得到唯一的结果集,并且将这种方法应用在经典逻辑中时,它表现出了良好的数学性质如：一致性,封闭性,封闭性等。本文是将这种方法的应用范围进一步扩展,使得它更一般性化。(1)将假说的语法形式限制为命题逻辑下的与或句型集；蕴涵语义采用广义归法对假说的扩充进行定义；并证明了假说的扩充具有良好的数学性质,如一致性,封闭性和外延性等。(2)对命题逻辑下的与或句型假说的认识进程进行了研究。首先,对与或句型假说的认识进程进行了定义；其次,给出了判断与或句型假说的认识进程是否收敛的条件；最后,证明了与或句假说的认识进程具有收敛性。(3)实现自动推理算法。首先,根据对与或句型假说使用广义归结方法进行演绎推理过程完成了归结集算法。其次,根据假说扩充的定义完成了结论集的算法。最后将两个算法合并,形成与或句型假说的非修正处理方法的自动推理算法。本文将信念非修正理论的使用范围从命题逻辑子句集扩展到与或句集下,在对信念的语法形式限制上放宽了要求,同时广义归结方法的应用使得对问题的描述更为自然。
石鹏飞[7]2016年在《信念非修正原型系统解释器的设计与实现》文中指出生活中的知识通常具有不确定性、不一致性和不完全性,这些知识被统称为信念。怎样解决信念间的不一致性是计算机模拟人类推理过程的重要研究内容。目前。信念修正要进行修正操作,不可避免的会出现重要信息缺失、推理出不希望结论、结论集无法抉择的问题。而信念非修正方法是以不修正为前提,这样就解决了上述问题。本文的研究内容是在谓词逻辑非修正处理方法的基础上进行改进,采用单元归结方法进行推理。根据用户的中文输入,转换成知识库中的子句,使用单元归结方法进行推理,当检测到不一致的知识时,根据可信度的数值大小进行选择操作,最后给出一个结论,但没有呈现给用户其中的推理过程,使用户对结论的真实性存在怀疑。为了最后给用户的结论提供解释,设计了信念非修正原型系统解释器。我们在归结过程中将子句集构造成信念有向子句图,解释器采取推理过程追踪的原理,通过遍历信念子句有向图对结论进行逆向推理,将获得结论过程使用的知识连接起来,构建获得结论的推理过程,用户依据推理过程分析推理结论的准确性、有效性。
刘文赫[8]2011年在《Horn子句型信念的静态非修正处理方法研究》文中研究表明常识推理中的信息常常具有不一致性、不完全性和不确定性。这样的信息不能看作绝对真理,而只能称为信念。对不一致信念的处理是人工智能特别是计算机推理研究中一个关键性的问题。目前处理这一问题的一个主要方法是信念修正方法,其基本思路是根据一定的假设对信念进行排序,利用较可靠的信念修正不够可靠的信念,从而使信念集是一致的。由于需要不断对信念集合进行修正,信念修正方法至少存在两点不足：首先,一些希望信息在信念修正过程中丢失；其次,会在推理过程中产生不希望的结论。信念静态非修正方法被提出来以解决这些问题。信念静态非修正方法的主要思想是保留所有信念作为假说。在容忍不一致信念的情况下,通过限制假说的语法形式和蕴涵语义的方法来取得假说的扩充来作为最终结论集。信念静态非修正方法保留了新加入信念与原信念集中的全部信息,因此避免了希望信息丢失的现象。同时,信念静态非修正方法借助某种语义机制取得唯一且一致的假说扩充作为结论集,避免了不希望结论的产生。信念静态非修正处理方法的研究重点是如何定义假说及假说的扩充,以使得假说的扩充变成具有良好性质的结论集合。本文在一阶逻辑下,将信念定义为Horn子句,将假说定义为Horn子句集,并利用单元归结作为蕴涵的语义以使假说的扩充具有良好的性质。证明了该蕴涵语义定义下Hom子句型信念的假说扩充的唯一性、一致性和演绎封闭性。进一步地,本文研究了应用静态非修正方法的Horn子句型信念的认识进程。首先建立了Horn子句型信念的认识进程的定义。其次建立了Horn子句型信念的认识进程极限的定义。进而证明了Horn子句型信念的认识进程具有收敛性。以上研究,说明了应用静态非修正方法的Horn子句型信念增长是趋于稳定的。
