面向多核向量加速器的卷积神经网络推理和训练向量化方法

随着以卷积神经网络为代表的深度学习得到广泛应用,神经网络模型中的计算量也急速增长,推动了深度学习加速器的发展。如何针对加速器硬件的体系结构特性进行加速和优化神经网络模型的性能成为研究热点。针对自主设计的多核向量加速器FT-M7004上的VGG网络模型推理和训练算法,分别提出了卷积、池化和全连接等核心算子的向量化映射方法,采用SIMD向量化、DMA双缓冲传输和权值共享等优化策略,充分发挥了向量加速器的体系结构优势,取得了较高的计算效率。实验结果表明,在FT-M7004平台上,卷积层推理和训练的平均计算效率分别达到了86.62%和69.63%;全连接层推理和训练的平均计算效率分别达到了93.17%和81.98%;VGG网络模型在FT-M7004上的推理计算效率超过GPU平台20%以上。

采用模糊Petri网的形式化推理算法及其应用

以模糊Petri网为工具,研究了多种约束条件下的人类知识和推理过程的表示方法.在此基础上,将模糊Petri网与矩阵运算相结合,给出了模糊推理过程的形式化推理算法.算法考虑了推理过程中的众多约束条件,包括命题在规则中的权重、变迁触发的阈值、规则的可信度以及多结论规则等,将复杂的推理过程采用矩阵运算实现,充分利用了模糊Petri网的并行处理能力,使模糊推理过程更加简单、快速和易于实现.

二型模糊集下的推理模型及Mamdani推理算法

在二型模糊集理论的基础上,讨论了二型模糊集下的三种模糊推理模型,研究了模糊推理模型的Mamdani推理算法,证明了Mamdani推理算法具有单调性质。

基于模糊认知图的文本分类推理算法

文本分类是信息处理的重要研究方向,现在应用较多的是基于统计计算的分类方法。介绍了利用模糊认知图的文本分类推理理论与算法,该方法是基于数值推理的,实现将统计与规则融合推理,灵活性较大,不需要语料的多次训练,适合于训练不充分和新主题的文本分类和多类分类,并具有一定的鲁棒性。

模糊Petri网的推理式算法在雷达电子战装备效能评估中的应用

基于模糊Petri网,研究了约束条件下的推理算法,将模糊Petri网与矩阵运算相结合,给出了雷达电子战装备效能评估的形式化推理算法。推理过程采用矩阵运算实现,并充分利用了模糊Petri网的并行处理能力,最后利用MATLAB语言对仿真实例进行分析计算,结果表明该方法简单、快速和有效,不仅能评估单台电子战装备的作战效能,还能对同类型的多台装备进行作战效能的优劣排序。

一种新的Petri网推理算法在贫血诊断中的应用

针对贫血诊断的特点,将Petri网模糊化为模糊Petri网。提出了一种全新的模糊诊断推理机制。先采用逆向搜索策略对初始模糊Petri网进行约简,以减小推理网络的规模,加快推理速度;之后利用融合了极大代数运算的不确定性并行推理算法,确保较准确地推断出结果。最后,给出了一个实际贫血诊断算例。

信度网近似推理算法(上)

信度网提供了一套强有力的图形工具来表达基于概率的领域知识,并且已经成功地应用在诸多实际问题中,如:故障诊断、预测、模式识别、数据挖掘等.目前基于信度网提出了多种推理算法以精确计算待求概率值[2,4,12,19,21～23,26,30].这些算法在某些信度网上具有很高的推理效率,但是在最坏情况下这些算法的计算时间复杂度都是NP-难的.

