基于粗糙集理论的知识不确定性度量与规则获取方法研究—博士毕业论文下载
很抱谦，您的浏览器并不支持 IFrame，请与管理员联系，也可。
基于粗糙集理论的知识不确定性度量与规则获取方法研究
硕士博士毕业论文站内搜索
全站论文库
硕士博士论文库
普通期刊论文库
分类：→工业技术论文→→→→
基于粗糙集理论的知识不确定性度量与规则获取方法研究
[博士论文]论文目录&摘要第1-10页 ABSTRACT第10-12页 致谢第12-20页 第一章 绪论第20-32页 　　· 引言第20-21页 　　· 粗糙集理论研究概况第21-24页 　　　　· 粗糙集理论主要研究方向第21-22页 　　　　· 粗糙集理论的相关研究第22-24页 　　· 粗糙集理论基础第24-29页 　　　　· 粗糙集理论的基本概念第24-27页 　　　　· 基于粗糙集理论的知识约简第27-29页 　　　　· 常用的知识约简算法第29页 　　· 本文的研究内容与结构第29-32页 　　　　· 本文的研究内容第29-30页 　　　　· 本文的组织结构第30-32页 第二章 知识和粗集的不确定性度量第32-53页 　　· 引言第32页 　　· 通常意义下的知识粗糙熵与粗集粗糙熵第32-33页 　　· 基于边界域的知识粗糙熵与粗集粗糙熵第33-41页 　　　　· 基于边界域的知识粗糙熵第34-36页 　　　　· 基于边界域的粗集粗糙熵第36-37页 　　　　· 边界条件熵第37-41页 　　　　　　· 通常意义下的条件熵第37-38页 　　　　　　· 基于边界域的条件熵第38-40页 　　　　　　· 边界条件熵若干性质第40-41页 　　· 基于极大相容块技术的知识和粗集粗糙性度量第41-48页 　　　　· 基于相容类的知识粗糙熵与粗集粗糙度第42-43页 　　　　· 基于极大相容块的知识粗糙性度量第43-45页 　　　　　　· 极大相容块的定义第43-44页 　　　　　　· 基于极大相容块的知识粗糙熵第44-45页 　　　　· 基于极大相容块的粗集粗糙性度量第45-48页 　　　　　　· 粗集粗糙度第45-47页 　　　　　　· 粗集粗集熵第47-48页 　　· 属性约简算法及在定性推理中的应用第48-52页 　　　　· 基于知识信息熵的属性约简算法第48-49页 　　　　· KIEBAFR算法在定性推理中的应用第49-50页 　　　　· 基于边界条件熵的属性约简算法第50-52页 　　· 本章小结第52-53页 第三章 变精度参数的估计第53-65页 　　· 引言第53页 　　· 变精度粗糙集模型的基本概念第53-55页 　　· 决策表度量与变精度参数的估计第55-64页 　　　　· 决策表两种度量方法第55-58页 　　　　　　· 决策表的确定性度量第55-56页 　　　　　　· 决策表的相对可辨识性第56-58页 　　　　· β值的估计方法第58-60页 　　　　　　· 基于决策表确定性的β值估计第58-59页 　　　　　　· 基于决策表相对可辨识性的p阈值计算方法第59-60页 　　　　· β对知识约简的影响第60-63页 　　　　　　· β上(下)分布约简第60-61页 　　　　　　· β值对上(下)分布约简的影响第61页 　　　　　　· β值对下近似约简的影响第61-63页 　　　　· 实验结果第63-64页 　　· 本章小结第64-65页 第四章 动态数据环境下的归纳学习第65-75页 　　· 引言第65页 　　· 分辨矩阵第65-66页 　　· 分割数据集和归纳学习第66-74页 　　　　· 数据集分割方法第66-69页 　　　　· 决策矩阵的归纳学习第69-71页 　　　　　　· 归纳学习方法第69-70页 　　　　　　· 粗糙集归纳学习算法第70-71页 　　　　· 动态数据环境下的归纳学习算法第71页 　　　　· 应用实例第71-73页 　　　　· 实验结果第73-74页 　　· 本章小结第74-75页 第五章 基于联合决策矩阵的规则获取方法第75-90页 　　· 引言第75页 　　· 