基于多层动态索引的相似炉型检索方法研究

针对炉型设计涉及的原始数据量庞大,合理炉型的界定范围广,界限模糊等问题,提出应用基于实例的推理方法辅助炉型初始方案的生成.分析了高炉炉型设计的特征属性,并建立了层次结构,针对其特征索引较多,权重系数小,检索效率低等问题,建立一种多层动态索引策略来改进传统的最近邻法,实现了炉型初始设计方案的智能生成.从而提高了相似实例检索的准确性和有效性,为后续对比调整提供了具有可比性和高参考价值的设计方案.     

一次性求解多个SAT问题

在实际应用中通常需要求解对应CNF（ConjunctiveNormalForm）公式之间仅相差几个子句的一系列SAT（SatisfiabilityProblem）问题,但目前绝大多数SAT求解算法都是针对单一SAT问题设计的。为此,基于DPLL提出了nDPLL算法,并在随机问题上对该算法的效率进行测试。实验结果表明,nDPLL算法能一次性求解多个SAT问题,对于特定范围的CNF公式集具有较高的效率,CNF公式集的规模越大、相近因子越高、子句数和变量数的比值越大,则nDPLL算法的效率越高。     

基于CBR和RBR混合推理的齿轮箱智能诊断技术

针对传统齿轮箱智能诊断系统获取知识的困难,提出了基于案例(case-based reasoning,CBR)和规则(rule-based reasoning,RBR)混合推理方式的智能诊断技术.在研究此2种推理技术优缺点的基础上,取长补短,合理地将其应用到轧机齿轮箱故障诊断工作中,提高了故障诊断的准确率和效率.针对传统案例检索中相似度算法的不足之处,提出了一种新的案例检索算法,有效地解决了传统的相似度算法检索案例不准确的问题.     

基于MWSPCA-CBR的智能预警方法研究及其在石化工业中的应用

石油钻井是一项高风险性、耗资巨大的系统工程。为了智能预警石油钻井过程中的异常，缩短非生产时间，降低相关风险，提出一种基于移动窗稀疏主元分析法（MWSPCA）的案例推理（CBR）异常智能预警方法（MWSPCA-CBR）。首先利用MWSPCA算法分析钻井过程中的实时数据，快速定位出异常可能发生的时间，然后使用基于案例推理方法分析异常数据，确定可能的异常类型，并为实时监控专家提供相关异常的处理方法。所提方法应用到石油钻井过程异常预警中，实验结果验证了所提方法的可行性和有效性，为钻井过程降低风险成本提供了新思路。     

一种融合行为与结构特征推理的造假群组检测算法

在线评论对用户的购物决策有重要的影响作用,这导致一些不良商家雇佣大量水军有组织、有策略地给自己刷好评,以提高销量赚取更大利润,给竞争对手刷差评来抹黑对手,以降低其销量。为了检测这种有组织的水军群组,提出一种融合行为与结构特征推理的造假群组检测算法。该算法包含2部分：第1部分用频繁项挖掘方法产生候选群组,然后使用行为指标来计算群组中每个成员的协同造假可疑度,将该可疑度看作先验概率;第2部分先为每个群组建立加权评论者-商品二部图,然后使用循环信念传播算法推理后验概率,将推理后得到的后验概率值作为该成员的最终协同造假可疑度,最后使用熵值法来判定是否为共谋群组。在真实数据集上的实验结果表明,所提算法性能优于比较算法。     

融合机器学习与知识推理的可解释性框架

针对基于规则的可解释性模型可能出现的规则无法反映模型真实决策情况的问题, 提出了一种融合机器学习和知识推理两种途径的可解释性框架. 框架演进目标特征结果和推理结果, 在二者相同且都较为可靠的情况下实现可解释性. 目标特征结果通过机器学习模型直接得到, 推理结果通过子特征分类结果结合规则进行知识推理得到, 两个结果是否可靠通过计算可信度来判断. 使用面向液基细胞学检查图像的融合学习与推理的某类宫颈癌细胞识别案例对框架进行验证, 实验表明, 该框架能够赋予模型的真实决策结果以可解释性, 并在迭代过程中提升了分类精度. 这帮助人们理解系统做出决策的逻辑, 以及更好地了解结果可能失败的原因.     

跨媒体分析与推理技术研究综述

当前,以网络数据为代表的跨媒体数据呈现爆炸式增长的趋势,呈现出了跨模态、跨数据源的复杂关联及动态演化特性,跨媒体分析与推理技术针对多模态信息理解、交互、内容管理等需求,通过构建跨模态、跨平台的语义贯通与统一表征机制,进一步实现分析和推理以及对复杂认知目标的不断逼近,建立语义层级的逻辑推理机制,最终实现跨媒体类人智能推理。文中对跨媒体分析推理技术的研究背景和发展历史进行概述,归纳总结视觉-语言关联等任务的关键技术,并对研究应用进行举例。基于已有结论,分析目前跨媒体分析领域所面临的关键问题,最后探讨未来的发展趋势。     

基于表示学习的工业领域人机物本体融合

随着新一代人工智能技术的发展,制造系统由以往的人物二元系统发展为人机物三元系统,跨域跨层的多元数据融合成为必然趋势。本体作为一种能在语义上描述数据的概念模型,被广泛应用于多元异构数据的集成、共享与重用中。在传统工业领域中,利用本体融合驱动数据融合的研究通常集中于信息和物理系统。针对人机物本体融合问题,文中提出了一种改进的表示学习模型TransHP。由于经典的表示学习的翻译模型未有效利用除三元组结构以外的其他信息,TransHP在TransH上加以改进,将本体中的元素构成类别三元组与实例三元组。首先针对类别概念构成的三元组,利用三元组的结构和属性进行联合训练;然后将得到的类别实体的向量表示作为训练实例向量的输入,与实例的结构信息进行联合训练,同时以置信度作为关系强度加入计算,以解决关系三元组稀疏性造成的实体在语义空间无序分布的问题。文中构建以工业领域热轧生产流程为例的人机物本体,并将其作为小样本进行测试,实验结果表明,与TransH模型相比,在人机物本体中,TransHP模型推理出实体间的关系更丰富,准确率更高。TransHP模型实现了人机物本体的融合,解决了人机物信息交互的问题,为协同决策做出了铺垫。     

基于二叉知识树推理的可扩展智能排课系统

针对高等院校整体教学资源条件下的复杂多约束、多目标组合优化排课问题,提出了一种基于二叉树知识推理的可扩展智能排课算法并进行系统研发。结合实际教学过程中涉及的课程、时间、专业、教室、教师和可信度模型进行定义,构建了智能排课模型,设计了系统结构和排课算法。原型系统利用不确定性推理巧妙地解决了排课过程中棘手的软约束问题,并将二叉知识树引入知识库存储结构以解决系统的灵活性和可扩展性问题,使原型系统能够适应动态大规模排课需求。