基于模糊状态描述的不确定因果归纳自动推理机制

摘要

文中提出基于模糊语言场和模糊语言结构的知识表示新型框架，并提出能够综合处理模糊不确定性与随机不确定性的广义细胞自动机和广义归纳逻辑因果模型。在此基础上，又提出基于模糊状态描述的新型不确定因果归纳自动推理机制，并讨论其在智能控制器研制中的应用。

正文

《1 引言》

1 引言

在复杂系统控制和复杂事物推理的研究中, 推理机制及计算模型的问题在学术界已成为一个重要的研究焦点;而不确定归纳推理机制的研究更为重要。

在当前逻辑科学的发展过程中, 在逻辑语言中融入逻辑思想和方法的研究已经成为一种趋势。因此智能推理过程被认为是一种智能语言在语言信息领域中的推演、量化、合成及转换的过程 ^[1]。

语言场提供一种对推理流模型和机制的定量描述框架 ^[2], 广义归纳逻辑因果模型提供归纳推理机制的逻辑背景, 在此基础上才有可能建立一种不确定性因果归纳推理的计算模型和自动推理机制 ^[3]。该推理计算模型的研究在专家系统、自动推理、知识工程、智能控制和神经网络等领域都有着重要的理论意义和广阔的应用前景。

《2 知识表示的新型框架》

2 知识表示的新型框架

《2.1 基本概念》

2.1 基本概念

在此涉及到的语言场和语言值结构的粗略概要, 为推理计算模型的描述提供一种框架 ^[2]。

定义1.称U=〈X, N, Ψ, D〉为状态描述的一种标准结构, 如果:

$① X = \cup_{i = 1}^{n} x_{i}, X$ $① X = \cup_{i = 1}^{n} x_{i}, X$ 被称为状态空间, x_i被称为一个状态类, 每一个状态类 (描述相同事物的一组状态) 被认为是一个状态语言变量;

②N={N_i|i∈I₊}, N_i被称为一个语言值集合;

③Ψ:X→N, 对每一个x_i都有Ψ (x_i) =N_j (i=1, 2, …, n;j=1, 2, …, m) ;

④D⊆R称为可能世界的描述, 在通过状态语言变量相对应的现实世界中通常是一个实数区间。

当X是模糊状态空间, N是模糊语言值集合时, 则称U为模糊状态描述的标准结构。

定义2.设有一个有n个实数区间的序列。如果每两个相邻的区间L_i和L_j互不包含并且L_i∩L_j≠Φ, 那么, 称这个序列为一个交叉区间序列。

关于状态语言变量x_i, 所有的相关于语言值的现实数量区间 (在实数领域) 构成了一个交叉区间序列。

定义3.当包含n个实数区间的集合E构成了一个交叉区间序列时, 可以得到在任意两个区间[X₁, Y₁]∈E和[X₂, Y₂]∈E的二元关系“≤”为

[X₁, Y₁]≤[X₂, Y₂]⇔ (X₁≤X₂) ∧ (Y₁≤Y₂) , 这种定义在E上的二元关系是一种全序关系。

定义4.称与语言值相关的基本可变子区间的中点和它的ε-邻域的区间值为标准值 (通常ε是一个合理的误差值) 。标准值的样本称为标准样本, 否则, 称为非标准样本。由标准样本和非标准样本分别构成标准样本空间和非标准样本空间, 统称为一般样本空间。

定义5.在状态描述标准结构U中, 称C=〈E, I, N, ≤_N〉为语言场, 如果:

①E为R上交叉闭区间的集合 (基础变量论域) ;

②N≠Φ为语言值的有限集;

③≤_N为N上的全序关系;

④I:N→E为标准值映射, 满足保序性。

定义6.在状态描述标准结构U中, 对于语言场C=〈E, I, N, ≤_N〉, 称F=〈C, W, K〉为C的语言值结构, 如果:

①C满足定义5;