格值命题逻辑系统L_(2n+1)P(X)中基于半正则广义文字的自动推理算法

在格值命题逻辑系统L2n+1P(X)上,提出了半正则的正广义文字和半正则的负广义文字的概念,进一步给出了半正则广义子句和半正则广义子句集的定义,详细地讨论了L2n+1P(X)上以中界元M为归结水平的半正则广义文字之间的M-归结性,最后,给出了L2n+1P(X)上基于半正则广义文字的归结水平为M的归结自动推理算法,并验证了其可靠性和完备性。

格值命题逻辑系统L9P(X)中的自动推理算法

给出了格值命题逻辑系统L9P(X)上的放缩原理和放缩归结原理,基于放缩归结原理,给出了一种判断L9P(X)上子句集S为M-可满足的自动推理算法(这里M为L9上的中界元),并证明了其可靠性和完备性。

多值因果图的推理算法研究

针对多值因果图存在的两个困难 :(1)不严格满足概率论 ;(2 )将其用于实际问题时 ,推理结果可能出现错误 ,提出了一种基于因果影响可能性分配的推理算法 .该算法将多值因果图的推理分成 3个阶段 ,首先对多值因果图进行补充定义 ,使多值因果图能够兼容单值因果图 ;接着将多值因果图转化为单值因果图进行概率计算 ;最后对多值因果图进行可能性计算 ,将单值因果图计算得到的概率按多值因果图计算得到的可能性进行分配 .以核电站二回路系统中蒸汽发生器故障诊断因果图为例 ,展示了该算法推理计算的全过程 .实例表明 ,该算法能够有效地克服多值因果图存在的困难 ,其推理过程严谨 ,计算结果符合实际情况 .在前面提出的推理算法基础上 ,针对其不能处理模糊情况的局限性 ,提出了一种模糊推理算法 .该算法对多值因果图进行了模糊扩展定义 ,在读数变量和事件变量之间建立了用于表达模糊知识的模糊对应关系 ,在事件变量上定义了一个等价的虚拟模糊状态 ,使读数变量取值对应一个模糊状态 ,把读数的模糊推理转化为对应模糊状态的非模糊推理 .通过本文的工作 。

基于计算型模糊推理算法的模糊控制器设计

针对传统模糊推理算法在推理过程中容易忽略部分推理信息,模糊规则一旦确定就难以调整的缺点,提出一种基于数值计算的模糊推理算法。算法采用数值计算的方法对推理过程进行了改进,这种改进能够充分考虑所有输入的影响,又能根据输入的变化,对模糊规则进行适当的调整。基于该算法的模糊控制器能够大大提高控制性能和精度,减小稳态误差。通过对直流电动机的仿真控制效果表明,该控制器比传统模糊控制器的控制性能好,精度高,抗干扰能力强。

多Agent动态影响图的一种混合近似推理算法

多Agent动态影响图模型适合于对动态环境中多Agent问题进行建模,Agent之间结构关系被表示成局部的概率因式形式.概率图模型推理所面临的一个主要问题是难以实现近似推理的精度和复杂性之间的均衡.近似推理方法可提高推理精度,但同时也会带来推理精度的损失.BK和粒子滤波(PF)是动态概率模型两种重要的近似推理算法,BK算法有较高的计算效率但会引入较大的误差,PF可以近似任意分布但存在计算的高维问题.结合BK和PF的优点,提出多Agent动态影响图(MADIDs)的一种混合近似推理算法.根据概率图模型的可分解性,将MADIDs分解生成用于推理的原型联合树,混合近似推理算法在规模复杂度较小的团上执行PF推理以达到局部最佳估计,而在其他的团上执行BK推理,为了减小推理误差引入了分割团.仿真实验表明混合近似推理算法是MADIDs模型的一种有效推理方法,与BK和PF算法相比,该算法显著提高了推理精度,且可以实现推理精度和时间复杂性之间的均衡.

