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,可以很方便地用于时态推理,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.     

基于模糊集的不精确时态关系建模

基于模糊集理论,建立了一种扩展Allen时态关系模糊时态区间模型.在经典时态关系的基础上,讨论了模糊时态区间关系,提出了时间点的模糊时态序列概念,并定义了模糊时态关系属性,同时用模糊时态序列定义了模糊时态区间的边界关系.最后结合时序测度公式对13种模糊时态定性关系给出了精确的表达.能精确表达模糊事件的精确和不精确关系,也为模糊推理提供了理论基础.     

知识矩阵表示

知识表示是一切人工智能算法得以运行的基础,它能够把人类知识表示成机器可以处理的数据结构。本文介绍知识矩阵表示,它可以从知识表示的根本上简化算法的运行过程并提高算法的运行效率。具体地,本文首先将时态推理中的13种区间关系表示转化成5×5矩阵,在此基础上,时态关系演算与传播可以通过矩阵计算获得。然后,将产生式规则的相互关系转化成矩阵,并编码成一个计算公式,它是一个不确定性推理的数学模型。最后,将样本关系表示成矩阵,一次计算就可以获得K值和K个最近邻点,它可以将KNN分类的懒惰学习部分模型化,即转化成数学模型。除此之外,本文展望知识矩阵表示未来的工作,提出知识矩阵表示需要针对不同的应用定义不同的演算方法。     

时间区间关系的定性与定量的混合推理

区间代数是一种用来进行定性时态推理的工具,它在人工智能中有着广泛的用途。现实世界中有许多定性的时态信息,也有许多定量的时态信息,将定性的时态信息和定量的时态信息在一起进行混合推理是有意义的,它更加贴近于现实,简化了问题的一致性场景的表示,提高了时态计算的效率。     

基于时间区间关系的时态模糊描述逻辑研究

针对传统的模糊描述逻辑对随时间变化的不精确知识缺乏表达能力,运用时态逻辑,结合模糊计算,提出了基于时间区间关系的时态模糊描述逻辑—TFDL(IntervalAllen).引入Allen区间关系用于表示时间区间关系,并给出了TFDL(IntervalAllen)的语法和语义.该逻辑形成的系统增强了不精确知识的时态关系的表达能力.     

时态关系数据的分类及时态关系表示

讨论了时态关系数据的分类，给出了完全时态关系数据等概念，定义了时态关和系数据的一种表示方法。     

事件的模糊离散时间区间的表示

由于现实世界中事件的持续时间难以精确测量,以及起始时刻及结束时刻的模糊性,使得Allen的区间代数不能很好地刻画事件的模糊时间区间,首先将时间区间离散化,然后用事件的持续分布的概念米表示事件的持续时间,并用时间区间来近似持续分布,使得可以应用Allen的区间代数来进行相应的时态推理,最终给出了求主时间区间的算法。     

一个模糊时态数据库关系代数理论

为了解决时态数据库对客观世界更符合实际的抽象描述、能有效表示和处理复杂对象、支持用户定义的数据类型、扩展建模能力、减少不同类型数据转换代价大等问题,针对复杂数据不仅有时态性,而且具有模糊的特性,从基本的时态数据库模型入手,定义了一系列模糊时态关系元素,并建立了一个能描述模糊时态信息的1NF关系代数.从理论上论证了相应的模糊/时态关系代数映射及运算模型,避免了模糊时态数据库不能提供表达时态信息的环境设施,也增强了现有时态数据库描述模糊事物特性的能力.     

端点模糊的区间代数

由于现实世界中事件的持续时间难以精确测量,以及起始时刻及结束时刻的模糊性,使得Allen的敬意代数不能很好地刻画事件的模糊时间区间,用事件的持续密度函数的概念来表示事件的持续时间,并用时间区间来近似持续密度函数,使得可以应用Allen的区间代数来进行相应的时态推理。     

基于模糊集的模糊时态映射模型

为了使时态数据库对客观世界更符合实际抽象描述,提出了用模糊测度分析模糊时态数据的隶属度,基于模糊集理论建立了模糊时态映射模型,实现测度模糊值向离散时态区间的映射.建立的模糊时态关系模型进行传统概念扩展,对事件的模糊时态信息作测度分析,抽取和元组离散时间对应的事件模糊值,向离散时态区间作映射,在模糊时态数据库概念层使模糊数据和时态凸区间实现原子对应.该理论弥补了现有时态数据库不能处理模糊时态信息的缺陷,扩展了模糊时态数据库处理模糊事件的能力.     

知识驱动的事件双曲嵌入时序关系抽取方法研究

针对事件时间关系不对称的问题,采用将事件表示映射到双曲空间的方法,进行事件时序关系抽取。通过简单的运算,用预训练的词向量与外部知识构建事件的词嵌入表示。在公开发布的数据集上的实验结果表明,模型的F1值比基线模型普遍高2%,能够提升事件时序关系抽取的效果。     

一种可视化的时态推理方法

给出了一种集成定性与定量的约束的可视时态概念模型，通过该模型使得每个时态对象可以转子平面上的一个可视实体，并且在一些假设下引进一种有效的可视时态约束传递算法。     

一种时间场景识别算法及其在安全报警熔合中的应用

提出了一种基于时间场景识别的安全报警熔合算法。该算法将已知的攻击模式定义成时间场景模型来处理在线或离线的报警流。算法同时完成报警聚合以及报警关联两个工作,并且采用基于时间推理的方法来预处理场景模型,从而使识别过程具有较高的效率。     

规划识别中的时态推理

提出了一个用于规划识别的多层次时态推理算法。该算法可将以往的时态推理从单个规划的分解推广到多层次规划系统，使之更具普遍性；可将观察中的时态关系作为约束信息在层次结构中传播，减少候选规划的数目，提高规划识别的效率和准确性。     

基于时态关系模型的儿童保健系统的设计研究

根据当前时态数据模型的理论,为儿童保健管理信息系统建立了一个可行的时态关系模型,并对系统中的查询做了简单的描述,最后分析了这种建模方法的优缺点.     

整合非单调推理及时态推理

在本文中我们提出一种整合的推理模式 ASPx,它同时支持非单调推理及时态约束推理.本文展示了它的语法,语义及复杂性分析.除此以外,我们详细研究了它的一个实例化的框架 ASP(DCR),并举例说明其能够作为实时领域内常识推理的逻辑基础.     

基于距离和时序的层次粒度支持向量回归机

针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.