②K为自然数;

③W:N→R^K满足如下条件:

∀n₁, n₂∈N (n₁≤_N n₂→W (n₁) ≤_dicW (n₂) ) ,

∀n₁, n₂∈N (n₁≠n₂→W (n₁) ≠W (n₂) ) 。

其中, ≤_dic为R^K上的字典序。

在模糊状态描述标准结构U中, 当R定为[0, 1]时, 则定义5和定义6将分别为模糊语言场和模糊语言值结构的定义。

《2.2 基本框架》

2.2 基本框架[4,5]

定义7.设有两个语言场C₁和C₂, 如果存在1-1映射f:E₁→E₂, g:N₁→N₂, 使得:

①f是单调的;

②∀n₁∈N₁, f (I₁ (n₁) ) =I₂ (g (n₁) ) ;

其中, C₁=〈E₁, I₁, N₁, ≤_N₁〉, C₂=〈E₂, I₂, N₂, ≤_N₂〉。那么, C₁是C₂的扩展。

定理1.如果语言场C₁是C₂的扩展, 那么g:N₁→N₂必为单调映射, 即若n₁≤_N₁n′₁, 则g (n₁) ≤_N₂g (n′₁) , 其中n₁, n′₁∈N₁。 (证明:略)

定义8.称C₁, C₂是同型语言场, 若

C₁=〈E₁, I₁, N₁, ≤_N₁〉, C₂=〈E₂, I₂, N₂, ≤_N₂〉, 且|N₁|=|N₂|。

定理2 (扩张定理) .设C₁, C₂为两个语言场, C₁是C₂的扩张的充分必要条件是, C₁与C₂是同型语言场 (即|N₁|=|N₂|) 。 (证明:略)

定义9.设C=〈E, I, N, ≤_N〉的语言值结构为:F₁=〈C₁, W₁, K₁〉与F₂=〈C₂, W₂, K₂〉, 若存在1-1映射f:R^K₁→R^K₂满足:

①f为字典序下的严格单调, 即∀r₁, r′₁∈R^K₁ (r₁≤_dic r′₁⇒f (r₁) ≤_dicf (r′₁) ) ;

②∀n∈N, (f (W₁ (n) ) =W₂ (n) ) ;

③ (∃ε∈R) (∀n, n′∈N) (dis₁ (W₁ (n) , W₁ (n′) ) =ε·dis₂ (W₂ (n) , W₂ (n′) ) 。

其中, dis₁:R^K₁×R^K₁→R;dis₂:R^K₂×R^K₂→R, 则称F₁与F₂为 (dis₁, dis₂) -同构;简称为同构。

定理3 (同构定理) .设F为C的语言值结构, 则F与F_double (F的double-护展) 在加权海明距离下同构。 (证明:略)

根据以上的定理, 在语言场扩展的意义下, 同型语言场没有严格地区分。在 (dis) -同构的意义下, 语言值结构 (语言场的解释) 可以建构在不同维的空间上。当构建因果关系推理的计算模型时, 在选择原因状态和结果状态向量的维数方面将存在着很大的自由。同理, 该结论也可应用到模糊语言场和模糊语言值结构中。

上述知识表示的新型框架与已有的其它知识表示的区别之处:①这种新型框架在表达信息的类型上能够综合地处理随机不确定性、模糊不确定性及定性信息, 而现有的其它知识表示法所表达的信息类型是相对单一的;②这种新型框架可以在较深层次上表达知识, 并且可以描述所处状态和变化的细微程度;③这种新型框架可以在任意层次上将状态或变态用相应的语言值结构中的n维向量加以量化的表示;④这种新型框架通过同构定理将不同属性的语言变量转化到同一语言场中加以表示;⑤这种新型框架对于向量维数择取给予了较大的自由度。

《3 逻辑背景》

3 逻辑背景[3]

