基于MPI的主从式并行MCMC

马尔可夫链蒙特卡洛(MCMC)是贝叶斯网络(BN)的一种近似推理算法,为保证其时间性能,在生成马尔可夫链的组成序列时,通常只使用较少的样本,其推理精度较低.以Gibbs抽样为基本框架,提出一种BN的并行MCMC推理方法PMCMC,在生成马尔可夫链的组成序列时,通过增加对BN中每个节点的抽样频率来提高推理精度,并在消息传递接口MPJ的支持下,利用主从式并行机制来实现其推理过程,保证了推理的时间性能.在3个不同BN上的推理实验结果表明,PMCMC在提高推理精度的同时有效保证了推理的时间生能.     

基于Bayes network含失效节点的网络可靠性评估

针对Bayes network (BN)能很好地表示变量的不确定性和相关性, 并能直接进行不确定性推理的优势, 提出了基于BN含失效节点的网络可靠性评估方法. 建模方面, 给出了通过节点分割去环构建有向无环图及条件概率表的具体方法; 推理方面, 通过节点消隐, 减小BN规模, 有效降低推理复杂度. 分析了算法复杂度, 并通过算例证明了算法的有效性和适用性. 由于BN建模及推理的灵活性, 该方法可研究同时含节点失效、共因失效的网络可靠性, 况且通过BN推理除得到网络失效概率和部件重要度外, 还可得到网络失效条件下任一部件失效或者共因失效发生的概率, 为故障诊断和维护提供指导.     

基于符号定向图(SDG)深层知识模型的定性仿真

定性仿真是系统仿真技术中的重要研究和应用方向，同时也是人工智能技术的一个重要方面。近年来，随着现代计算机技术的日新月异，使得基于符号定向图(SDG)深层知识模型的定性仿真研究和应用取得了显著进展。SDG模型能够表达复杂的因果关系，具有包容大规模潜在信息的能力，因此特别适合于过程系统危险评价(PHA)、危险识别与故障诊断。SDG模型结构简单，易于建立和修改。然而高质量的SDG模型必须采用经验数据和定量动态仿真检验和校正。采用SDG模型进行定性仿真的关键技术是高效双向推理“引擎”，由计算机软件自动完成。目前，在计算机辅助过程系统危险评价方面，SDG是最有效的方法；在过程系统故障诊断方面，其完备性较好，但诊断分辨率尚待提高。今后的研究应解决：定性仿真和定量仿真相结合；SDG自动建模；通用推理软件平台；大系统高分辨率故障诊断等问题。     

基于本体和BN的无人车行为决策方法

和高速交通环境比,城市交通环境具有更高的复杂性和不确定性,因此无人驾驶车辆行为决策系统要能给出驾驶场景下安全有效的驾驶动作。本文提出一种将本体语义表示与贝叶斯网络(Bayesian network, BN)概率推理相结合的行为决策模型。从驾驶场景中的多源异构信息和领域专家经验出发,建立本体并进行概率扩展,将其转换为BN,通过BN推理得到当前驾驶场景下的最佳驾驶动作。该方法既实现了驾驶场景领域知识的形式化描述和共享,又考虑到了驾驶场景中存在的不确定性。最后，通过Prescan/Simulink联合仿真实验验证了所提方法在无人驾驶车辆行为决策上的有效性。     

混合专家系统的研究及进展

在简要回顾符号专家系统和神经网络技术的基础上，综述了基于这两种技术的混合专家系统研究领域当前发展的状况。基于符号推理的专家系统在７０年代取得了长足的进步，但其自身的弱点决定了专家系统技术在发展过程中必然遇到不可克服的困难；８０年代，以联接主义为特征的神经网络技术得到了迅速地发展，一定程度上突破了符号专家系统所面临的障碍。神经计算与符号推理系统之间的互补性，使得基于这两种技术的混合专家系统被认为是当前人工智能领域重要的研究方向之一。     

复杂系统的定性表示与推理

基于人工智能中树图推理的思想,提出一种对复杂系统进行定性描述和推理的方法.该方法基于图论把一般的定性约束方程转化为一种约束图的表示形式,并在虚拟因果理论基础上,得到描述系统波动演化的各关键变量的约束影响图形式.最后,比较了Kuipers的QSIM和本文发展出的方法,表明采用图形化的方式来表征系统各变量之间所存在的约束关系,可以得到和原系统等价的但变量数大大减少的约束影响图形式.这种处理可以推动定性推理的研究从QSIM的实验室阶段走向实际应用领域.     

参数化设计的定性建模与仿真

对参数化设计问题提出了一种新的基于DOF（Degreesoffreedom）的定性建模与仿真方法。在几何约束求解的过程中，通常的定量数值化方法由于解空间的巨大而显得低效。通过定义基本约束簇类型和规则，新方法引入定性图对几何约束进行定性建模及模型求解．经过一系列基于DOF的定性图推理过程，几何约束的定性模型被规约为一个单节点后得出一系列的构造步骤。在这个推理阶段中得出的构造步骤被确定为以后精确定量计算的次序．结合了定性推理方法的高效性以及定量方法的精确性，初步实验表明新方法能够提高约束求解的效率。     

关于认知影响图方法的研究

在进一步发展认知图、影响图理论的基础上，提出了融合二者于一体的认知影响图理论，建立了两种构造认知影响图方法：诊断法和时间序列法，解决了实际认知过程中，按时间序列出现事件经常与人类诊断知识方向矛盾的问题：并根据在思考问题过程中，同一领域专家的认知方式不同，分别采取因果推理及诊断推理的特点，提出了一种能有效地获取上述两种知识的衍值方法     

基于贝叶斯网络的系统可靠性评估方法研究

为了有效评估动态系统要素间的复杂行为和交互特性,提出了一种基于贝叶斯网络(Bayesian Network,BN)的可靠性建模与分析的新方法.该方法利用BN的不确定性推理和图形化表达的优势,能够很好地捕捉系统要素的行为与交互,以结构的方式组合各种基本BN架构为用户提供模块化和分级的途径对系统进行建模.实验结果表明该方法的可行性和有效性.从而提高了系统的灵敏度,减少了其不确定性.     