完备信息系统规则获取第75-82页 　　　　· 等价矩阵与联合决策等价矩阵第77-79页 　　　　· 规则获取的联合决策等价矩阵算法第79-80页 　　　　　　· 规则获取算法第79页 　　　　　　· 算法分析第79-80页 　　　　· 应用实例第80-81页 　　　　· 实验结果第81-82页 　　· 不完备系统中规则提取的快速矩阵算法第82-89页 　　　　· 广义决策函数与广义决策系统第82-84页 　　　　· 相容矩阵与联合决策相容矩阵第84-86页 　　　　· 快速联合决策相容矩阵算法第86-87页 　　　　　　· 多类决策系统的转换方法第86页 　　　　　　· 算法描述第86-87页 　　　　· 应用实例第87-88页 　　　　· 实验结果第88-89页 　　· 本章小结第89-90页 第六章 基于矩阵分块的规则获取方法第90-111页 　　· 引言第90页 　　· 大数据集上任意分割及其规则获取第90-100页 　　　　· 等价矩阵与大数据集的分割原则第91-95页 　　　　　　· 决策系统间的等价矩阵第91-94页 　　　　　　· 大数据集任意分割原则第94-95页 　　　　· 基于任意分割的规则获取矩阵分块算法第95-97页 　　　　　　· 算法描述第95-97页 　　　　　　· 复杂度分析第97页 　　　　· 实例分析第97-99页 　　　　· 实验结果第99-100页 　　· 大数据集上快速矩阵分块算法第100-109页 　　　　· 基于决策类的分割与联合决策矩阵第100-103页 　　　　· 规则提取快速矩阵分块算法第103-106页 　　　　　　· 算法描述第103-105页 　　　　　　· 复杂度分析第105-106页 　　　　· 实例分析第106-108页 　　　　· 实验结果第108-109页 　　· 本章小结第109-111页 第七章 结束语第111-113页 　　· 主要工作及创新点第111页 　　· 下一步工作第111-113页 参考文献第113-120页 攻读博士学位期间主要研究成果第120-121页
本篇论文共<font color='#FF页，
更多相关论文
栏 目 导 航
版权申明：目录制作网站：，本站并未收录论文原文，如果你是作者，需要删除这篇论文目录，。
||||||||||
Copyright(C) All Rights Reserved基于bdd的知识库规则产生式的检查方法
基于bdd的知识库规则产生式的检查方法
【专利摘要】本发明公开了一种基于BDD的知识库规则产生式的检查方法，其特征在于：所述检查方法是在基于推理规则产生式来构建推理机RETE网络的alpha节点网络时，对每一条输入的规则执行如下步骤检查：1）将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否可满足；2）将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否永远为真。本发明实现了过滤知识库中存在逻辑错误的规则，用于对推理规则的可满足性和永远为真的情况进行可自动化的检查。
【专利说明】基于BDD的知识库规则产生式的检查方法
【技术领域】
[0001]本发明属于专家系统推理规则产生式合理性验证领域，具体地说，涉及一种基于BDD的知识库规则产生式的检查方法。
【背景技术】
[0002]专家系统规则库中的规则具有相同的结构，即“if…then…”结构。规则由左边(LHS, Left hand side)、右边(RHS, Right hand side)两部分组成，构成 if (LHS) then(RHS)的结构。左边(LHS)由一个或多个正、负模式组成，右边的(RHS)由一个或多个结论组成。每一个模式，都需要相对应的事实去匹配，如果一条规则所包含的模式都得到满足，那么称这条规则被满足。
[0003]把每个模式用一个原子命题来表示，这样规则I的左边可以表示为一个命题逻辑表达式:
[0004]P=(templatelarrl=5arr2=6arr3= ‘X，)
