智能推理

2024-10-16

智能推理（精选9篇）

智能推理篇1

近年来,随着物联网、移动互联网、人工智能等信息技术的发展,多种不同功能的安防、娱乐、节能、健康等智能家居系统开始融入千家万户,先进技术的广泛应用使普通大众日常生活质量显著提高[1]。复杂的智能家居系统通常会存在多种不同功能的智能设备,物联网感知模块从家居设备获取感知数据后,通过家庭智能整合平台所提供的功能,把这些功能转换为面向用户的终端远程控制、监测等服务[2]。

尽管智能家居技术发展取得较大进步,但真正实现智能家居“以人为本”的服务本质,还存在较大距离。未来的智能家居应当重点体现在对家庭主人服务的“智能”上,即根据家庭环境、主人位置、主人情绪、时间等因素的变化,主动的提供适应的服务。为此,需要持续关注智能家居关键技术发展,本文研究了一种支持语义推理的智能家居系统,通过在智能家居物联网系统中引入语义元素,实现智能家居语义推理,达到真正智能家居服务的目的。

1 物联网语义架构

为解决物联网技术快速发展过程中出现的异构互联及平台智能化问题,众多学者和组织对物联网语义技术进行了广泛研究。国际标准化组织One M2M在制定物联网标准时,将语义技术引入到物联网中,使其支持知识推理功能,增强了物联网的智能性[3]。结合智能家居环境中对语义物联网的需求,本文对one M2M语义功能模型进行改进,提出了图1所示的语义架构。主要改进体现在以下两方面:增加与设备控制功能相关的内容,包括指令集和指令处理模块;设置设备对象池,存储设备对象,包括与物理设备对应的设备实例、由物理设备基本功能抽象出的抽象设备、mash-up产生的虚拟设备。

语义分析与查询:对应用端指令进行语义解析(包括直接解析,或调用推理过程),转换为对资源URL进行CRUD操作的REST指令,发送给数据处理或指令处理模块。

推理:针对语义分析与查询模块发送的指令,基于预设规则,在已有设备(包括设备实例和虚拟设备)中获取对象资源,并确定指令类型;当未获取到唯一对象资源时,调用语义组合模块。

语义组合:按照特定规则,通过对不同来源的抽象设备和虚拟设备进行聚合,向用户提供新的服务。该过程可由用户需求触发,也可由平台主动触发。

本体建模:离线过程,针对每种新资源(包括设备、用户等),预先创建本体模型。

语义标注:为设备实例及抽象设备添加语义信息。

设备抽象:新物理设备上线时,创建与之一一对应的设备实例,并对物理设备的主要功能进行抽象,产生若干抽象设备。

指令处理:将平台内部指令转换为物理设备可识别的私有指令,并完成指令的封装。

数据处理:一方面,对物理设备发来的数据进行正确性及有效性验证,转换为统一格式后存入数据库;另一方面,建立并维护数据库,按需对数据库中的数据进行修改、删除等操作。

本体库:用于存储本体模型。

设备对象池:包括3部分,设备实例与物理设备一一对应,抽象设备是对物理设备基本功能的抽象,虚拟设备通过mash-up过程产生。

指令库:用于存储物理设备可识别的私有指令集(如机器码),并维护平台内部指令和设备私有指令之间的映射关系。

数据库:用于存储经过处理的设备数据。

2 智能家居本体构建与查询

2.1 智能家居本体构建

现代家庭对生活质量的要求日益提高,智能家居系统需要满足家庭主人的各种生活服务需求,多数文章[4,5]中仅对家庭监控、照明中的单种需求进行分析。为此,从全面性出发,本文对家庭安全、健康、舒适、通信、理财、教育、娱乐等各种服务需求进行了分析,因篇幅原因仅给出结构图,如图2所示。

由图可见,在复杂智能家居环境中要为家庭提供众多的人性化服务需要家用电器类、设备类、器械类、传感器类等近百种智能设备的支持。在上述物联网语义架构中,智能家居环境中的设备本体构建是语义推理的基础,对于每一个具体型号的智能家居设备,都需要建立与之对应的本体模型,本文中设计了如图3所示的本体模型结构,包括设备基本信息Device Info、设备运行状态Running Status、功能Function、规则Rule、数据Data等5部分。

其中,Device Info家庭设备基本信息包括了设备id号、设备名称、本体模型资源标识、设备型号、设备制造商、设备类型等信息;Running Status设备运行状态用于描述设备的运行模式、各项功能on/off状态等信息;Function设备功能记录了对应的设备私有指令、参数列表、是否支持自动mash-up等信息;Rule设备规则记录了设备的运行或数据处理规则等;Data设备数据记录了数据类型、当前值、数据单位及数据的处理规则等信息。

本文采用W3C推荐的OWL语言对家居设备进行本体建模,OWL主要包括类Class和属性Property两个元素,类与类之间的关系可通过三元组的方式来表达,可使用Object Property表示对象类之间的关系,使用Data Property表示对象类与数据类之间的关系[6]。利用Protégé软件构建了一个智能家居的设备本体OWL描述文件,由于篇幅原因仅截取部分,如下所示:

