基于证据语义的算子模糊逻辑

70年代知识工程的出现与发展,使得不确定性推理成为人工智能领域的研究热点,从而形成了诸如证据理论、可性度理论、模糊推理理论等研究课题.刘叙华首次研究了算子模糊逻辑(见文献[2]),提出了两种模型,即OFL(算子模糊逻辑)和AOFL(结合算子模糊逻辑).陆汝钤指出了OFL和AOFL在证据语义下的不合理(OFL和AOFL是基于可信度语义的),并提出了基于证据语义的算子模糊逻辑EOFL,MOFL和AOFL,本文将其统称为EOFL.本文将介绍EOFL系统及其在证据语义下的合理性.     

手征性四面体簇的合成、手性证据和单晶结构

由潜手性簇合物SFeCo_2(CO)_9(I)衍生而来的手性四面体异核金属羰基簇合物SFeCoM(CO)_8Cp’(Ⅲ～Ⅴ),由于其四面体四个顶点上含有不同的原子,簇骼骨架无对称因素,因而具有手性特征.这种外消旋体经适当的方法拆分后得到的纯光学活性簇合物,可作为模型化合物用作不对称催化反应的催化剂.     

基于证据理论的不确定性分析

运用证据理论研究不确定性的表示问题.首先给出了证据获取过程的形式描述,区分了命题的不确定性和证据的不确定性.继而通过引入证据理论的基本概念,指出了构成证据不确定性的三大因素:不完全,不精确和不肯定.随后构造了一个描述不确定性的指标函数U,它是从三维不确定性空间到[0,1]区间的一个映射,最后进行了若干分析讨论,提出并证明了证据的合成单调性.     

中全新世以来长江南京河段的河床变迁

本文从沿江地带全新世沉积相的分布,历史记载与水道图、地名录、江道残迹等方面入手,研究论证了中全新世以来长江南京河段的河床变迁及其演变特征与规律,分析了影响河床变迁的主要因素及在建设沿江经济区时值得重视研究、预测发展趋势及其对策的环境地貌问题。     

一种基于证据理论和条件规则的目标识别方法

针对多源信息融合识别目标属性的问题,提出了一种将先验条件规则应用于多传感器目标识别方法。该方法根据证据理论(D-S theory)和可传递信任模型(TBM)中证据所对应的信度传递规则,将不同辨识框架之间的条件规则映射成辨识框架的改变,并通过计算pignistic概率,得到利于决策的单命题结论。在此基础上,总结了多传感器融合识别目标的基本步骤,仿真结果说明了方法的有效性。     

基于语言判断矩阵的信息不完全的群决策方法

针对方案间的比较信息为确定语言等级或位于两个连续语言等级之间,甚至缺失,以及决策者权系数信息不完全确定的群决策问题,提出一种基于证据推理和二元语义的群决策方法。该方法根据决策者的原始评价矩阵信息得到属于语言等级的信任度,利用证据推理算法得到各方案在各语言等级下的信任度,将其转化为二元语义形式,根据决策者权系数的不完全确定信息和二元语义的距离等构建非线性规划模型,并利用改进的粒子群算法进行求解,根据求解结果得到方案集的一个排序。最后实例说明了该方法的可行性和有效性。     

基于证据推理的信息不完全的多准则排序方法

针对有训练集的准则权系数信息不完全确定且准则值信息不完全或缺失的多准则决策问题,提出了一种基于证据推理的决策方法.该方法首先通过证据推理算法将方案的准则值集成,然后将效用值集成,结合准则权系数和等级效用的不完全确定信息和训练集的排序等建立非线性规划模型,利用遗传算法来求解非线性规划模型,得到各准则的权系数和各等级效用值,进而得到整个方案集的排序.最后用实例说明该方法的有效性和可行性.     

基于D-S证据理论的红外小目标融合检测方法

将红外图像中的小目标检测视为基于多图像特征的像素分类问题,提出了一种基于D-S证据理论的红外小目标融合检测方法。该算法首先提取双色红外成像系统中各传感器图像的图像特征,采用D-S证据理论中的基本概率分配函数对传感器图像中的像素进行基于多图像特征的分类,得到各传感器的目标检测基本可信度图;然后应用正交和规则复合来自各传感器的目标检测判决证据,获得整个系统的目标检测基本可信度图;最后根据决策规则输出最终目标检测结果。实验结果显示,该算法能在较大程度上降低目标检测过程中的不确定性,提高了系统的检测性能。     

基于加权证据组合的多传感器目标识别

为了解决多传感器信息融合中不同等级重要信息源数据的融合问题,在证据理论基本概念的基础上,引入证据权的概念。依据证据权的不同对各条证据进行转化,使之可以用传统的方法进行证据合成。将这种方法应用到等级不同的多传感器目标识别中可以解决传统证据理论只能进行等级相同传感器目标识别的难题。识别实例表明,该方法提高了目标识别的准确性和有效性。     

几种不确定性测度的粗糙集解释

以粗糙集为基础，研究了信任函数与内测度、信任函数与随机集的下概率之间的关系，并给出了它们基于粗糙集理论的解释，首先将粗糙集与随机集作了比较，并由此得出了信任函数与下概率的关系。其次，对内测度的集合特征作了分析后，给出了信任函数与内测度的关系。