贝叶斯网络推理算法的研究和实现

针对桶消元推理算法提出并行计算的改进方案,并构建网络实验平台以用于研究中的理论验证及应用开发。实验表明,改进后的算法确实可以提高原算法的计算速度。

扩展结构包含推理算法的本体匹配

为了匹配本体时直接分析构造器和公理中所蕴含的语义信息,提出一种扩展结构包含推理算法的本体匹配方法以解决该问题。首先将本体中实体重定向为范式,使得被蕴含的语义信息明显地表示,然后比较范式之间的句法结构以推理来自不同本体的实体间的匹配。针对一组工业本体的测试结果表明该方法具有较好的性能。

模糊推理的变权综合算法及其构造的模糊系统响应能力分析

将变权综合原理应用于模糊推理,提出一种新的模糊推理算法-变权综合推理算法,并给出利用模糊蕴涵算子确定规则变权的方法。证明了由一些正常蕴涵算子如Lukasiewicz蕴涵、Goguen蕴涵、Godel蕴涵、Dubois-Prade蕴涵等确定的变权综合算法是相容的。进一步分析了该变权综合算法构造的模糊系统的响应能力,结果表明:基于这些正常蕴涵算子的变权综合算法构造的模糊系统具有泛逼近性。

信度网近似推理算法(下)

2 仿真方法[14] 基于信度网的精确推理算法通过利用各节点之间的条件独立性来加快推理计算,前面介绍的基于搜索的方法则不仅利用节点间的条件独立性而且利用概率分布的一些特性进行近似计算,但是在很复杂的问题领域要想通过分析条件独立性和利用概率分布的特征来加速推理计算往往不太现实.基于仿真的方法则另辟蹊径,既不利用条件独立性,也不考虑概率分布的特征,而是通过对样本进行统计以得到待求概率的近似值[9].根据概率论,当样本量趋近于无穷大的时候,样本的统计值将等于其概率值,但是当样本量越小的时候,样本的统计值与真实概率值差异的可能性越大,即:p(p-p*＞ε)的值越大.其中p为对样本的统计值,P*为真实的概率值,ε为误差量(一个大于0的正数).随着样本量的增加,统计计算的结果就越精确.但是该精度的给定不象部分精确计算方法那样给一个误差边界,而只能给出一个概率边界.即样本量越大,其统计结果与真实结果的误差小于某误差限的可能性就越高.

基于PDA的知识库与数据库集成和通用推理算法

由于关系数据库与传统的演绎推理都基于相同的数学背景,即一阶谓词逻辑,关系数据库的数据检索(关系演算)事实上都可以看成逻辑演算的一种特例,因此有人进行基于PC的知识库与数据库集成的研究[2-4],如将基于关系数据库的管理系统扩充为演绎推理等,但是这些处理都较复杂,如带回溯的搜索就很难在PDA上实现.

加权模糊Petri网的推理算法研究

将加权模糊Petri网与矩阵运算相结合，提出了一种推理算法，实现知识的推理运用。该算法利用了加权模糊Petri网的并行处理能力，将复杂的推理过程采用矩阵运算实现，充分考虑了多种约束条件，具有简单、高效、易于实现等优点，适合大型复杂加权模糊Petri网的推理计算。最后以实例对算法进行了验证。

Petri网的正向推理算法

提出了一种建立在petri网的基本结构上的形式化正向推理算法,通过建立petri网的关联矩阵、标识向量和激发向量,将petri网与矩阵运算结合,可以在petri网模型中抽取一个子模型,从而把一个大的、复杂的系统转化为一个只与问题相关的小的系统来处理。该算法充分利用了petri网的并行处理能力,缩小了后续应用的范围,加速了后续应用的效率。

模糊推理算法的数学原理

模糊推理算法在自动控制等领域不断得到成功应用,但其理论基础却是贫弱的.从数学与逻辑的角度对模糊推理算法的基础进行研究分析,提出并证明了3个定理.结果表明在各种模糊推理模式中,前提与结论之间存在一个数学关系(有界实函数),模糊推理的各种算法都是这一函数的不同构造形式.所以,模糊推理的算法其基础是可靠的.