定义10.在离散化的欧几里德时空中, 在状态空间向语言场转化的条件下, Ц=〈U, T, E, η〉称为细胞自动机。其中, U是模糊状态空间, 其元素u称为模糊状态;T是时间序列, 其元素t称为时刻;E是细胞集合, 其元素e称为细胞 (即空间区域) ;η={《₁, 《₂, ……}是映射集合, 元素《_i:E×T→U称为赋态映射。

定义11.→○ ⊆ranϕ_i×ranϕ_i称为因果必然性关系;由此确定的表达式称为因果必然性规律:

(∃e∈E) (∀t∈T) (ϕ_i (N (e) , t) →○ ϕ_j (e, t′) ) ,

它表示细胞e在时刻t′的状态ϕ_j (e, t′) 是由前一时刻t, 细胞e的邻域N (e) (即e和同它有共同边界的若干细胞) 的状态ϕ_i (N (e) , t) 决定的。

定义12.∏=〈Ц, →○ 〉称为因果细胞自动机, 若因果必然性规律ϕ_i (N (e) , t) →○ ϕ_j (e, t′) 满足下列三个条件:

①有限变化原理——自然界的因果必然性规律是构筑在适于描述任何时空区域性质的有限集合基础上, 每个时空区域都可作为这些性质的描述对象;

②因果存在性原理——规律支配某时空区域, 则对自动机大部分区域也适用 (适于似决定论的细胞自动机) ;

③因果一致性原理——该规律不仅适于某时空区域, 而且适于整个细胞自动机, 即整个可达性时空区域 (适于似决定论的细胞自动机) 。

定义13.归纳逻辑因果模型是满足下列条件的语义结构X=〈S, ∏〉:

①S={S_α, S₁, …, S_m}。S_i (i=1, 2, …, m) 为受因果必然性规律支配的可能因果世界, S_α为现实世界;S_i={V_i1, V_i2, …}, V_ij表示组成S_i的不同历史, 每个历史是不同时空段的世界。

②∏是满足定义12的因果细胞自动机;每个可能的因果世界都用相应的因果细胞自动机来描述。

定义14.在离散化的欧几里德时空中, 在实现模糊状态空间向模糊语言场转化的条件下, 称Ц^*=〈C, F, T, E, ξ〉为广义细胞自动机。其中, C为与模糊状态空间U相应的语言场;F为各类模糊状态所对应的C中各个语言值结构 (每个状态可用相应的语言值表示) ;T是时间序列, 其元素t称为时刻;E是细胞集合, 其元素e称为细胞 (即空间区域) ;ξ={Ψ₁, Ψ₂, …}是左复合映射集合, 元素Ψ_j:=W。ϕ_j, 即经定义10中的赋态映射ϕ_j确定细胞e在时刻t′的状态, 并将状态用相应模糊语言值描述, 再经定义6的语言值结构中的映射W确定离散型状态表示的K维向量。

定义15.∏^*=〈Ц^*, →○ 〉称为广义因果细胞自动机, 若因果必然性规律ϕ^*_i (N (e) , t) →○ ϕ^*_j (e, t′) 满足定义12的①～③, 并且→○ 满足以下相关条件④和⑤:

④因果状 (变) 态原理——在连续、渐变的因果联系过程中, 对于一般样本空间而言, 细胞e在时刻t′的所有可能的状 (变) 态 (作为结果) 必然是由前一时刻t、细胞e的邻域N (e) 取“正” (如语言值“小”) 与“反” (如语言值“不小”) 两类状态作为原因所导致的。

⑤变态与状态转换原理——当原因与结果所取变态与状态的语言场同构时, 对于因果变态联系的规律同样适用于因果状态联系的规律, 反之亦然。

定义16.广义归纳逻辑因果模型是满足下列条件的语义结构X^*=〈S^*, ∏^*〉:

①S^*={S^*_α, S^*₁, ……, S^*_m}, S^*_i (i=1, 2, ……, m) 为受因果必然性规律与有关→○ 的原理所支配的可能因果世界;S^*_α为现实的因果世界;S^*_i={V^*_i1, V^*_i2, ……}, V^*_ij表示组成S^*_i的不同历史, 每个历史含有不同的时空段, 每个时空段里潜含着各类因果联系, 而因与果又对应着各自的语言场与语言值结构;

②∏^*是满足定义15的广义因果细胞自动机, 每个可能的因果世界都用相应的广义因果细胞自动机来描述。

在以上模型中, 综合处理了随机不确定性与模糊不确定性两种信息, 在实际的研究过程中, 对原因与结果侧重在各自的模糊性处理上;对原因与结果的关联性侧重在随机性处理上。

《4 不确定性因果归纳推理机制》

4 不确定性因果归纳推理机制[6,7,8]

《4.1 基于单一语言场的因果归纳推理模型》

4.1 基于单一语言场的因果归纳推理模型

4.1.1 在标准样本空间下的构建

1) 标准样本的语言值表达形式。

根据扩展定理, 因果状 (变) 态语言值例如“高”、“低”等, 能够根据相应的同型自然数“大”、“小”等用标准向量表达。同理, 结果状 (变) 态的标准向量也能确定。

2) 状态矩阵。

定义17.在标准样本空间中, 设A_ω和S_ω′分别表示原因A状 (变) 态和结果S状 (变) 态所对应的标准向量;如果原因A的状 (变) 态是ω, 而结果S的状 (变) 态是ω′, 则其因果联系定义为

A_ω→○ S_ω′≜A $_{ω}^{Τ}$ $_{ω}^{Τ}$ S_ω′

ω和ω′分别表示原因A状 (变) 态和结果S状 (变) 态的语言值, →○ 表示导致结果S_ω′的原因A_ω。

根据因果状 (变) 态原理, 由各种原因的正反两方面造成的结果状 (变) 态完全包含了因果联系的连续和渐变过程, 它为该结果状态进一步推理构建了一个可信的知识库和目标背景。

定义18.在标准样本空间中, 设A_ω和S_ω′分别表示原因和结果状 (变) 态标准向量, 因果联系即“如果原因A的状 (变) 态是ω, 那么结果S的状 (变) 态是ω′, 如果原因A的状 (变) 态不是ω, 则结果S的状 (变) 态是ω″”定义为

$\begin{array}{l} (A_{ω} \to ○ S_{ω^{'}}) \land (\bar{A}_{ω} \to ○ S_{ω^{″}}) ≜ A_{ω}^{Τ} S_{ω^{'}} + \\ (Ι - A_{ω})^{Τ} S_{ω^{″}} \end{array}$ $\begin{array}{l} (A_{ω} \to ○ S_{ω^{'}}) \land (\bar{A}_{ω} \to ○ S_{ω^{″}}) ≜ A_{ω}^{Τ} S_{ω^{'}} + \\ (Ι - A_{ω})^{Τ} S_{ω^{″}} \end{array}$

其中, $\bar{A}$ $\bar{A}$ _ω表示原因状 (变) 态不取语言值ω时的标准向量;+表示矩阵加法。从该公式获得的矩阵称为状 (变) 态矩阵M。当ω, ω′, ω″都取t种不同的状 (变) 态, 对于一个确定的ω和ω′, 可以根据相应的A_ω形成t种不同的状 (变) 态矩阵。仅当ω被确定时, 能根据相应的A_ω形成t²种不同的状 (变) 态矩阵;当ω取t种不同的状 (变) 态时, 将形成t³种不同的状 (变) 态矩阵。

3) 一次合成规则:

以可能世界的状 (变) 态矩阵集合为背景 (即大前提) 。在现实世界中, 为了得到知识 (即结论) , 对于在一个确定状 (变) 态A^*_ω (小前提) 下, 原因A产生的结果S的状 (变) 态, 可用如下的合成规则来获得:A^*_ω。M。

