“分解-校正-集成”模式下基于深度信念网络模型的径流预测

精准的短期径流预测可为流域内水资源规划、防洪调度及抗旱减灾工作提供重要的科学依据。为减小模型的系统误差,提高径流预测精度,在“分解-集成”模式的基础上提出“分解-校正-集成”框架,构建EEMD-DBN-EnKF、VMD-DBN-EnKF模型。利用集合卡尔曼滤波数据同化算法对偏离实测径流过大的分量校正以降低分解子序列在预测中产生的系统误差,并与未修正的EEMD-DBN、VMD-DBN模型及单一DBN模型进行了对比分析。结果表明:基于模态分解的组合模型较单一模型RMSE减小了至少23%,NSE与R^(2)增加了21%以上;基于径流分量校正的组合模型相较于模态分解的组合模型各评价系数有所提升,其中VMD-DBN-EnKF预测模型误差最小,效果最优,NSE与R^(2)达到0.89以上,其次依次为EEMD-DBN-EnKF>VMD-DBN>EEMD-DBN。综上“分解-校正-集成”模式的预测框架在玛纳斯河流域具有良好的适用性,可为玛纳斯河径流短期预报提供技术支持。

Agent-BDI逻辑

阐述了 Agent的形式化描述应该采用含有正规和非正规模态算子的混合模态逻辑为逻辑工具的观点 .建立了 Agent- BDI逻辑的代表系统 A- BI,讨论了它的语法和语义 .特别是给出了非正规模态算子基于 Kripke标准可能世界的新的语义解释 ,证明了 A- BI逻辑系统不但是可靠的 ,而且是完备的 .A- BI逻辑系统恰当地刻画了信念与意图的本质与内在联系 ,可作为 Agent形式化研究的逻辑工具 .

认识逻辑(1):关于知识和信念的逻辑框架

知识和信念是人工智能领域研究中经常涉及到的两个重要概念．本文讨论了知识和信念的涵义与关系，定义了认识逻辑系统EL，讨论了它的语法和语义，证明了认识逻辑EL不但是可靠的而且是完备的．认识逻辑EL不但可以用来描述人类的认识过程，还可以用于对常识推理以及分布式系统的形式化描述．

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。

认知逻辑中逻辑全知问题及其解决方法

分析认知逻辑中的逻辑全知问题及其解决方法， 提出一种可以避免逻辑全知的认知逻辑 Ｅ Ｌ，

共同的宗教目的 异质的信仰形态

《诗篇》中表现的希伯来人独尊惟一神耶和华的信仰与《周颂》中以天帝为至上神的多神崇拜信仰,虽然有着共同的宗教目的———敬仰与崇拜,但更多反映出的是中希不同民族之间异质的宗教信仰形态,即《周颂》表现的是中华民族重人伦、道德、血缘等更多实际利益的信仰内涵,显示出较多的世俗成分;《诗篇》则表现出更为浪漫超越与出世的、重精神感应的宗教信仰情怀,两相比照正体现了中希两个民族异质的信仰形态与宗教心理。

“做宗教”的模式

在中国宗教发展史上,不同的"做宗教"的方式逐渐演进并凝结为5种易于辨认的模式:话语/经文模式、个人修炼模式、仪式模式、即时灵验模式、关系/来往模式。这几种模式并非独立存在,它们在大多时候是相互交叉、相互影响的。现实中发生的宗教信仰活动更多地是在地方习俗、历史事件、社会环境、个人性格和"做宗教"模式框架等因素综合影响之下的产物。

基于模态逻辑的汉语信息过滤机制研究

信息过滤是一种网络信息服务的新技术。本文在介绍模态逻辑的基础上,提出了一种对知识和信念进行形式化研究的汉语信息过滤新算法。

概率信念逻辑的语义

在信念逻辑基础上 ,引入概率 ,给出了一种概率信念逻辑 PBL ,增强了信念逻辑的表述能力和推理能力 .并为 PBL 建立了两种语义 :首先将知识逻辑的 Aum ann语义进行推广 ,给出 PBL 逻辑的概率 Aum ann语义 .其次为 PBL 建立了一种正规概率模态语义 ,这是一种适于刻画概率模态逻辑的语义模型 .证明了 PBL 的概率 Aum ann语义和正规概率模态语义的可靠性 ,并讨论了正规概率模态语义与 Kripke语义的关系 .最后 ,通过一个例子说明了 PBL的描述能力和推理能力 .