2.2 智能家居语义查询

在家居设备本体模型设计好后,对于实例模型资源的描述可根据设备资源的信息以语义本体为基础进行注释。另外,在众多语义数据中搜索目标对象,使用SPARQL语言进行查询[7],其基本格式如下所示:

查询时根据SPARQL描述的三元组关系对.owl文件中的参数数据进行匹配,从而找到目标对象。

3 智能家居服务语义推理

以本体模型为基础的语义技术随着业务关系复杂程度的提高得到不断发展,语义网规则语言(SWRL)以语义网本体语言(OWL)为基础,融合了Rule ML多规则描述方式,具有较强的规则描述能力和语义推理能力[8]。本文采用SWRL技术对智能家居中的众多复杂服务进行语义表达和规则建立,并结合JENA推理机进行推理。

在智能家居环境中要为用户提供个性化服务,可定义各种不同的服务模式。在各种家居设备功能定义的规则基础上,通过定义新的SWRL规则进行语义组合向用户提供人性化服务。SWRL规则由antecedent前提部分、consequent结论部分及多个元素atom组成,并使用统一资源定位符URI指定,其形式表达如下[9]:

其中,元素可以是数据型函数C(x)与关系型函数P(x,y),same As(x,y),different From(x,y)或者是builtIn(r,x)组成,其中可用“?”表示x变量。

以家庭有害气体一氧化碳、挥发性有机化合物(VOC)气体(例如甲醛)、二手烟、家庭油烟、家庭周边有害气体等防备服务为例,对各种气体检测传感器、新风、门窗、报警等设备给出了如表1的部分规则定义。

4 系统实现

系统平台采用Apache嵌入式Web服务器,开发语言及环境使用Java和Eclipse,数据库选用轻量级Sqlite数据库。本体建模使用Protégé本体编辑工具并采用OWL语言进行形式化描述,最后使用Jena推理机进行本体模型的包含性、一致性的检验及自定义规则的推理。系统运行界面如图4所示。

5 小结

随着“以人为本”观念的普及,人们对基于物联网的智能家居系统已不再满足简单的远程控制和管理功能,而更多关注其自动性和智能性。本文在分析多种智能家居服务的基础上,构建了智能家居本体知识,研究实现了具有语义推理功能的智能家居系统,该工作对智能家居系统的智能化应用发展具有指导意义。

参考文献

[1]朱敏玲,李宁.智能家居发展现状及未来浅析[J].电视技术,2014,38(4):82-85.

[2]吕显朋,刘彦隆,王相国.基于物联网的智能家居系统设计[J].电视技术,2013,37(24):43-48.

[3]毛峻岭,贾雪琴,刘红旗.物联网语义架构和语义关键技术研究[J].信息通信技术,2014(5):26-31.

[4]赵立辉,王京,霍春宝.基于物联网的智能家居监控系统设计[J].电视技术,2013,37(22):82-84.

[5]吴迪,徐卫林,覃玉良,等.基于Android的智能家居照明系统[J].电视技术,2015,39(18):12-15.

[6]W3C.Web ontology language document overview[EB/OL].[2015-12-10].http://www.w3.org/TR/owl2-overview/.

[7]W3C.SPARQL overview[EB/OL].[2015-12-10].http://www.w3.org/TR/sparql11-overview/.

[8]李从东,谢天,汤勇力.基于SWRL的制造系统知识表达与按需服务过程推理框架[J].计算机集成制造系统,2013(1):188-198.

[9]金保华,林青,付中举,等.基于SWRL的应急案例库的知识表示及推理方法研究[J].科学技术与工程,2012(12):9049-9055.

智能推理篇2

正向推理

正向推理指的是最后的答案往往是和文章所描述的内容一致的，而这种特征一般视为“整体”和“部分”的一致性，所以正向推理也被称为“整体与部分推理”。

正向推理包含两种主要情形，一种叫做给定段里面没有推理对象的情况，另外一种叫做有举例引发的“整体与部分推理”。所谓“整体与部分推理”，就是文章里面讲述一个特质是A，下面选项中的特征也是A，这个特质本身没有变化。文章里面讲什么特质，下面选项中就是什么特质，只不过一个是“整体”，一个是“部分”而已。

逆向推理

“逆向推理”又叫“取非式推理”，文章中讲的是A，下面选项里最终答案是“非A”，此推理包含三种情形。

1.由新时间点引发的逆向推理

比如“now”表示现在，含有典型的暗转折含义。事实上，凡是时间点概念，都暗示着转折。比如说：澳门回归了，这意味着19之前澳门没有回归。这条原则可能听起来怪怪的，但意义重大，以后我们做托福文章要比其他没有经历过严格训练的同学多长一个心眼，但凡是有时间点出现，就意味着前后的特质不一致，而这恰好是考点。

2.由新地点引发的逆向推理

事实上，它和第一点的内涵是一致的，可以被统称为“分类取非”。在文章中经常会出现把一个大类分成两个小类的情况，比如文章里面讲述生物分为两类，一类是动物，一类是植物，这时文章里面会谈到动物和植物的“不同点”而不会是“相同点”。

