基于标记逻辑的非单调推理（I）

我们把标记逻辑定义在一个特殊双格上，通过比较标记选取结论，从而同时捕捉超协调（容错）推理和非单调推理，本文介绍标记逻辑程序的句法与语义构造，提出诱导序列及其极限的概念，给出极限存在的等价条件，并证明一个重要结果，诱导序列基本定理，它是后续讨论的基础。     

基于标记逻辑的非单调推理（II）

本文研究不循环ＡＬＰ的说明语义，利用依赖关系的非自反应性，把程序的Ｈｅｒｂａｒａｎｄ基分类成一系列不相交集合，在此基础上，引进多重极限的概念，并证明，不循环程序存在唯一的支持模型，该模型就是程序的ｋ重极限，其中ｋ是程序中自由子句的个数。     

双析取逻辑程序设计基础（Ⅰ）

析取逻辑程序设计是传统逻辑程序设计最重要的扩充之一，本文通过一些实例说明，现存语义无法充分 表示信息的不完全性。为此，本文提出了双析取逻辑程序设计的概念，我们不仅从句法上将正规则析取逻辑程序推广为双析取逻辑程序。而且建立了一种高度直观，灵活的辩论语义框架ＢＤＡＳ。     

基于论辩的Agent非单调推理

现有的Agent信念修正、慎思、手段-目的推理等理论和方法大多基于经典一阶逻辑,对不完全的、不一致的知识,缺乏有效的处理机制。基于论辩的Agent非单调推理(包括认识推理和实践推理)理论和方法有望弥补这个不足。不过,作为一个新的研究方向,其基本概念、理论、方法及存在的关键性问题尚有待于澄清和梳理。文中首先介绍论辩的基本概念。在此基础上,分析基于论辩的Agent非单调推理的最新研究进展。最后,讨论存在的关键性问题并指出可能的研究方向。     

基于标记逻辑的非单调推理（Ⅱ）

本文研究不循环ＡＬＰ的说明语义．利用依赖关系的非自反性，把程序的Ｈｅｒｂｒａｎｄ基分类成一系列不相交集合．在此基础上，引进多重极限的概念，并证明，不循环程序存在唯一的支持模型，该模型就是程序的ｋ重极限，其中ｋ是程序中自由子句的个数．     

基于非单调推理的领域专家知识库的研究

1.知识表示及推理概况知识库在人工智能研究中占有重要地位。Gins-berg等人介绍了多种知识库更新方法,其中一类是基于模型的方法,一类是基于公式的方法,但所有这些方法在通常情况下都是难解的(intractable)。对基于模型的方法,Eiter指出,当知识库是Horn公式的集合,新知识是Horn公式且长度有一常数上界时,存在多项式时间算法。马绍汉提出一类树型知识库的更新算法,在树型的束图智能方式表示下,该算法通过一个自底向上的过程,得到更新后的知识库。确定推理的研究是基于经典的二值逻辑,因而,具有相当牢固的基础,而不确定推理的研究却是另一种情形。不确定推理的基础比确定推理的基础要弱得多。到目前为止,甚至还没有获得人们普遍接受的基础。不确定推理面对下面几个问题:(1)如何正确地、定性地刻画一个命题的不确定性?(2)如何适当地度量一个命题的不确定性?     

法律知识的因果表达和非单调推理模型

1 引言计算机在法律业务上的辅助应用总的来说可分为两类;计算机辅助法律条文查询系统和面向案例的计算机辅助法律分析与解释系统.计算机辅助法律条文查询系统的目标是建立一个丰富的法律条文和案例库,并对它们进行分类,建立索引,通过智能搜索引擎供法律专业人员和普通人查询有关法律条文或案例。法律文件繁复、浩大,依赖人脑记忆可靠性差,手工查找则费工费时,计算机正可以发挥其记忆量、查找迅速等特点。所以这方面的应用是比较成功的,例如北京大学开发的法律查询系统。一个面向案例的计算机辅助法律分析与解释系统能够根据系统中已有的法律知识(包括法律条文和案例)对实际案例进行分析和解释,并提出建设性的法律建议或结论以供人们参考。与计算机辅助法律条文查询系统相比,计算机辅助法律分析与解释系统需要运用法律知识进行推理,实际上是一个专家咨询系统。建立合理有效的法律知识的表达方法与推理机制是构造一个法律专家咨询系统的关键,这项任务是非常困难的。因为法律知识不仅仅是指成文的法律条文,还应该包括大量的法律解释、判例、不成文的法律规定等等,     