[0005]Q=(template2arrl=6arr2=5arr3= ‘X，)
[0006]R=(template3arrl=7arr2=l)
[0007]LHS= (P or Q) and R
[0008]由于推理规则由具有领域专业背景的人来编写，当规则变得复杂和冗长时，编写的规则不可避免的会存在错误。其中逻辑上的错误包括产生式的LHS会出现不可满足的情况，或者永远为真的情况。这里的“不可满足”是指，没有任何一个变量赋值组合能够使表达式值为真。“永远为真”是指，任何变量赋值组合都会使表达式值为真，即:该表达式是”永真式”。这两种逻辑上的错误会导致RETE网络的alpha节点存放多余的信息，浪费了系统资源，更严重的问题是:这样的逻辑错误会让推理机推导时进行大量无意义的模式匹配，降低了推理的效率。因此，专家系统知识库中规则的LHS不应该出现这2种情况。一个有实际意义的规则必须是可满足的，并且不是永远为真的。
[0009]目前，推理机的实现通常采用RETE算法，将所有知识库规则转化成模式网络(又叫alpha节点网络)。这样匹配模式网络设计是为专家系统推理时高效的将事实和规则进行动态匹配。但是，构建出的alpha模式网络，对节点进行了复用，不可进行单条规则的逻辑上的验证。
[0010]综合了之前对规则产生式逻辑性的考虑，对于知识库里庞大而且复杂的规则产生式，我们需要一种可自动化的方法来验证每条规则是否可满足和是否永远为真。一旦我们检查推理规则的时候发现不可满足或者永远为真的情况，则不把该条规则加入到alpha模式网络中。
【发明内容】
[0011]本发明要解决的技术问题是克服上述缺陷，提供一种基于BDD的知识库规则产生式的检查方法，在构建表示知识库的RETE网络时，将专家系统的规则产生式转化成二叉决策图(BDD)，通过对这个BDD进行逻辑分析，可以检查出一些有逻辑错误的规则，从而达到对知识库的规则进行筛选的目的。
[0012]为解决上述问题，本发明所采用的技术方案是:
[0013]一种基于BDD的知识库规则产生式的检查方法，其特征在于:所述检查方法是在基于推理规则产生式来构建推理机RETE网络的alpha节点网络时，对每一条输入的规则执行如下步骤检查:
[0014]I)、将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否可满足；
[0015]2)、将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否永远为真。
[0016]作为一种改进的技术方案，在所述步骤I)中，将推理规则产生式Rp转换成命题逻辑表达式P，再将P转换成对应的BDD形式。
[0017]作为一种改进的技术方案，所述遍历步骤2)中生成的这个BDD，如果能够从根节点出发找到值为I的终端节点，则表明表达式Rp是可满足的；否则，表明Rp是不可满足的；如果从根节点出发，遍历的所有的终端节点都是1，则表明Rp是重言式。
[0018]由于采用了上述技术方案，与现有技术相比，本发明中规则库由人来编写，因此当规则冗长或者复杂时，难免会存在逻辑错误。知识库中如果存在逻辑错误的规则，会降低推理机的执行效率。本发明在构建表示知识库的RETE网络时，将专家系统的规则产生式转化成二叉决策图，通过对这个BDD进行逻辑分析，可以检查出一些有逻辑错误的规则，从而达到对知识库的规则进行筛选的目的，实现了过滤知识库中存在逻辑错误的规则，用于对推理规则的可满足性和永远为真的情况进行可自动化的检查。
【具体实施方式】
[0019]实施例:
[0020]一种基于BDD的知识库规则产生式的检查方法的步骤如下:
[0021]步骤1:在基于推理规则产生式来构建推理机RETE网络的alpha节点网络时，对每一条输入的规则执行如下步骤检查；
[0022]步骤2:将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否可满足