一种解决混联系统组合爆炸问题的贝叶斯网络

针对传统三层节点贝叶斯网络(Bayesian network,BN)在系统可靠性分析中的组合爆炸问题,提出了一种适用于复杂混联系统的级联BN建模方法.首先,在引入s类(f类)节点基础上建立了描述并联(串联)逻辑的信息通路模型,进而通过为通路模型各节点赋予同逻辑的条件概率参数,提出了构建并联(串联)系统等价级联BN的方法;其次,结合"超级方框"的概念分析了将典型串并联、并串联系统转化为等价级联BN的方法,并基于系统可靠性框图(RBD)相关矩阵,设计了将复杂混联系统转化为等价级联BN的算法-Generate-Chain-BN;最后,分别建立了某混联系统RBD的等价三层节点BN和级联BN模型,对两种BN进行了对比计算.理论和实例分析均表明,本文建立的级联BN可将原三层节点BN的空间和时间复杂性由指数级降到线性级,解决了三层节点BN固有的组合爆炸问题,可成为复杂混联系统可靠性分析的有效手段.     

基于全条件独立的贝叶斯网络MPD-JT构造算法

针对求解贝叶斯网络最大主子图存在的NP(non-deterministic polynomialtine)难问题,提出了一种基于全条件独立结构的最大主子图连接树（maximal prime sub graph decomposition junction tree, MPD-JT）构造算法。该算法通过道义图上的全条件独立结构得到贝叶斯网络最大主子图,并利用构成这些最大主子图的节点作为簇节点构造连接树,避免了三角化过程,而且在求解过程中通过删除一些符合条件的点,大大降低了算法复杂度。给出了算法的理论证明,通过具体案例分析验证了算法的有效性。     

基于因素空间和模糊聚类的概念形成方法

基于知识表示的因素空间理论和模糊聚类的最优模糊等价矩阵法,提出了一种概念形成的新方法．同时给出了一种新的聚类评价函数．该方法在理论上有可靠保证,在机器学习与决策等人工智能领域有广泛的应用前景     

Using junction trees for structural learning of Bayesian networks

The learning Bayesian network (BN) structure from data is an NP-hard problem and still one of the most exciting challenges in the machine learning.In this work,a novel algorithm is presented which combines ideas from local learning,constraintbased,and search-and-score techniques in a principled and effective way.It first reconstructs the junction tree of a BN and then performs a K2-scoring greedy search to orientate the local edges in the cliques of junction tree.Theoretical and experimental results show the proposed algorithm is capable of handling networks with a large number of variables.Its comparison with the well-known K2 algorithm is also presented.     

双向循环进化的实体链接及知识推理框架

为体系化、智能化提升自然语言处理中实体链接任务的准确率, 同时解决图谱噪声混杂、关系稀疏等问题, 基于第三代人工智能知识&数据双轮驱动思想提出一种双向循环进化的实体链接与知识推理框架。基于知识图谱下的实体链接技术设计正向进化模块, 基于知识推理与元学习等技术设计反向进化模块, 多次循环双向控制过程实现两任务在弱监督下自我迭代和智能升级。实验表明, 在模块化设计加持下, 该框架可从特定领域文本习得特定领域知识, 并实现快速增量更新, 有效提升实体链接、知识推理效率; 同时兼具开放性, 为各业务领域小样本下文本分析能力的迭代升级提供新方法。     

IDSS中模型和知识的关系化表示与管理(下)

本文分上、下两部分对IDSS模型和知识的关系化表示进行研究第二部分从知识的关系化表示入手,提出了IDSS知识的关系化表示与管理方法文中还就IDSS的智能化求解问题,探讨了知识推理的实现,提出用逆向推理机制实现“问题驱动”求解的工作流程,该方法和IDSS模型的关系化表示与管理的技术相结合,可以实现IDSS的信息一致性表示、管理及智能化求解本文最后给出了一个证券投资系统中模型的关系化实例.     

人工智能决策可解释性的研究综述

人工智能决策的性能在某些特定领域超过了人类能力,中国、美国等多国都颁布了人工智能发展战略和行动规划,期望人工智能在多个领域得到落地应用.但在人工智能决策过程中,存在着固有算法黑盒和系统信息不透明的问题,导致其结果正确但不可理解,阻碍了人工智能的进一步发展.为了人工智能的商用和普及,对智能决策可解释性的需求越来越迫切,需要将黑盒决策转化为透明过程,建立起人与机器之间的信任.本文从系统应用视角和决策收益者视角出发,重点对人工智能决策可解释性的基本概念、模型解释方法、高风险决策应用解释和解释方法评估等四个方面的国内外相关研究进行综述,并展望了未来研究发展趋势.     

基于6自由度坐标模型的虚拟智能实体初探

虚拟现实技术越来越广泛的研究和应用,参与者希望进行更加智能化的人机交互,这对研究者提出了更高的要求。本文提出了一种基于6自由度坐标模型的虚拟智能实体,利用有限状态机来实现智能判断,以此来增加整个虚拟现实系统的人-机交互智能特性。