超协调逻辑（Ⅳ）—非单调超协调逻辑研究

这是关于超协调逻辑研究的末篇，文中分析了超协调逻辑与非单调逻辑的关系，并提出非单调超协调逻辑作为一种新的逻辑研究及其在形式化常识推理中的重要意义，最后，讨论了超协调逻辑的应用，特别是非单调超协调逻辑在计算机科学与人工智能中的应用问题。     

超协调逻辑（Ⅲ）—超协调性的逻辑基础

这是关于超协调逻辑研究的第三篇，文中将给出一种优先语义作为超协调性的模型论基础，并给出一种表演算系统作为超协调性的证明论基础，这种优先语义和表演算系统，不仅可以包括名种超协调逻辑，而且能够导出新的超协调逻辑，在一定意义上，是超协调逻辑的统一基础，容易统一地刻画非单调性。     

基于描述逻辑的扩展预测模型标记语言EPMML

预测模型标记语言PMML正被许多数据挖掘组织作为标准化的数据挖掘模型描述语言.然而,由于数据挖掘技术的不断发展,参与建立PMML的数据挖掘厂商的经验有差异,PMML本身含有的大量语言元素不可避免地带来基于PMML的数据挖掘元数据的语义不一致问题.为解决这个问题,提出了一种基于描述逻辑的扩展预测模型标记语言EPMML,详细分析了EPMML的描述逻辑基础SOIN,设计EPMML的语言元素.基于EPMML描述的数据挖掘元数据可以转化为基于SOIN的知识库,进而进行知识推理以自动发现数据挖掘元数据的内在语义不一致问题.Racer推理实例验证了EPMML语言的良构性,良好表达能力和推理有效性.     

基于四值语义的缺省逻辑

基于公式变换,给出一组缺省理论的变换方法,将命题语言L中的缺省理论变换到对应的命题语言L^-＋中,保证了所得到的缺省理论的所有扩张均不平凡,并通过一种弱变换可同时保证缺省扩张的存在性．为缺省理论定义了各种四值模型,使得缺省逻辑具有非单调超协调推理能力,并证明了L^-＋中的缺省扩张与L中缺省理论的四值模型之间具有一一对应关系．四值模型描述了公式变换的语义,基于四值语义的缺省推理通过缺省理论的变换技术能在标准的缺省逻辑中实现．     

基于超协调逻辑处理含有非协调信息的系统规约

随着计算机系统规模和复杂度的增长,在软件工程的各个阶段,开发者不得不面对包含大量非协调信息的各种类型的系统规约。由于平凡推理的问题,基于经典逻辑的方法不能用于分析含有非协调信息的系统规约。在简单介绍超协调逻辑的基础上,引进一种超协调时序逻辑,它用于描述计算机系统的时序性质,并且能用于处理含有非协调信息的系统规约。     

辩论的逻辑模型研究综述

辩论的逻辑模型是哲学、逻辑学和人工智能等多个领域的研究课题,在非单调推理、法律推理、决策支持和多Agent交互等领域有广泛应用。文中首先简要阐述辩论及辩论模型的基本概念。然后从对辩论建模和用辩论建模两个方面对目前的研究进行总结,分析现有的有影响的辩论模型特点及其存在的问题。最后,指出今后的研究方向和发展趋势。     

标记逻辑的TABLEAU判定过程

标记逻辑是一种重要的次协调逻辑，和｜≈是标记逻辑中的２种推理关系．二者都是次协调的，可以用统一的方法处理一致的知识与不一致的知识，是单调的，有基于归结的证明论，但不能保持经典逻辑中合理的推理，如三段论．｜≈是非单调的，在前提一致时等价于经典逻辑的推理关系，但缺少有效的证明论．本文将给出推理关系和｜≈基于Ｔａｂｌｅａｕ演算的可靠而且完备的判定方法.     