杨状[9]2014年在《命题逻辑假说扩充生成算法及其应用研究》文中指出在人工智能被提出之初,就将实现常识推理作为人工智能研究的一个长期目标。在日常中,常识推理可以帮助在不完全信息的情况下,根据常识做出合理的假设来进行有效的推理。目前,信念修正方法作为处理常识推理中非单调性的问题被广泛的研究。这种方法通过引入一个修正算子,将信息调整纳入已有知识库。然而在信念修正的过程中不可避免的出现期望信息的丢失。不同于信念修正的方法,信念非修正的方法在不改变原有知识库的基础上,通过限制推理的过程来获得一致的扩充,实现有效的推理。在命题逻辑下,假说的扩充已经被证明具有良好的数学性质。但是在现有的研究中,对于有限个子句构成的假说,其扩充一般会是一个无限的集合。为了将非修正的方法更易于实际应用,本文做出如下研究：(1)定义了命题逻辑下假说的扩充。在这种定义下的有限个子句构成的假说的扩充仍然为一个有限的子句的集合,并且保持与己有的假说的扩充是逻辑等价的。本文对等价性进行了证明。(2)提出了命题逻辑下假说的扩充的生成算法。在算法的设计中参考求本原蕴涵的方法,优化了归结过程。在完成算法理论证明之后,使用JAVA语言实现算法。使用多个假说作为测试案例进行实验,验证了算法程序的处理结果是正确的、完备的。(3)提出了基于假说扩充的知识编译方法。知识编译作为知识表示与推理的基础,具有广泛的应用。本文证明了命题逻辑下假说的扩充可以作为知识编译的目标语言。并分析基于命题假说扩充的知识编译方法与其他知识编译方法的关系。
何叶[10]2017年在《信念非修正原型系统知识库和用户界面的设计与实现》文中指出信念修正是一个解决不一致信念推理的重要方法,信念修正的主要思想是当出现不一致时,就修改知识库使其恢复一致性。信念修正易丢失有用的信息。信念非修正推理方法容忍知识库中的不一致,通过提出新的推理方式来获得一致的结论集。信念非修正原型系统利用信念非修正最基本的逻辑,实现最基础的信念非修正推理过程,但是没有结合实际领域知识进行验证。本文在信念非修正原型系统上,结合船舶领域的故障诊断知识,设计一阶谓词逻辑下有可信度Horn子句形式的表示方式,对不精确的领域知识做有效的表示,简化了领域知识到形式语言的表示过程,方便了系统中信念形式的解析设计,提高整个系统的推理效率。因为知识的表示形式,将知识库设计成"事实-规则"型知识库,将Horn子句形式的知识有序高效的进行存储。根据知识库中知识的结构,改进信念非修正原型系统的推理方法,减少推理过程中的组合爆炸,利用单元归结的推理方法。在推理过程中,将进行推理的信念创建信念图,在信念图上计算信念的可信度和进行信念的修正操作。采用上述方法实现了信念非修正原型系统的知识库构造,单元归结的信念非修正推理过程,以及信念图的构造和在信念图上的可信度计算及信念的约简操作。并实现用户界面的显示。
参考文献：
[1]. Horn子句型信念非修正推理系统设计与实现[D]. 宋亚宁. 大连海事大学. 2016
[2]. 常识推理中不一致信念的定量非修正处理方法[D]. 尚颖. 东北师范大学. 2002
[3]. 子句型信念集的静态非修正处理方法研究[D]. 张卫娜. 大连海事大学. 2012
[4]. 加权子句型信念集的静态非修正处理方法研究[D]. 郭小琳. 大连海事大学. 2013
[5]. 不一致信念的定量非修正分层处理方法研究[D]. 张建新. 大连海事大学. 2010
[6]. 命题信念集的非修正处理方法研究[D]. 郝璐璐. 大连海事大学. 2013
[7]. 信念非修正原型系统解释器的设计与实现[D]. 石鹏飞. 大连海事大学. 2016
[8]. Horn子句型信念的静态非修正处理方法研究[D]. 刘文赫. 大连海事大学. 2011
[9]. 命题逻辑假说扩充生成算法及其应用研究[D]. 杨状. 大连海事大学. 2014
[10]. 信念非修正原型系统知识库和用户界面的设计与实现[D]. 何叶. 大连海事大学. 2017