4) 因果状 (变) 态表和状 (变) 态知识库:

考虑因果状 (变) 态的全部组合情况, 利用一次合成规则可形成因果状 (变) 态表 (如表1所示) 。

表1因果状 (变) 态表

Table 1 Causal state (abnormality) list

《表1》

大前提		小前提	结果向量
A_{t (1)}→○	$\bar{A}$ $\bar{A}$ _{t (1)}→○	小前提	结果向量
S_{t′ (0)}	S_{t′ (1)}	A_{t (1)}	(a $_{1}^{(1)}$ $_{1}^{(1)}$ , a $_{2}^{(1)}$ $_{2}^{(1)}$ , …, a $_{n}^{(1)}$ $_{n}^{(1)}$ )
		A_{t (2)}	(a $_{1}^{(2)}$ $_{1}^{(2)}$ , a $_{2}^{(2)}$ $_{2}^{(2)}$ , …, a $_{n}^{(2)}$ $_{n}^{(2)}$ )
		︙	︙ ︙ ︙
		A_{t (w)}	(a $_{1}^{(w)}$ $_{1}^{(w)}$ , a $_{2}^{(w)}$ $_{2}^{(w)}$ , …, a $_{n}^{(w)}$ $_{n}^{(w)}$ )
	S_{t′ (2)}	A_{t (1)}	(a $_{1}^{(1)^{'}}$ $_{1}^{(1)^{'}}$ , a $_{2}^{(1)^{'}}$ $_{2}^{(1)^{'}}$ , …, a $_{n}^{(1)^{'}}$ $_{n}^{(1)^{'}}$ )
		A_{t (2)}	(a $_{1}^{(2)^{'}}$ $_{1}^{(2)^{'}}$ , a^{(2) ′}₂, …, a $_{n}^{(2)^{'}}$ $_{n}^{(2)^{'}}$ )
		︙	︙ ︙ ︙
		A_{t (w)}	(a $_{1}^{(w)^{'}}$ $_{1}^{(w)^{'}}$ , a $_{2}^{(w)^{'}}$ $_{2}^{(w)^{'}}$ , …, a $_{n}^{(w)^{'}}$ $_{n}^{(w)^{'}}$ )
	︙	︙	︙ ︙ ︙

在局部大前提A_{t (1)}→○ S_{t′ (1)}下, 抽取表中A_{t (1)}的小前提所对应的结果向量可构成矩阵M^*₁ (称为知识矩阵) 。

$Μ_{1}^{*} = (\begin{matrix} a_{1}^{(1)} & a_{2}^{(1)} & \dots & a_{n}^{(1)} \\ a_{1}^{(1)^{'}} & a_{2}^{(1)^{'}} & \dots & a_{n}^{(1)^{'}} \\ ⋮ & ⋮ & ⋮ \end{matrix})$ $Μ_{1}^{*} = (\begin{matrix} a_{1}^{(1)} & a_{2}^{(1)} & \dots & a_{n}^{(1)} \\ a_{1}^{(1)^{'}} & a_{2}^{(1)^{'}} & \dots & a_{n}^{(1)^{'}} \\ ⋮ & ⋮ & ⋮ \end{matrix})$

5) 以此类推。

当小前提取w个状 (变) 态时, 可得w个形如M^*₁的知识矩阵;当局部大前提涉及的结果状 (变) 态取σ个时, 可得到全部知识矩阵为w²σ个, 称其集合{M^*₁, …, M^*_w²σ}为基础知识库。

4.1.2 在非标准样本空间 (扩展模式) 下的构建

1) 对于原因A而言, 其对应的因状 (变) 态输入向量α_t (非标准向量) , 可根据相邻因状 (变) 态标准向量利用插值公式而获得, 即

$α_{t} = A_{t} \cdot (1 - \frac{| t_{i} - t_{i 0} |}{l_{i}}) + A$ $α_{t} = A_{t} \cdot (1 - \frac{| t_{i} - t_{i 0} |}{l_{i}}) + A$ 邻· $\frac{| t_{i} - t_{i 0} |}{l_{i}}$ $\frac{| t_{i} - t_{i 0} |}{l_{i}}$

