信念的非修正处理方法及其自动推理研究

A key problem for commonsense reasoning is how to deal with the conflictions between or among beliefs. In this project we focus on the logical calculi and automated reasoning techniques in the process of dynamic evolution of beliefs. Given an inconsistent belief set, it may be able to obtain the most reliable consequences by proper control on the reasoning ways but with non static revision of the conflicting premises. Such formalism will be first provided for a clausal belief set, and its optimizations and restrictions for improvement of the performance and efficiency will also be considered. These frameworks will then be extended to the case while some reliability degrees of beliefs can be explicitly weighted by using a smooth algebraic lattice, so that the heuristic information of beliefs can be further used in the reasoning process. In order to cope with inexact reasoning,the qualitative formalism will be mapped to a computational model, in which the smooth algebraic lattice is instantiated as a concept lattice, and its cluster reduction methods will be proposed as well. Finally, our approach results will be verified in the inexact reasoning for ontology in a semantic web, rather than the present detection and deletion method of the potential inconsistencies. Our reasoning mechanism for inconsistengcy will be theoretically sound and intuitively reasonable, which could be of great benefit for knowledge-based reasoning to avoid the loss of useful information and the derivation of unwanted conclusions.

合理地处理信念之间的冲突是常识推理研究中的一个关键性问题。本项目研究信念在动态进化过程中的逻辑演算方法及其自动推理技术，对于含有冲突的信念集，通过控制推理方式但在静态上不对已有的信念进行修正，使系统推出它所能够推出的最为可靠的结论。对于子句型的信念集，建立冲突的非修正处理的形式化机制及其自动推理算法，通过对其性能和效率进行分析，给出其优化和限制策略；使用平滑代数格结构对信念进行加权，显式地描述信念的可靠程度，将其推广到基于不精确信念的推理范畴，以便于使推理能够更有效地利用启发性信息；将定性意义下的研究结果映射为一个可进行不精确推理的定量的计算模型，在其中将代数格实例化为概念格，建立其聚类约减方法；将所得到的研究结果在语义网本体不精确模型中进行验证，代替其冲突检查和矛盾删除机制。本项目研究的推理机制在容错上直观合理，有利于在推理过程中避免有用信息丢失和无用信息产生的现象。

合理地处理信念之间的冲突是基于知识的推理研究中的一个关键性问题。本项目研究信念在动态进化过程中的逻辑演算方法及其自动推理技术，对于含有冲突的信念集，用加权的方法刻画信念的可靠性程度，通过控制推理方式但在静态上不对已有的信念进行修正，使系统推出它所能够推出的最为可靠的结论。这种方法有利于在推理过程中避免有用信息丢失和无用信息产生的现象。.通过本项目的研究，所获得的主要结果如下：.⑴ 对于命题逻辑框架内的信念集,能够比较合理地使用归结推理方法定义假说的扩充。通过我们给出的信念集的冗余约简算法和假说扩充的生成算法，可以对信念集中的冗余信念进行约简，并使用一个等价的有限信念集合描述假说的扩充。在一阶逻辑框架中，我们能够将上述非修正推理方法推广到子句型信念集的情形下。.⑵ 我们使用粗糙集理论证明了传统决策约简模型和决策分辨约简模型是等价的，并给出了性能较好的的核求解算法和约简模型。所提出的新方法可以有效简化相关操作并能有效处理大规模数据。.⑶ 使用局部耦合极限学习机算法及其改进方案，可以提高神经网络处理分类及回归问题的效率。我们将模糊粗糙集与近邻算法相结合，给出了的基于核函数的模糊粗糙近邻分类方法，该方法适用于风险评估；使用基于进化极限学习机的加权近邻平等分类算法，能够较好地处理可靠特性的作用，有效减少噪声点的干扰，得到更好的分类结果。.⑷ 通过扩展描述逻辑程序，可以解决描述逻辑的表达能力较差的问题，使其能够同时处理不精确性、不确定性及非单调性信息。利用扩展对偶方法，能够将模糊非线性编程问题转换为与之等价的扩展对偶问题进行求解。.⑸ 将模糊集和粗糙集理论与本体理论相结合，建立了基于不精确本体的推理方法。使用可视化的表现形式，实现了一个能够基于不一致的信念采用非修正方法进行推理的原型系统。