3.由特定词引发的逆向推理

这一类词包括unlike、without以及所有能够表示“比例”的词等。一般推理题只要找准用来推理的句子，然后按照上面两种方法来做就不会有什么问题了。

只要掌握了这些技巧，当你在做托福阅读时，也能像侦探一样进行“推理”了。

托福阅读长难句：清洗陶瓷碎片

This abundance is notable in Roman settlements (especially urban sites) (where the labor (that archaeologists have to put into the washing and sorting of potsherds (fragments of pottery)) constitutes a high proportion of the total work during the initial phases ofexcavation).(TPO29, 42)

分析：

这个句子主干就是：

This abundance is notable in Roman settlements

这个句子理解的难点在于，where从句里中间有一个定语从句，把the labor和constitute隔开了，大家注意这样一个问题。这个问题只要能够理解，速读就不是问题了。

修饰一：(where the labor constitutes a high proportion of the total work during the initial phases of excavation)，从句

中文：在这些地方劳动占了挖掘初期总工作量的很高的比例

修饰二：(that archaeologists have to put into the washing and sorting of potsherds (fragments of pottery)) ，从句，修饰labor，难点就在于这个从句的理解，其实就是put the labor into the washing and storing of pots herds

中文：考古学家花在清洗分类陶瓷碎片上的劳动

参考翻译：

这种丰富性在罗马居住点(尤其在城市)很明显，在这些地方考古学家花在清洗分类陶瓷碎片上的劳动占了挖掘初期总工作量的很高的比例。

托福阅读长难句：学龄前预备项目

(In addition), results (from other types of preschool readiness programs)indicate that those (who participate and graduate) are less like to repeat grades, and they are more likely to complete school than readiness program, (for every dollar spent on the program, taxpayers saved seven dollars by the time the graduates reached the age of 27.)(TPO31, 55)

分析：

这个句子的主干：results indicate that

后面从句是一个并列结构：those are less like to repeat grades, and they are more likely to complete schoolthan readiness program

修饰一：(In addition)，介词短语

中文：另外

修饰二：(from other types of preschool readiness programs)，介词短语

中文：来自其他类型的学龄前预备项目

修饰三：(who participate and graduate)，从句，修饰those

中文：参加并且毕业

修饰四：(for every dollar spent on the program, taxpayers saved seven dollars by the time the graduates reached the age of 27.)，从句

注意从句里面还有一个从句，即by the time+从句 the graduates reached the age of 27，此处的by the time可看成连词，像anytime/every time/the moment一样。

中文：因为花在这个项目的每一美元，在毕业生27岁时，纳税人可以节约7美元

参考翻译：

智能设计系统中的实例推理应用篇3

智能设计系统属于设计型专家系统，其任务是根据给定的要求形成所需的方案或图形描述，利用计算机全部或部分辅助代替人类设计师从事“初始设计———评价———再设计———……”的设计过程。[1]推理机是智能设计系统中的核心部件之一，采用实例推理技术(CBR)能够模拟人类工程师的思维，避免重复劳动，从而减轻设计师的工作量，缩短产品设计周期。本论文以国家自然基金资助项目甘蔗收割机智能设计系统———SHIDS(Sugarcane Harvester Intelligent Design System)为例，介绍其推理机模块中的实例推理技术应用。

2 SHIDS系统实例推理模块

SHIDS系统首先针对用户提出的设计要求和使用条件(比如甘蔗破头率、切割损伤、损耗功率等)完成甘蔗收割机各部件的功能设计和选型设计，并返回给用户若干个可行设计方案，用户可根据各方案的实例评价及置信度建议进行选择或修改，直至得到满意方案并以文本输出，再以设计获得的主参数驱动生成数字样机。系统主要由数据库、知识库、推理机、人机接口、CAD/CAE/CAM/PDM等几个模块组成，其中知识库和推理机是专家系统中必不可少的组成部分，是基于知识推理的基础和核心。

本论文是在知识库构建完成的基础上，基于该知识库中的成功案例，实现其推理模块。实例推理能够模拟设计师的设计过程，其核心就是利用已经设计好的方案，根据新的需求，找出最合适的方案进行改进。利用基于实例的推理，也有一些固有不足，例如缺乏比较好的实例改进方法，这就需要和规则推理结合使用。在进行实例修改的步骤中，利用广泛的行业知识，大量设计师的共同经验构建规则库，对实例推理出来的实例进行规则化，让其首先满足一般设计需求，从而减轻设计师手工修改的工作量。因此，该推理机采用规则推理对实例推理进行有益的补充，以取得更强的推理能力。本系统即采用实例推理和规则推理相结合的方法，首先进行实例推理，然后将规则推理应用到实例的改进步骤中，其推理流程如图1所示。

3 SHIDS系统实例推理流程

3.1 指定索引

本论文采用ART网络算法将实例库中的部件按其特征进行分类，划分为若干小的子集，检索时只需在相应的子集中进行，从而不用检索整个部件的实例库，提高检索效率。层次组织关系如图2所示。

其层次算法可描述如下：

Step1.根据实例特征取值时，特征存在取1不存在取0的方法，对实例特征编码，构成原始索引;

Step2.将原始索引输入网络，设置适当警戒参数，提取一级索引;