其中:t_i为落在第i个区间的输入数据, t_i0为第i个区间的中点数据, l_i为第i个区间的长度, A_t为第i个区间中的因状 (变) 态标准向量, A_邻为依t的落点而定的左邻或右邻区间中的因状 (变) 态标准向量。

2) 对于原因A而言, α_t和A的任一状态标准向量的测度由下式来计算, 然后根据测度的最小值来确定α_t归属的因状 (变) 态类型 (语言值) 。

$d_{Η} (α_{t}, A_{t}^{(i)}) = \sum_{i = 1}^{k} | μ α_{t} - μ A_{t}^{(i)} |$ $d_{Η} (α_{t}, A_{t}^{(i)}) = \sum_{i = 1}^{k} | μ α_{t} - μ A_{t}^{(i)} |$

3) 二次合成规则:在现实世界的非标准样本空间中, 根据α_t (输入) 所属的类型和基础知识库中相匹配的知识矩阵M^*₁ (自组织) , 用以下公式获得结果向量S^* (输出) :S^*≜α_t。M^*₁。

4) 聚类:计算S^*与已知结果状 (变) 态标准向量的测度, 取最小者, 以确定S^*归属的结果状 (变) 态类型 (语言值) ;从而完成了不确定性因果归纳自动推理的全过程。结果状态的定性分析的表达式可以通过相应的执行操作, 按适当的控制构造类型的聚合来得到。

《4.2 基于综合语言场的因果归纳推理模型》

4.2 基于综合语言场的因果归纳推理模型[3]

基于综合语言场的因果归纳推理模型的推理过程见图1。为了区别于基于单一语言场的因果归纳推理模型的推理过程, 符号的下标有些改变, 如ω改为v, ω′改为v′等, 其含义相同。

《4.3 基于细胞自动机的因果归纳推理模型》

4.3 基于细胞自动机的因果归纳推理模型

4.3.1 在广义归纳逻辑因果模型中, 设导致结果S的原因有A, B, C, …。当用广义因果细胞自动机去描述标准样本空间在时刻t的因果间的状 (变) 态联系时, 首先得到了因果各种状 (变) 态的语言值描述及其对应的离散型的向量表示。例如:原因对应于“变化非常小”、“变化小”、“变化不大不小”、“变化大”、“变化非常大”5种语言值, 则A为在t时刻的状 (变) 态标准向量:A_{t (i)}= (a_i, b_i, c_i, d_i, e_i) _t, (i=1, 2, 3, 4, 5) , 结果S在t′时刻状 (变) 态标准向量为S_{t′ (j)}= (p_j, q_j, …, r_j) _t′, (j=1, 2, 3, 4, 5) 。

《图1》

图1算法流程图

Fig.1 Algorithm flow chart

定义19.在标准样本空间中, 设A_{t (i)}与S_{t′ (j)}分别表示原因A在t时刻状 (变) 态与结果S在t′时刻状 (变) 态的标准向量, 则因果状 (变) 态必然性规律ϕ^*_i (A, t) →ϕ^*_j (S, t′) , 由带有模糊性与随机性因素的状 (变) 态的关系矩阵给出, 即

ϕ^*_i (A, t) →ϕ^*_j (S, t′) ≜C (H, E) ·[ (A_{t (i)}) ^T×S_{t′ (j)}]