一种新的甲胎蛋白（α—FP）非标记免疫电极的研制

α—FP 是临床诊断肝癌的一个重要指标。本文将醋酸纤维素-抗体-抗原膜与自制的氯电极研制成α—FP 非标记免疫传感器。研究了载体膜组成对电极灵敏度的影响;采用均匀设计、单纯形法优化了膜结合抗原抗体复合物的实验条件和参数;与同类电极相比,该电极使用简便,响应快(≤3min),灵敏度高,重视性和稳定性均好;在最佳测试条件下,电极线性范围为0-600ng/ml,检测下限26ng/ml,相关系数0.9925,测量600ng/mlα—FP 时的标准偏差为30ng/ml;人体血清中所含主要免疫球蛋白对α—FP 的测量均无干扰;在用于实际血清样品测量中取得满意结果。     

基于非局部算法的序列图像超分辨率重构

提出了一种基于非局部算法的多帧图像超分辨率重构算法,该方法无需进行图像校正。为克服传统图像复原算法基于图像局部点领域的影响,指出可以使用非局部去噪模型的优越边缘保持性和去噪性来重构高分辨率图像。实验证明,该算法在低信噪比情况下,可以取得较好结果,有效解决了低信噪比条件下图像复原的一个难点。     

悖论逻辑的表演算

悖论逻辑ＬＰ是一个超协调逻辑，发展超协调逻辑（ＬＰ）的目的是使得不会从矛盾推出任一命题，但它有一个主要缺点：就是一些在经典逻辑中有效的推理在ＬＰ中不再有效；极小悖论逻辑ＬＰｍ能克服这个缺点，使得在没有矛盾的直接影响下超协调逻辑等价于经典逻辑．ＬＰ和ＬＰｍ原来都只给出语义定义，虽然已有ＬＰ的证明论，但如何得到一个ＬＰｍ的证明论仍是一个未解问题．本文提出了一种可靠与完全的表演算作为ＬＰ与ＬＰｍ的证明论．     

基于标记相关性的多示例多标记算法

多示例多标记学习（Multi-Instance Multi-Label,MIML）是一种新的机器学习框架,基于该框架上的样本由多个示例组成并且与多个类别相关联,该框架因其对多义性对象具有出色的表达能力,已成为机器学习界研究的热点.解决MIML分类问题的最直接的思路是采用退化策略,通过向多示例学习或多标记学习的退化,将MIML框架下的分类问题简化为一系列的二类分类问题进行求解.但是在退化过程中会丢失标记之间的关联信息,降低分类的准确率.针对此问题,本文提出了MIMLSVM-LOC算法,该算法将改进的MIMLSVM算法与一种局部标记相关性的方法ML-LOC相结合,在训练过程中结合标记之间的关联信息进行分类.算法首先对MIMLSVM算法中的K-medoids聚类算法进行改进,采用的混合Hausdorff距离,将每一个示例包转化为一个示例,将MIML问题进行了退化.然后采用单示例多标记的算法ML-LOC算法继续以后的分类工作.在实验中,通过与其他多示例多标记算法对比,得出本文提出的算法取得了比其他分类算法更优的分类效果.     

基于标记关系的多标记社团发现算法

真实世界的对象 具有多义性,具有非单一的多种标记。对于多标记的学习,现阶段的工作虽然能够利用标记间的重用评分分析多标记间的关系,但是尚不能直观挖掘出多标记的关系结构,也不能准确掌握多标记的主从关系以及多标记的重要性排名情况。而非负矩阵分解（Nonnegative matrix factorization,NMF）方法能对有关联的节点进行有效的社团划分,发掘关联节点的潜在关系,因此利用NMF方法对多标记关系进行社团结构分解成为有价值的研究内容。本文提出多标记社团发现算法,有效地对多标记进行挖掘,发现其中的社团结构,得到多标记的社团关系,并且能够对多标记节点的重要程度排序,分析多标记的主从结构,验证多标记关系算法的有效性,挖掘出其中隐藏的价值,这对于多标记 的研究具有重要意义。     

N-SHOQ(D): 描述逻辑SHOQ(D)的一个非单调扩展

描述逻辑SHOQ(D)给出了Web本体语言DAML+OIL的语义,但SHOQ(D)只能处理严格成立的完备 知识,不能处理在实际情况中经常出现的不完备知识.对描述逻辑SHOQ(D)进行扩展,提出了 能够处理不完备知识的非单调描述逻辑N-SHOQ(D).给出了N-SHOQ(D)的语法和语义,定义了N -SHOQ(D)中的蕴涵推理关系,研究了N-SHOQ(D)所具有的性质. N-SHOQ(D)为扩展DAML+OIL语 言到能够处理不完备知识的情形提供了语义支持.