[0023]步骤3:将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否永远为真.[0024]在本实施例中，在所述步骤I中，将推理规则产生式Rp转换成命题逻辑表达式P，再将P转换成对应的BDD形式。
[0025]步骤2中，遍历步骤2中生成的这个BDD，如果能够从根节点出发找到值为I的终端节点，则表明表达式Rp是可满足的；否则，表明Rp是不可满足的。如果从根节点出发，遍历的所有的终端节点都是1，则表明Rp是重言式。
[0026]一种基于BDD的知识库规则产生式的检查方法，从步骤I中构建alpha节点网络开始，执行如下步骤:
[0027]I)、创建根节点；[0028]2)、从知识库取出一条规则，比如规则I ;
[0029]3)、使用基于BDD的逻辑检查方法检查规则I是否可满足，以及是否为永真式。如果检查不通过，返回2)。
[0030]4)、从规则I中取出模式X，检查模式中的参数类型，如果是新类型，则加入一个类型节点；
[0031]5)、从模式X构建alpha节点和alpha寄存器。如果规则I中还有其它模式，返回4)。否则，返回2)。
[0032]在本实施例中，步骤3的实施方法如下:
[)、将规则产生式左边LHS转换成相应的二叉决策树BDT。
[)、将这个二叉决策树转换成等价的二叉决策图(BDD)。这个BDD是通过对3.1中的BDT简化得到的。
[)、遍历这个二叉决策图的全部终端节点。如果终端节点有O值也有I值，检查通过。否则检查不通过。
[0036]将BDT简化得到BDD的步骤是:
[0037]I)、在BDT中移除所有重复的终端节点，即合并所有的I值节点和所有的O值节点。
[0038]2)、移除多余的测试节点，即所有从节点η出发的边都指向节点m，则可以移除节点n，将η原有的输入边直接指向m。
[0039]3)、移除重复的中间节点。即，如果2个中间节点(m和η)的子树的结构完全相同，则可以删除一个节点(比如m),然后把原来射向m的边全部射向η。
[0040]以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
【权利要求】
1.一种基于BDD的知识库规则产生式的检查方法，其特征在于:所述检查方法是在基于推理规则产生式来构建推理机RETE网络的alpha节点网络时，对每一条输入的规则执行如下步骤检查:
1)、将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否可满足；
2)、将一条已有规则产生式Rp转换成相对应的BDD，通过遍历这个BDD检查Rp是否永远为真。
2.根据权利要求1中所述的基于BDD的知识库规则产生式的检查方法，其特征在于:在所述步骤I)中，将推理规则产生式Rp转换成命题逻辑表达式P，再将P转换成对应的BDD形式。
3.根据权利要求2中所述的基于BDD的知识库规则产生式的检查方法，其特征在于:所述遍历步骤2)中生成的这个BDD，如果能够从根节点出发找到值为I的终端节点，则表明表达式Rp是可满足的；否则，表明Rp是不可满足的；如果从根节点出发，遍历的所有的终端节点都是I，则表明Rp是重目式。
【文档编号】G06N5/04GKSQ
【公开日】日
申请日期:日
优先权日:日
【发明者】崔小磊, 周启平, 刘大鹏, 任永青, 陈星宇
申请人:北京神舟航天软件技术有限公司君，已阅读到文档的结尾了呢~~
&#46;&#46;&#46; 在更新的逐月NDVI数据和DEM数据形成的13维 特征空间中，计算栅格点样本特征向量到聚类中心的欧氏距离，以欧氏距离最小作为判定类 别的标准。USGS GLCC数据库欧亚大陆属性表中仅含有24个USGS类别中的21个，不含 有的是城市与建设用地类&#40;USGS用掩模确定此类&#41;、旱地 &#46;&#46;&#46;
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
基于知识规则的土地利用&#47;土地覆被分类方法
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口