模糊属性Petri网建模方法及学习模型研究

定性映射易于表达模糊不确定性知识,但其在表达人类认知思维活动动态特征上存在不足;模糊Petri网比较符合人类思维方式,但相关参数不易获得且其自学习能力存在较大局限性。为此,提出一种模糊属性Petri网(FAPN)形式定义及建模方法。在FAPN结构中构建定性基准参数学习方法,通过定性映射定义4类变迁发生的模糊定性判断规则和相应变迁发生后的结果运算公式,给出FAPN模型的推理算法和学习机制,并模拟系统的动态运行过程。分析结果表明,该方法能有效提高FAPN的学习能力,可适用于以定性判断为特点的诊断系统。

基于扩展模糊Petri网的知识推理方法研究

为使模糊Petri网能够描述可变模糊隶属判据下的模糊知识,利用基准变换能较好地表达模糊隶属判据可变情况的特点,基于定性映射和定性基准变换对模糊Petri网进行了扩展,给出了扩展后网模型的形式定义和基本运行机制。通过利用定性映射描述模糊产生式规则,给出了一种新的知识表示模式和推理方法,新方法有利于构建模糊Petri网基于认知的学习机制。结果显示,该网模型具有较强的知识表达能力,适用于处理认知模糊不确定性知识,其推理过程能体现某些认知特性,尤其适用于构建以定性判断为特点的智能系统。

基于属性Petri网的语义网络知识表示

首先给出了基于定性映射的属性Petri网的形式定义和运行机制;其次给出了基于属性Petri网的语义网络知识表示模式,此模式适合于感觉特征抽取与整合,和基于该机制的各种思维功能的描述。

属性Petri网模型及其推理算法

定性映射是从哲学上事物的质-量互变规律出发,以感觉特征抽取为依托而建立的脑思维数学模型。文章以定性映射基本定义为基础讨论了属性Petri网的基本模型,给出了其形式定义和基本运行机制,描述了基于属性Petri网的知识表示模式,最后给出了属性Petri网的相应推理算法。该模型在以定性判断为特点的诊断系统中能得到较好地应用。

基于属性Petri网的属性粒推理研究

不确定性知识处理是人工智能研究中经常遇到的问题,基于定性映射的属性Petri网模型在动态表示认知思维中不确定性知识与逻辑推理方面具有优势。在属性拓扑空间中,给出了属性粒的基本定义和基本推理,在属性Petri网中对不确定性知识进行表达,并基于属性Petri网给出归结推理的基本形式和基本算法。结果显示,这种方法可以使定性映射和Petri网更易于动态和显式地表达认知不确定性知识,可为进一步研究Petri网在认知模型中的作用提供参考。