基于VMD和DBN的结构健康状态趋势预测

为了能更好地反映结构状态变化趋势,提高限制玻尔兹曼机(RBM)对非线性信号的特征提取能力,该文在深度置信网络(DBN)的预训练阶段引入动量学习率,提出了一种基于VMD-DBN的结构健康状态趋势预测方法。将待处理信号用变分模态分解(VMD)方法进行分解,对分解的分量经希尔伯特变换得到瞬时频率;将瞬时频率作为改进DBN预测模型的输入进行结构健康状态趋势预测。仿真和工程实验表明,VMD方法有效地消除了模态混叠,分解出信号的各个固有分量。改进DBN模型的预测精度优于传统DBN、长短时记忆网络(LSTM)和传统BP神经网络,说明改进DBN模型能够很好地应用于结构健康状态趋势预测。

基于认知反映的信念逻辑

Quine[9]提出了一类有关信念模态的难题,比如Cicero难题,这些难题的解读对模态逻辑语义具有重要的意义。目前的一阶模态逻辑普遍给予Quine难题以de re/de dicto解读。本文指出de re/de dicto解读存在缺陷,并且认为为了解读Quine难题,需要在一阶模态逻辑的模型中引入一个认知反映关系。在此观念下,本文提出了一个新的一阶模态逻辑系统---基于认知反映的信念逻辑。

基于多维扩展特征与深度学习的微博短文本情感分析

该文提出了一种基于深度信念网络(DBN)和多维扩展特征的模型,实现对中文微博短文本的情感分类。为降低传统文本分类方法在处理微博短文时特征稀疏的影响,引入社交关系网络作为扩展特征,依据评论者和博主之间的社交关系,提取相关评论扩展原始微博,将扩展后的多维特征作为深度信念网络的输入。通过叠加多层玻尔兹曼机(RBM)构建DBN模型底层网络结构,多层玻尔兹曼机可以对原始输入抽象并获得数据的深层语义特征。在多个RBM层上叠加一层分类玻尔兹曼机(Class RBM),实现最终情感分类。实验结果表明,通过调整模型参数和网络结构,构建的深度学习模型在情感分类中能够获得比SVM和NB等浅层分类系统更优的结果,另外,实验证明使用扩展多维特征方法可提高短文本情感分类的性能。

多Agent的动态信念和知识推理

把命题动态逻辑PDL和模态逻辑S5进行融合后,得到的动态信念和知识的多主体逻辑(简称BDL),可以对动态认知信息进行推理。为此,一方面需要把PDL中的标准测试算子换成信息测试算子,从而把主体的隐性信息态度(信念或者知识)进行显性化;另一方面需要对抽象行动和具体行动进行区分,以表达多主体间的合作与团队协同。BDL逻辑及其一些扩张逻辑具有可靠性、完全性、有穷模型性质和可判定性。

信念与概率:认识情态动词的语义差异及其功能分化

助动词"会"和"可能、一定、应该"是典型的认识情态动词。但是,它们的语义及功能很不一样,如:他{会/*可能/*一定/*应该}生气的、{*会/可能/一定/应该}下雨了。通过考察真实文本语料,本文发现:"会"传递的是说话人对命题的态度,即相信该命题为真,是一种信念算子;"可能""一定""应该"等助动词传递的是说话人对命题真值的态度,即相信该命题为真具有可能性、必然性或合理性等,是一种概率算子。

模态信念如何得到辩护?

模态命题作为相信的对象构成模态信念。模态信念在什么意义上是合理的?这是模态信念的辩护问题。若可能性模态命题作为信念对象能够得到辩护,那么,其他模态命题因能够通过可能性命题得到定义也能够得到辩护。但以往诉诸可设想性的策略难以成为模态信念辩护的可行策略。对可能性命题辩护的一个恰当策略应当是:构造一个可能世界,在这个可能世界中有一个因果链,待辩护的命题对应的事件作为因果链的结果,而它的发生是由于因果链上的原因端的某个或某些可能事件。一个成功的辩护便是对这个因果链的辩护以及对因果链上的原因端的辩护。