Step3.从原始索引中剔除一级索引公共成分，输入网络提取二级索引，依此类推，获得满意的N级索引，并存取各级结构参数;

Step4.根据层次索引和结果，建立实例库。

2.2实例检索

实例检索的关键是检索算法的选取，本论文采用最近邻法，根据计算所得的相似度在实例库中寻找最佳实例。具体做法如下[2]：

Step1.把用作索引的各项表示为R(R1,R2，……Rn)，以剥叶子模块为例，取含杂率，滚筒转速与剥叶功率。

Step2.对每项设定一个权值W(W1,W2，……Wn)，其中权值Wi和索引项Ri一一对应，权值在0-1之间，各索引项权值和为1，其大小由设计工程师根据经验设定。

Step3.对于实例库中的实例，取出相应于索引项的值，表示为F(f1,f2……fi)，计算其相似度，本论文中采用改进后的加权最近邻算法，公式如下：

其中，Rangei是知识库所有的实例在第i个索引项的最大值和最小值之差。该算法考虑了实例库中取值范围的影响，用相对位置而不是绝对值来判断两者的相似程度。

Step4.重复Step3,直到该实例库子集中所有实例相似度都已求解，表示为Simarity={Sim1,Sim2……Sim m}，m是所有实例数。可以找出Simarity中前N个实例，即Sim1>Sim2>……>Simn，本论文中n取3。

Step5.实例提取阶段列出的候选实例中，通过计算得出的每个实例相似度(Simi)，当Simi≥0.9时,接受该实例作为新设计的一个解，当Simi∈[0.2,0.9]，该实例应加以修改，当Simi<0.1时认为无相似实例。

3.3 实例评价

对于被接受的实例(提议解)，只能说明它与用户需求相似，并不能肯定其工作性能良好，可通过实例评价模块进行性能验证，SHIDS系统具有专门的评价模块，调用该模块可以对提议解进行模糊推理和BT预测的双重评价。评价后的最终结果，引进置信度的方法将其量化，如果置信度较高，则说明该实例满足实际工作中的设计要求，认定为成功实例，以文本形式输出并保存于相应文件夹内，且提供给用户图形显示(前提：数据库中存在该图形);反之，则认为该实例失败，不符合实际工作性能要求，建议修改，修改时从评价模块返回推理界面，调用实例修改模块。

3.4 实例修改

在实例修改模块中，给出用户需求与该实例的索引项之间的对比，以及该实例的各主要性能参数，由设计工程师根据本系统中的规则推理模块(RBR)所提供的参考方案及实际工作经验自行手动修改，修改后的实例是否可行，有无改进，则需要再次调用评价模块对其进行相应评价，并且仍采用置信度算法衡量其成败，成功则输出保存，失败则重复上述步骤，直至成功。

4 SHIDS系统应用举例

以剥叶模块为例，根据系统要求模拟用户输入，甘蔗根数(根)：1，滚筒转速(rpm):850，剥叶功率(KW):2.6，含杂率(%)：0.7。点击“确定”，系统推理后给出三个候选方案，提供缺省方案(缺省状态下为相似度最大的方案)的专家解释，点击“实例输出”按钮，可进入实例输出界面，通过界面左下方“评价”按钮再进入实例评价界面，在这里可以点击“模糊推理”和“BP评价”两个按钮分别进行实例的性能验证，并可通过“置信度”按钮打开置信度界面对其量化分析，如置信度较高则直接以文本形式输出并保存于SHIDS目录下的“CaseReasoning”子目录中，反之则通过相应按钮调用实例修改模块进行修改。SHIDS实例推理，实例评价，文本输出，实例修改界面分别如图3、图4、图5、图6所示：

5 结论

实例推理成功与否以及推理质量的优劣，关键取决于实例库中已有实例的数量和质量，然而国内外技术成熟的小型甘蔗收获机械实例较少，缺乏高质量的成功实例，故本论文采用了降低成功实例量化标准的手段以保证推理顺利完成，系统所依托的实例知识库有待进一步扩充和完善。

参考文献

[1]蒋占四,李尚平,邓劲莲.甘蔗收割机械智能设计系统的研究开发[J].计算机辅助设计与图形学学报,2004,16(12):1754-1757.

智能推理篇4

★指点迷津★

一、归纳推理：

1、运用归纳推理的一般步骤是什么？

首先，通过观察特例发现某些相似性（特例的共性或一般规律）；然后，把这种相似性推广为一个明确表述的一般命题（猜想）；然后，对所得的一般性命题进行检验。

2、在数学上，检验的标准是什么？标准是是否能进行严格的证明。

3、归纳推理的一般模式是什么？

S1具有P；S2具有P；„„；Sn具有P（S1、S2、„、Sn是A类事件的对象）所以A类事件具有P

二、类比推理：

1、类比推理的思维过程是什么？

观察、比较

2、类比推理的一般步骤是什么？（1）找出两类事物之间的相似性或一致性；（2）用一类事物的性质去推测另一类事物的性质，得出一个明确的命题（猜想）。

3、类比推理的特点是什么？（1）类比推理是从特殊到特殊的推理；（2）类比推理是从人么已经掌

握了的事物特征，推测出正在被研究中的事物的特征，所以类比推理的结果具有猜测性，不一定可靠。类比推理以旧的知识作基础，推测性的结果，具有发现的功能。

三、演绎推理：

1、什么是大前提、小前提？三段论中包含了3个命题，第一个命题称为大前提，它提供了一个一般性的原理；第二个命题叫小前提，它指出了一个特殊对象。

2、三段论中的大前提、小前提能省略吗？在运用三段论推理时，常常采用省略大前提或小前提的表达方式。

3、演绎推理是否能作为严格的证明工具？能。演绎推理是根据已有的事实和正确的结论（包括定义、公理、定理），按照严格的逻辑法则得到新结论的推理过程。因此可以作为证明工具。★基础与能力练习★

