注塑模模架设计KBE系统及其智能关键技术

结合当前工程设计领域 KBE技术的发展和模架设计的数据流图 ,给出了注塑模模架设计KBE系统的基本框架 ,并对其关键技术进行了分析 :模架设计知识采用框架 -规则的方法表示 ,并给出了推理的流程图 ,通过面向子目标的方法提高了 KBE系统的知识表示和推理能力 ;将事例推理的方法结合在 KBE系统中 ,提高了系统对以往成功事例的参考能力 ;利用神经网络的自学习能力 ,解决了模架中镶块和前后模设计的计算问题 .通过实际的应用 。

基于神经网络专家系统的研究与实现

针对传统专家系统推理能力弱和智能水平低等不足,本文采用神经网络方法解决了传统专家系统在知识表示和知识获取等方面的问题。本文从描述传统专家系统几点不足出发,详细阐述了神经网络专家系统的基本原理和框架结构,最后选取三层BP神经网络模型,给出了钻井故障诊断系统的神经网络专家系统的实现。

神经网络的解释机制

解释就是人工智能系统对用户提问给出一个清晰的、完全的和易干理解的回答,即对其行为作出合理说明、使系统具有透明性。解释的类型虽然很有。

TMLNNs：三值／多值逻辑神经元网络

本文提出了具有三值／多值逻辑表达能力的神经元模型（ＴＭＬＮ），即三值／多值＂逻辑与＂神经元（ＴＭＬＮ－ＡＮＤ）和三值／多值＂逻辑或＂神经元（ＴＭＬＮ－ＯＲ）．由这种逻辑神经元连接而成的多层神经网络（ＴＭＬＮＮｓ）能够实现三值／多值逻辑推理系统．本文还给出了ＴＭＬＮＮｓ的学习算法．从ＴＭＬＮＮｓ网络中容易抽取到三值／多值逻辑规则知识，可以将ＴＭＬＮＮｓ用于三值／多值逻辑规则知识的自动获取．ＴＭＬＮＮｓ模型为神经网络表示逻辑知识提供了理论基础．

基于图表示学习的领域知识图谱推理技术研究

现有领域知识图谱推理模型多数是由基于百科类通用知识图谱的推理模型迁移而来,但是领域知识图谱的异构性并未得到妥善处理。同时,现有研究将关系预测与三元组分类视作2个独立的任务而忽视了两者之间的关联,且领域知识在领域模型的建立过程中也未得到充分的利用。针对上述问题,建立基于翻译距离的改进推理模型TransSep,为异构的实体类型分配不同的特征空间。提出一种联合训练的策略,使得关系预测与三元组分类2个任务互相指导对方的负采样过程,并交替地学习实体的嵌入特征,从而提升2个任务的训练效果。以医疗领域知识图谱为例,将领域知识通过元路径的思想引入TransSep模型中,增强模型的表达能力。在由复旦大学构建的精准医学知识图谱上进行实验,结果表明,相比TransE、DistMult、TriModel等模型,TransSep模型在关系预测任务中MR分数至少提高17.4%,三元组分类任务中的F1值提高至0.9286。

基于人工神经元网络的空间知识表达与推理方法研究

分析了智能决策支持系统的结构,通过比较指出了基于符号的知识表达与推理方法的不足,阐述了基于神经网络的知识表达与推理的方法,并认为神经网络方法可作为智能空间决策支持系统中符号方法的替代或补充,并通过实例验证了基于神经网络的不确定空间知识表达与推理的有效性。

基于知识的注塑模具DFx系统建模

探讨了基于知识的方法在注塑模具DFx系统中的重要性。分析了当前应用基于知识方法所存在的困难,为此,提出了一个对象-规则元模型,并研究了其中的关键组成元素。在此基础上,针对各领域具体要求,在模型中集成了事例推理、神经网络和黑板推理等智能技术,用于知识的表示和学习,提高了系统解决问题的适应性和灵活性。应用结果表明,该系统能够有效减少模具修改次数,提高模具的设计效率。

融合情绪知识的案件微博评论情绪分类

案件微博评论的情绪分类是一个特定领域的情感多分类任务,旨在快速有效地识别海量评论中的情绪,有助于相关部门及时评估舆情风险和制定相关政策.由于传统方法难以有效利用评论中常用的情绪词和表情符号等情绪知识,本文提出一种融合情绪知识的案件微博评论情绪分类方法.首先,整合现有的情感计算资源构建了一个包含案件微博情绪词典、表情符号、网络用语、否定词及程度副词等的情绪知识库.其次,考虑情绪知识库和词性的作用定义了15种情绪知识,通过提出的连续向量表示方法构建评论的情绪知识表示.然后将评论的语义表示和情绪知识表示分别输入一个语义初始化滤波器的卷积神经网络(INIT-CNN)和一个结合注意力机制的全连接网络中,得到深层的语义特征向量和情绪知识表示的注意力特征向量.最后,将两个特征向量进行拼接以融合语义特征和情绪知识特征,训练一个情绪分类模型,称为EK-INIT-CNN(Emotional knowledge enhanced INIT-CNN).在案件微博评论数据集上的实验表明,相比INIT-CNN,EK-INIT-CNN的Macro_Precision、Macro_Recall和Macro_F1指标分别提升了1.87%、1.95%和1.88%.EK-INIT-CNN在NLPCC中文微博情绪分析评测数据集上的性能则超过了目前已知文献中的最好结果.实验证明,该方法能有效地融入外部情绪知识,且相对传统方法在情绪分类任务上具有明显的优势.

结合卷积特征提取和路径语义的知识推理

传统特征提取方法大多基于嵌入表达,常忽略了路径语义;基于关系路径的推理方法多考虑单一路径,性能仍有提升空间。为进一步提升知识推理能力,使用自定义的卷积神经网络框架编码随机游走生成的多条路径,利用双向长短期记忆网络的隐藏状态合并向量序列,结合注意力机制实现差异化的多路径语义信息集成,计算候选关系与实体对的概率得分,用于判断三元组是否成立。NELL995和FB15k-237数据集上的链路预测结果证明方案可行,F1等指标相比主流模型也有一定优势;进一步在大型数据集和稀疏数据集上验证方案可行。