基于粒計算模型的知識推理理論與方法.pdf

1、知識是人類認知能力的重要基石，同時也是人工智能學科的基礎研究問題之一。隨著計算機技術與Internet的迅速發(fā)展，各個領域中的數(shù)據(jù)和信息產(chǎn)生了爆炸式地增長，而且這些數(shù)據(jù)和信息具有動態(tài)、高噪音、分布不均勻以及高維等特點。利用以往常規(guī)的知識推理方法在大知識庫上進行有效推理，方法不僅耗時，而且難以有效地獲得問題合理的解。
　　粒計算模型利用其自身模擬人類智能的特點。在求解問題時，通過選擇合適的粒度，降低問題求解難度，使得問題得到簡化，為

2、知識挖掘與知識推理提供一個可行的有效解決方案。現(xiàn)階段，基于粒計算的研究主要是在理論方面，在應用中還沒有得到廣泛的推廣。本文主要研究粒計算理論在大知識庫中進行知識推理的可行性和有效性，是關于粒計算理論與應用相結合的研究。
　　本文利用粒計算模型、模糊粗糙集以及商空間理論研究大知識庫中知識推理的有效方法。
　　主要研究工作和創(chuàng)新點歸納如下:
　　1.粗糙集理論中，經(jīng)典的屬性約簡是針對離散性的屬性，而現(xiàn)實生活中，大多數(shù)屬性的

3、取值是連續(xù)的。若進行屬性值的離散化，勢必會丟失許多有用的信息。在此情形下，學者推廣粗糙集理論到模糊粗糙集理論?；谀：植诩碚摚覀兪紫忍岢隽四：?、動態(tài)增量式的屬性約簡算法，以此來擬合動態(tài)的、大規(guī)模案例庫案例檢索的需求。
　　2.本文提出一種利用被約簡的屬性將案例庫中案例進行粒化的方法，提高了案例庫中案例的檢索效率。具體的?；椒ㄒ韵陆o出說明:?；途垲愂且环N對知識進行總結概括的方法。常用的聚類方法為k-means。由于k個中

4、心點的選擇會引起聚類準確率的擾動，所以學者又提出了k-means++算法。而我們所研究的案例庫中的案例是動態(tài)不斷增加的，所以在本文中，被約簡的屬性用來將案例庫中的案例依據(jù)動態(tài)增加的k-means++算法進行?；?，從而形成案例粒。最終，目標案例檢索任務等價為尋找最大匹配度的案例粒，而不是去匹配案例庫中的每一個案例。并在擁有最大匹配度的案例粒中目標案例可以獲得一系列最相似的案例。
　　3.商空間的分層遞階結構為問題求解提供了有效的途徑

5、。學者張玲教授，張鈸院士將經(jīng)典的商空間擴展為模糊商空間理論。在此基礎上，本文提出利用直覺模糊相容關系形成商空間的方法，從而得到更寬泛的分層遞階結構。文中利用同一個直覺模糊相容關系的兩種方法誘導相同的分層遞階結構，并給予定理證明。
　　4.粒計算和商空間理論在超圖（復雜、大型的網(wǎng)絡圖）的最佳路徑分析中起到了關鍵作用。本文利用超圖中超邊的權值將超圖中的點進行?；?，進一步依據(jù)權值的不同形成分層遞階商空間鏈，最后根據(jù)分層遞階商空間鏈來降低