1.归纳推理和类比推理的相似之处为（）

A、都是从一般到一般B、都是从一般到特殊C、都是从特殊到特殊D、都不一定正确 2.命题“有些有理数是无限循环小数，整数是有理数，所以整数是无限循环小数”是假命题，推理错误的原因是使用了（）

A．大前提错误B．小前提错误C．推理形式错误D．非以上错误 3.三角形的面积为S

2abcr,a,b,c为三角形的边长，r为三角形内切圆的半径，利用类比推理，可得出四面体的体积为（）

A、V

13abcB、V13ShC、V

13S1S2S3S4r（S1,S2,S3,S4分别为四面体的四个面的面积，r为四面体内切球的半径）D、V

13(abbcac)h,(h为四面体的高)4.当n1，2，3，4，5，6时，比较2n和n

2的大小并猜想（）

A.n1时，2nn2B.n3时，2nn2C.n4时，2nn2D.n5时，2nn2

5.已知数列an的前n项和为Sn，且a11,Snn2a*

n nN，试归纳猜想出Sn的表达式为

（）A、2nn1B、2n1n1C、2n12n

n1D、n

26.为确保信息安全，信息需加密传输，发送方由明文密文（加密），接受方由密文明文（解密），已知加密规则为：明文a,b,c,d对应密文a2b,2bc,2c3d,4d，例如，明文1,2,3,4对应密文5,7,18,16．当接受方收到密文14,9,23,28时，则解密得到的明文为（）．A． 4，6，1，7B． 7，6，1，4C． 6，4，1，7D． 1，6，4，7 7.某地2011年第一季度应聘和招聘人数排行榜前5个行业的情况列表如下

若用同一行业中应聘人数与招聘人数比值的大小来衡量该行业的就业情况,则根据表中数据,就业形势一定是（）A．计算机行业好于化工行业B．建筑行业好于物流行业

C．机械行业最紧张D．营销行业比贸易行业紧张

8.补充下列推理的三段论：

（1）因为互为相反数的两个数的和为0，又因为a与b互为相反数且所以b=8.（2）因为又因为e2.71828是无限不循环小数，所以e是无理数． 9.在平面直角坐标系中，直线一般方程为AxByC0，圆心在(x0,y0)的圆的一般方程为(xx0)2(yy0)2r2；

则类似的，在空间直角坐标系中，平面的一般方程为________________,球心在(x0,y0,z0)的球的一般方程为_______________________.10.在平面几何里，有勾股定理：“设ABC的两边AB、AC互相垂直，则AB

2AC2

BC2

。”拓展到空间，类比平面几何的勾股定理，研究三棱锥的侧面积与底面积间的关系，可以得妯的正确结论是：“设三棱锥A-BCD的三个侧面ABC、ACD、ADB两两互相垂直，则”.11.类比等差数列的定义给出“等和数列”的定义：；已知数列an是等和数列，且a12，公和为5，那么a18的值为____________．这个数列的前n项和Sn的计算公式为______________________．

12.从1=1，14(12),149123,14916(1234)„，概括出第n个式子为．

13.对函数f(n),nN*，若满足f(n)n3

n100

f99,f98,f97和f96的值，猜测f2ffn5，fn31100.，试由f104,f103和

14.若函数f(n)k,其中nN，k是3.1415926535......的小数点后第n位数字，例如f(15.定义2)a*b4，则f{f.....f[f(7)]}（共2007个f）是向量a和b的“向量积”，它的长度|=.a*b||a||

b|sin,其中为向量a和b的夹角，若u(2,0),uv(1,则|u*(u

v)|=.16.设平面内有ｎ条直线(n3)，其中有且仅有两条直线互相平行，任意三条直线不过同一点．若用f(n)表示这ｎ条直线交点的个数，则f(4)=；当ｎ＞４时，f(n)＝（用n表示）.17.蜜蜂被认为是自然界中最杰出的建筑师，单个蜂巢可以近似地看作是一个正六边形，如图为一组蜂巢的截面图.其中第一个图有1个蜂巢，第二个图有7个蜂

巢，第三个图有19个蜂巢，按此规律，以f(n)表示第n幅图的蜂巢总数.则f(4)=_____;f(n)=_____________．

18.在等差数列an中，若a100，则有等式a1a2ana1a2a19nn19,nN*成20.已知数列a1,a2,,a30，其中a1,a2,,a10是首项为1，公差为1的等差数列；a10,a11,,a20是公差为d的等差数列；a20,a21,,a30是公差为d2的等差数列（d0）.（1）若a2040，求d；（2）试写出a30关于d的关系式，并求a30的取值范围；（3）续写已知数列，使得a30,a31,,a40是公差为d3的等差数列，„„，依此类推，把已知数列

