基于改进概率软逻辑模型的高校学生状态推理方法

随着高等教育的普及,各类管理决策需求增加,基于数据驱动和知识驱动的决策方法成为新的发展趋势。基于此,提出了一种通过改进概率软逻辑模型挖掘知识规律和推理学生状态的方法,该方法通过引入规则挖掘算法,赋予概率软逻辑模型自动挖掘规则的能力。在真实学生状态数据上的实验结果表明,该方法在多项目标关系的推理上,准确率能达到80%以上,并且多层次推理结构的实验效果优于非层次推理结构的实验效果。对于学生状态类非完整知识库数据的挖掘和推理,该方法减少了人工工作量,降低了因人为认知偏差带来的不确定性。

基于模糊规则和神经网络的新能源消纳数据清洗研究与应用

为了充分挖掘和高效利用新能源的消纳空间,需要在调度控制时考虑广域量测、环境、气象以及社会等多源信息。数据清洗是使用这些数据的前提,提出了一种数据清洗技术,分析了新能源消纳能力计算的数据来源以及数据间的隐含关联,将其转换为PSL形式的模糊规则,构建了面向新能源消纳数据清洗的神经网络。以张家口市张北县2020年风电数据为例进行数据清洗。结果表明:数据清洗并修复后的数据正确率达到98.3%,该技术能够有效地利用多源信息的关联映射关系,实现对不良数据的有效甄别。研究结果可为各方参与新能源建设和开展新能源价值挖掘提供可靠的数据支撑。

基于伯努利分布的逻辑电路可靠度计算方法

在深亚微米及纳米级集成电路设计过程中,电路的可靠性评估是非常重要的一个环节.本文提出了一种利用概率统计模型计算逻辑电路可靠度的方法,将电路中的每个逻辑门是否正常输出看作一次随机事件,则发生故障的逻辑门数为某个特定值的概率服从伯努利分布;再利用实验统计单个逻辑门出错时电路的逻辑屏蔽特性,根据此方法计算出ISCAS’85和ISCAS’89基准电路可靠度的一个特定范围.理论分析和实验结果表明所提方法是准确和有效的.

规则半自动学习的概率软逻辑推理模型

概率软逻辑(PSL)作为一种基于声明式规则的概率模型,具有极强的扩展性和多领域适应性,目前为止,它需要人为给出大量的常识和领域知识作为规则确立的先决条件,这些知识的获取往往非常昂贵并且其中包含的不正确的信息可能会影响推理的正确性。为了缓解这种困境,将C5.0算法和概率软逻辑相结合,让数据和知识共同驱动推理模型,提出了一种规则半自动学习方法。该方法利用C5.0算法提取规则,再辅以人工规则和优化调节后的规则作为改进的概率软逻辑输入。实验结果表明,在学生成绩预测问题上所提方法比C5.0算法和没有规则学习的概率软逻辑具有更高的精度;和纯手工定义规则的方法相比,所提方法能大幅降低人工成本;和贝叶斯网络(BN)、支持向量机(SVM)等算法相比,该方法也表现出不错的效果。

基于概率软逻辑模型的实体解析

在马尔科夫逻辑网(MLN)的实体解析算法中任意闭原子采用硬约束,导致推理及权重学习过程较难收敛到最优解,降低解析精度及执行效率。为此,提出一种将概率软逻辑(PSL)模型应用到实体解析中的方法,该模型中闭原子采用软约束,易于进行知识推理与权重学习。阐述PSL模型基本理论,通过实体关系、实体属性、本体约束构造PSL模型的逻辑规则,描述实体解析的匹配过程,根据PSL模型的推理机制实现实体解析的决策过程。实验结果表明,与基于MLN的实体解析算法相比,该方法可大幅提高实体解析的准确率、F1值及执行效率。

基于概率软逻辑的多层次识别和推理

随着全球老龄化人口增长,老年人的日常行为监管和护理也成为极具挑战性的社会问题。为了应对这种不断增长的社会需求,提出了一种由数据和知识共同驱动、使用概率软逻辑(probabilistic soft logic)和多层次分析对老年人的日常活动进行建模的方法,来解决老年人护理中的活动识别问题。实验表明,该方法在活动识别和异常活动检测上比隐马尔可夫模型能产生更高的精度,并且比非层次识别方法具有更快的响应速度。

面向开放式信息抽取系统的知识推理验证

开放式信息抽取系统是从Web等非结构化文本中挖掘知识的主要途径,但其抽取结果往往存在大量噪声,对知识发现以及知识库构建产生较大影响。提出一种基于概率软逻辑模型的知识推理验证方法,该方法首先使用一阶逻辑语言对知识抽取结果进行转化和推理,并且在推理过程中引入本体规则进行约束,在此基础上,建立推理规则的自动学习机制,解除传统规则推理对于实体解析规则的依赖,进而实现对知识的自动推理和验证。经实验对比验证,该方法具有更优的算法性能,实现了规则的自动学习,提高了知识推理效率,对验证知识的语义规范性和正确性有积极作用。

基于线性时序逻辑的智能体不确定行为规划

随着人们对智能体需求的提高,智能体的活动不再局限于简单环境与单一任务,面向复杂的应用场景,智能体需要具备自主完成决策与执行的能力.本文研究了面向线性时序逻辑描述下的复杂任务智能体的不确定行为规划问题,同时考虑任务成功率与任务执行成本,这里不确定性因素包括智能体行为与环境属性,任务描述由软、硬约束两部分表达.文中应用形式化方法中模型检测的思想确定智能体行为选择策略,其中应用马尔可夫决策过程构建智能体个体与集群模型,应用双层自动机模型构建任务模型,设计智能体-任务网络模型表征约束条件并通过一耦合线性规划完成策略求解,并通过数值仿真测试对上述方法进行了验证.结果表明含软、硬约束的复杂任务约束可被满足,求解所得最优策略使智能体按约束强度完成任务,且可通过调节惩罚因子控制网络模型的松弛程度调整生成的控制策略.