多专家集成式决策支持系统探讨

本文在文献[1]给出集成式决策支持系统(I—DSS)的基本概念及提出I—DSS的两种主要形式的基础上,对I—DSS的形式之一——多专家集成式决策支持系统(MEI—DSSS)作了较深入的探讨。本文阐述了MEI—DSS提出的原因,给出了MEI—DSS的基本概念,概述了MEI—DSS同相关学科和技术的关系,提出了MEI—DSS的基本结构框架,并从知识表示、推理机制以及多专家系统动态组合进行问题求解的算法实现等方面探讨了该系统在大型决策中的应用。本文最后提出了MEI—DSS今后有待深入研究的课题。     

基于实例的工艺知识获取模型

介绍了耦合神经网络的工艺设计实例推理系统的实现方法论,提出了一种基于神经网络的工艺设计实例推理索引模型．与现存大多数实例推理系统不同,该方法用神经网络实现实例的动态分类和索引．实例层次分类的三层结构和基于特征的聚类模板概念,为实现基于符号处理的实例推理求解模式向基于神经计算的模式识别求解模式映射提供了条件．提出了基于实例的工艺知识获取模型,采用新实例的入库操作实现工艺知识的隐式获取,从而使知识获取得以简化．神经网络的自适应、自学习能力将减少系统的日常维护工作．基于实例的系统可望解决知识获取的难题．     

概念设计与结构设计的信息集成技术研究

基于实例推理进行产品概念设计,基于制造知识对产品概念设计进行评价,根据评价结果提出设计修改意见,从而指导产品概念设计,获得概念设计的优化解。基于用户定义的特征进行产品特征造型和产品初步结构设计,对产品初步结构设计进行参数化处理,采用提出的双向设计方法进行参数化产品结构设计。基于所提出的信息集成协议,使概念设计获得的结果直接驱动结构设计,自动生成产品的三维装配图,初步实现了产品概念设计与结构设计的信息集成。从而解决了产品并行设计过程中的瓶颈问题,为产品设计过程的信息集成与功能集成打下了良好的基础。     

基于数据挖掘技术的范例库维护

在范例推理系统中,系统的学习会使范例库无限增大,会导致系统的功能不断下降。范例推理学习系统必须有范例库的维护。本文在详细讨论了范例库的维护技术的同时,提出了一个基于数据挖掘技术的维护策略,以保证系统的学习不影响系统性能。     

一种支持向量回归中超参数自适应方法

在贝叶斯框架下支持向量回归SVR可视为最大化后验MAP回归函数估计的扩展.贝叶斯方法可用来实现模型中超参数的自适应,同时保持SVR稀疏性和凸二次规划的优点.在对SVR的MAP解做Laplace近似获得关于超参数的SVR模型中证据的平滑表达式,使用基于梯度的优化法可导出使证据最大化的最优超参数.通过引入ARD参数到高斯协方差函数中,可进行输入属性的相关性分析和特征选择.给出了在人工和实际回归问题上的应用及其他方法的对比分析.     

Bayesian推理在远程答疑专家系统中的应用

介绍了基于Bayesian推理的远程答疑专家系统RQAES的系统结构及其工作原理，重点分析了Bayesian推理与决策的方法及知识表示与知识库设计技术。系统具有自学习、个性化的特点，是远程教育实践中不断完善的重要模块之一。     

二值神经网络的推理和矛盾分析

由节点和约束组成的约束满足网络(Constraint satisfaction networks,简称CSNs)能够描述许多问题,在AI中具有十分重要的地位.神经网络(Neural networks,简称NNs)能够被看作CSNs,而且被认为是适合于求解约束满足问题,因此NNs中必然有一个相应的逻辑理论.本文通过对比CSNs提出了弱推理理论和矛盾分析法,以研究二值神经网络的定性逻辑行为.文中用神经元(称为判决元)表示判决,连接表示判决元之间的柔性约束并执行     

不确定性在推理过程中传播的行为特征

在布尔算子模糊逻辑中，证明了前提的不确定性在推理过程向结论传播时，恒真水平呈递增趋势，而恒假水平保持不变的特性，从而在定性的意义上说明了随着推理过程的深入，结论的不确定性将会越来越分明，但其可靠性不可能有根本性的提高。     

高速公路软基最终沉降预测的范例推理方法

针对高速公路软基沉降的复杂性和不确定性，充分利用地质资料，运用模糊相似优先的概念，构造了高速公路软基最终沉降预测模型。对每个影响软基沉降的因素，分别建立了软基目标范例与源范例之间的模糊相似优先关系。经过影响因素之间的两两比较，获得了不同影响因素下软基的目标范例与源范例之间的相似性序列，计算得到软基目标范例和源范例之间的综合相似性序列，从而找到与软基目标范例最相似的源范例，实现了软基最终沉降预测。实例评价结果与实际沉降观测结果一致，这为预测软土地基路基沉降提供了一种新的方法。     

基于贝叶斯推理的决策树模型

针对决策树（DT）模型缺乏概率背景这一问题，将贝叶斯推理引入DT模型，提出了一种基于贝叶斯推理的决策树（BDT）模型．在假定所含待定参量的先验与似然的前提下，借助贝叶斯推理获得参量的后验，然后运用逆跳马尔科夫链蒙特卡洛算法对后验抽样，最终求出样本属于某一类别的置信度，从而避免了武断判决．BDT模型以抽样代替拆分与剪枝操作，既直观又灵活，同时在抽样时考虑了不同的树结构与递归分割方案，使得分类准确率得以提高．仿真实验结果表明，BDT模型的平均分类准确率与DT模型相比提高了1．7％～3．5％．