推广为无穷数列.提出同（2）类似的问题（（2）应当作为特例），并进行研究，你能得到什么样的结论？

立，类比上述性质，相应地：在等比数列bn中，若b91，则有什么等式成立？请写出并证明．

19.通过计算可得下列等式：

221221132222214232231┅┅

智能推理篇5

如今社会上的评价系统还存在一些不确定的因数影响评价质量, 有些人认为评价系统不公平, 为了能更公平地解决这些问题, 该项目起到重要的作用。就举个例子:大学的教师评价系统, 就督导而言, 他就有权威性, 但是他不会每个教师的都去听, 这点就会让老师觉得有点不公平。得出的结果让很多老师无法接受, 教师评价系统除了这个因素外, 还有些因素是该系的学生很多, 算出来的评价很高, 得出的结论也不准确。

为了能更全面更科学更公正地评价这些不确定的信息, 将不确定的因数进行推理和分析, 得出一个准确的结论, 这是我们所需要的。

1 人工智能评价系统所存在的问题

项目主要研究的内容是:首先该项目的评价系统模型需要评价的样本点x1, x2, x3, …, 设A是同学的评分, 占a%;B是老师的评分, 占b%;C是督导的评分, 占c%。C具有权威性, 但是同时它具有不确定性, 不一定每个教师都去听课。A, B都能得到所需的数据, C能对该系统的评价质量有较准确的评价, 误差较小。本模型在此基础上, 通过统计分析, 以图寻找一种较好的较公正的质量评价方法。

2 解决思路

我们想通过对于没有督导 (C) 评价的教师进行调整A, B的比重来让系统进一步实现公平。

研究方法一:对具有权威数据C项的样本进行质量排序, 设A、B项数据服从正态分布, 以A, B项数据对所有样本进行质量排序, 计算该排序结果与仅仅C项排序结果的误差方差D, 通过调整A, B项数据的比重使得方差D最小, 得到样本点的较好的质量评价结果。

该模型中的样本点的质量数据信息不全是完善的, 有部分样本点只有A, B项数据, 有部分样本点有A, B, C项数据, 如何利用不完善的信息对样本点进行质量排序。

解决方案:对具有权威数据C项样本点进行质量排序, 设A, B项数据误差服从正太分布, 以A, B项数据对所有样本点进行质量排序, 计算该排序结果与只有C项排序结果的误差方差D最小, 这样得到样本点的较好的质量评价结果。

设某模型的样本点为x1, x2, x3…, A, B, C是获取样本点质量评估的数据, A占a, B占b, C占c。a+b+c=1;把含有C的样本归为一类Q, 设αi, βi, γi分别为第i个样本在A, B, C上的平均分数。Yi为xi在A, B, C的总评分, Yi=αi*a+βi*b+γi*c, 根据总评分来质量排序J, 在Q中A, B服从正态分布, A占e, B占d, 令e+d=1;Zi为xi在A, B的总评分, Zi=αi*e+βi*d;根据总评分来质量排序K, m为含C样本总数, 方差通过调整A, B的比重, 使D尽可能地小, 让排序J和排序K接近。

初步得出的结论:在方差D在允许范围内, AB组合等价与ABC组合的不确定, 挺高评价的公平性。

该研究方法存在一个问题, 对于没有督导 (C) 评价的样本点没有进行分析。所以对于没有C评价的样本点不公平。该方案不可行。

研究方法二:主要目标都是抓住具有权威性C的样本进行排序。先选择含有权威性C的样本点出来排序, 得到序列J;想通过权威性的排序体现评价系统的公平性。将没有权威性C的样本分出来再进行排序, 得出序列K, 讲序列J的总评分插入到序列K中, 调整没有权威C的样本点的比重, 让它接近公平。

不完善的数据和完善的数据样本点都能用上了。利用这些样本点如何通过调整比例得到公平的效果。

解决方案:对含有权威性C的样本点进行筛选, 对这些样本点进行一轮排序, 得到序列J。J的序列是不变的。另外筛选出没有权威性C的样本点, 得到序列K。将序列J的每项样本点按顺序插入序列K中, 调整K序列中A, B的比重得到新的序列N, 能得到一条公平性较好的评价。

设该模型样本点为x1, x2, x3…, A, B, C是获取样本点质量评估的数据, A占a, B占b, C占c。a+b+c=1;设αi, βi, γi分别为第i个样本在A, B, C上的平均分数;把含有权威性C的样本点先筛选出来, 进行排序, 得到序列J, 其中Ji=αi*a+βi*b+γi*c;再将没有权威性C的样本点整合成一个序列K, 不需要急于排序。Ki=ai*γ+bi* (1-γ) 因为调整A, B会使原序列Ki的序列改变, 通过A, B比重可以找到一条或者多条序列和我们所需的序列N。对于有多条序列我们同样的要用方差来解决问题。

结论:由于缺少序列M做比较确定序列N的合理性公平性, 至于序列M是一条公平合理的排序序列 (即参考序列) 。该研究方法不可行。结论不成立。

经过以上两种研究方法, 发现几点问题:

①要实现公平, 就要对有权威性和没权威性的样本都用来进行数据测试。

②还要有一条规范的评价标准, 方便作为对照模板, 与待确认的序列进行比较, 达到公平的目的。

③数据的使用, 选择数据具有随机性, 否者会让人觉得数据不可靠。

④通过调整比例得出的序列不一定只有一条, 若我们要找一条比较适合公平的序列还要用到方差来求解, 让方差更接近0, 波动小, 就选择该序列。

⑤一个公平的智能评价系统, 是针对于有权威性来仅需排序, 对于没有权威性的数据我们要正常使用, 使用自定义的比例让评价得到一定的公平, 然后对权威数据进行分析、对比。

以上面几点问题为讨论的中心内容, 得到第3种研究方法:

同样的我们还是要以权威数据C项样本进行质量筛选进行排序, 不同的是, 用了类似高中的控制变量法来解决问题。控制A, B的权威样本 (即含权威性C) 数据不变, 通过去掉C项的评分, 在调整A, B的权威样本评分比重。让他们的排序和之前的排序一致, 就可得出较公平的结论。其实比重可以用另外一种方式求解, 这样求解不太精确。我们的研究项目就是不确定信息来较好地去评价。

该研究方法能较公平地评价教师的成绩。最终目的是将没有权威性C的样本用一个比例去计算得到较公平的结果。毕竟权威性对教师较准确, 但是具有不确定性, 会让教师觉得不公平, 为了解决这个问题, 我们定义一个样本集Z=xi (i=1, 2, 3……) 。对于一位教师 (即xi) 评分的获取由A, B, C构成。A项是同学对教师的评分, B项是老师的教师的评分, C项是督导 (即具有权威性) 对教师的评分。A, B, C分别占总体的a%, b%, c%;αi, βi, γi分别是xi中的A, B, C所对应的平均成绩。对于第i位教师的成绩有权威性评价的样本Yi=αi*a+βi*b+γi*c;对于没权威性的评价样本先保留到序列的最后, 对Yi进行排序得到一个有权威性的序列J, 由于序列J是有权威性的, 所以就算怎么改变A, B的比重也不能改变序列J的排序。对于有权威性的样本xi, 只除去权威性的成绩, 保留A, B原有的成绩, 将除去权威性的样本归为一类Q, Q的A, B比重重新规划, 设A占p, B占1-p;对于每个除去权威性样本xi的平均成绩Wi=αi*p+βi* (1-p) ;将算出来的结果进行排序, 得到序列K, 通过调整比例让序列K的排序和序列J的排序一致。可得到公平的比例去等效于有权威性的样本。

为了能深入地理解:例如有5个样本x1, x2, x3, x4, x5, 其中A项占50%, B项占20%, C项占30%。这是有权威性C的公平评分比重。x1, x2, x4是有权威性C评价的样本, 而x3和x5则没有权威性评价。要让他们能起到对比的作用。换一种想法, 对于督导评价老师的成绩那些样本, 去掉督导评价得到的不就是没有权威性的评价那些样本。所以将x1, x2, x4这些有权威性的数据找出来归为一类Q, 通过计算每个样品的成绩Y1=α1*0.5+β1*0.2+γ1*0.3;Y2=α2*0.5+β2*0.2+γ2*0.3;Y4=α4*0.5+β4*0.2+γ4*0.3;对Q类的样本Y1, Y2, Y4进行排序, 得到一个从大到小的序列J, 假设序列为Y2, Y4, Y1。然后将Q类的权威性C评分去掉归为P类, 剩下的就是X1, X2, X4样本的A, B项的平均成绩, 设A项占比例的p, B项占1-p (0<p<1) 。通过计算去掉权威性的每个样本的成绩Z1=α1*p+β1* (1-p) ;Z2=α2*p+β2* (1-p) ;Z4=α4*p+β4* (1-p) ;调整p的数值, 让Z1, Z2, Z4的排序能够变成Z2, Z4, Z1与序列J的Y2, Y4, Y1序列一致即可。做到这一步就可以说明督导评价的那些样本可以用调试出来的p来计算没有权威性的样本。但是这里还存在一些弊端。需要进一步完善的是算出来的p值不是唯一的值, p值他自己有一个允许范围的, 起初我们讨论解决这p的取值的时候, 讨论到会用方差的方法去解决这个问题, 当时想着这是个不错的方法来解决该问题。由于数可以取无限小, 极限求值。可以算出来若干个p出来, 将p带入两个序列中求成绩Y, Z再将他们两个进行方差, 取方差较小的结果所对应的p。其实这方法不太合理, 首先数据的粗略让人不可信服。

以下是我们探讨的解决思路:

方式一:就是上面提到的p算法, 即通过调整p的值改变总成绩Zi的序列, 让该排序和有权威性C的样本排序基本一致, 可以算出的p在允许范围内, p是在一个区间的, 解决p的具体值, 就要用方差来计算两个序列的方差, 尽可能地使方差接近于零 (运用极限思想解决) 。算出的p, 这样就可以将没有督导评分的样本用p和1-p来计算只有A, B的评分的样本, 得到的数据可以较公平地去评价教师。