其中, C (H, E) 是归纳确认度函数, 它表明证据E对假说H (即此因果状态的必然性规律) 的支持程度。

假说H的归纳确认度函数是两个测度矩阵乘法的范数之比C (H, E) =‖SE‖/‖AE‖

应当指出:①归纳概率函数是归纳确认度函数的极大值, 即C (H, E) ≤P (H, E) ;②归纳概率是经验概率与逻辑概率的线性和, 即P (H, E) =α·P (H, E₀) +β·P (H, E₁) ;在某些特定条件下, 归纳确认度函数可转化为归纳概率函数。

4.3.2 在广义归纳逻辑因果模型构造下, 在可能的因果世界的标准样本空间中, 以含有因果联系信息的状 (变) 态矩阵M为背景 (大前提) , 要获得原因A在某个状 (变) 态A^*_t (作为一个小前提) 下所能导致结果的状 (变) 态S (结论) , 其归纳推理模式为:

M₀:Φ^[0]_i (A, t) →○ Φ^[0]_j (S, t′) 归纳大提前

S≜A^*_t。 (M₀+M_j) 归纳结论

(j=1, 2, …, n) (结果向量集合)

基础知识库可以使用4.1.1节中的方法构造。

4.3.3 在广义归纳逻辑因果模型构造下, 在非标准样本空间的可能因果世界中, 根据判定的因状 (变) 态输入向量α_t所属因状 (变) 态类型 (如A_{t (w)}型) 以及认定的局部大前提类型 (如A_{t (1)}→○ S_{t′ (1)}) , 可以在标准样本空间的状 (变) 态知识库中通过自组织的方式找到与其相匹配的唯一的知识矩阵 (M^*_σ) , 以M^*_σ为背景 (大前提) , 要获得原因A在某个状 (变) 态下所能导致结果的状态 (结论) , 其自动推理模式为:

M^*_σ (大前提)

α_t (小前提)

S^*≜α_t。M^*_σ

即其结论S^*可通过二次合成规则而获得。

4.3.4 以上的推理模型是建立在单一语言场的基础上的, 它也适用于以上所示的综合语言场中。

综上所述, 可以看出不确定因果归纳自动推理机制与通常模糊推理方法的区别在于:①不确定因果归纳自动推理机制给出了所考察现象领域为随机不确定性、模糊不确定性和定性信息集成下的推理机制;②不确定因果归纳自动推理机制可处理单调和非单调性的推理进程;③不确定因果归纳自动推理机制提供了一种可并行处理不同语言变量的推理过程;④不确定因果归纳自动推理机制对于推理结果可以给出基础变量区间下的量化解释;⑤不确定因果归纳自动推理机制更适用于因果关系类型的推理, 在智能控制等应用领域中有着特殊的重要意义。

《5 应用》

5 应用[9,10]

这种推理机制已应用于组合型空调智能控制器的设计和开发, 其控制流程图见图2。

在以温度、湿度、空气洁净度和空气流速为影响人感舒适度原因的控制系统中, 存在着综合、并行的多变量协调控制问题。基于上述推理机制的新型智能控制器已通过正式检测, 并证实在自组织、自寻优、自适应、自动调节和防止空调综合症等方面均优于目前较先进的模糊空调控制器。以现有空调器、加湿器、空气洁净器、通风机等构建的组合型空气调节装置, 将在新型控制器多变量的贯穿型、并行统一控制下协调工作。由第一作者设计的该空调智能控制器已经获得了国家发明专利, 并荣获第46届尤里卡国际发明博览会银奖。

《6 结论》

6 结论

在以语言场为描述框架和广义归纳逻辑因果模型的背景下, 讨论了基于模糊状态描述的不确定因果归纳自动推理机制的规则和算法, 同时给出了在因果状 (变) 态意义下的因果扰动响应的一种能行性可判定方法。即依据模型和相应的算法, 可以获得相应的结果信息并且在此基础之上自动地获得更新的知识去开发动态协调的知识库系统。这个结论在专家系统和复杂系统控制等领域的研究和开发中均有重要的应用。

《图2》

图2 控制流程图

Fig.2 Control flow chart

展示更多