方式二:为了更能体现对于样本集中本来就没有督导评价的样本实现公平。这是中期答辩发现的问题。为了解决这个问题, 我们可以使用第二层比较的方式去处理。先回顾下前面的重要信息, 我们是将含有权威性C的样本归为Q类, 在Q类的基础上扩展一开始就没督导评价的样本, 即在Q类中添加不含有权威性的Y3和Y5这两个样本。用假设法, 我们先假设p是个合理公平的比例;P类是有除去权威性和没有权威性的样本集, 可以算出每个样本所对应的总成绩Zi=αi*p+βi* (1-p) , 进行排序得到新序列K1, K1序列为:Z4, Z5, Z1, Z3, Z2。以K1作为公平标准的评价序列, 再将p回代到Q类中的没有权威性C的样本计算他们的总成绩, 有权威性C的样本还是按照原来的比重来计算每个样本的总成绩。对Q类样本的总成绩进行排序, 得到新的序列J1, 改变合理比例p的值, 如果p改变了, 序列K1和序列J1的序列都有可能发生变化, 最终目的是让序列J1和K1的样本的排序达到一致的效果。那么该p值就是我们所要找的合理比例。可以用p来计算那些没有被督导评到的样本, 公平性大大地提高了, 符合不确定信息进行推理的人工智能评价系统。

笔者觉得方式二更能体现公平, 因为这方式能考虑到各种情况的因素, 对于有权威性的样本和没有权威性的样本都能有一个模板进行对比。

3 得出结论

结论:通过方式二, 求得的p可在没有权威性的样本进行使用并计算得出的结果是具有公平性的, 即有权威的样本按原先给的比例计算和没有权威的样本用p的值计算的公平性评价是等效的。

在该项目中的创新点就是, 对于不确定的信息, 要解决这类问题, 还是要找到一条较明确的评分标准。用排序的思想去解决不确定的信息, 让不确定的信息在某种程度上看是确定的, 即让人觉得该系统能达到公平。

最重要的创新点是假设法和两重对比, 让有权威和没权威的样本都能达到统一的公平的评价标准。假设一个评价标准:对于有权威的样本按给定的评价标准比重作为评价标准, 然后让没有权威的样本假设有个评价标准比重p, 能让没有权威的样本变得和有权威的样本使用的是同一套正确的评价标准。两重对比体现在第一对于有权威的样本和去掉权威的样本进行第一次对比, 得到一个比重p的比例, 假设p是标准评价比例, 那么对扩展的Q类 (即包含没有权威的) 样本中没有权威的样本代入p进行计算得到一个新的序列既有权威也有非权威的样本排序J1, P类样本中被除去的权威性的和本来就没有权威性的样本进行排序得到K1, 假设K1是用标准评价比重p来计算的, 那么就以K1作为模板进行对比J1的序列是否一致。从而达到两重对比, 更具有说服力。

在研究该项目过程中, 发现很多的问题, 为了解决问题需要小组的讨论, 每当讨论出解决思路的时候, 会有其他成员的思想不能达成一致, 需要进一步的交流。我们每遇到困难, 并没有先想放弃, 而是想有没有好的解决方案, 如果一开始就放弃, 可想而知, 下次遇到困难就会放弃, 有点像破窗原理。

4 研究成果

项目的研究成果:通过一系列的讨论和分析得出p的算法。让不确定信息进行推理的人工智能评价系统能更好地去解决公平性这个智能的问题。通过这次项目, 让我们提高自己的分析和解决能力。的确做一个项目要花费挺多的时间和心思在上面, 为进入社会打下一定的基础。

摘要：本论文论述了一种不确定信息进行推理的人工智能评价系统的实现数学模型, 通过用控制变量法和等效替换法来处理不确定信息。

关键词：不确定信息,评价,排序

参考文献

[1]李德毅, 杜鸧.不确定性人工智能[M].国防工业出版社, 2005.

[2]温武, 钟沃坚.离散数学及应用[M].华南理工大学出版社, 2010.

[3]同济大学应用数学系.概率统计简明教程[M].高等教育出版社, 2003, 7:83-85.

[4]郭平.基于多层次综合评价系统的教学质量评价系统[C].现代计算机, 2006 (237) :3.

[5]江丽丽.基于数据挖掘技术的教学内容双向评价系统的设计与实现[D].江苏:中国矿业大学, 2010.

智能推理篇6

一、问题引导实验探究, 深化探究体验

探究式实验是问题在前, 结论在后, 重视知识的形成过程和探究过程, 所以能激发学生的求知兴趣, 有利于学生发挥主体作用, 发展探索精神和训练科学方法, 同时也能培养学生运用数理逻辑智能学习化学的能力。案例分析:[提出问题]在前面的实验中我们观察到了氯水具有漂白作用。氯水是一种混合物, 那么起漂白作用的是什么物质呢?[收集资料]已知事实: (1) Cl2+H2O HCl+HCl O。 (2) 氯水中含有的物质有:Cl2、H2O、HCl O、HCl。[提出假设]引导学生进行猜想与假设: (1) 是氯水中HCl的作用; (2) 是氯水中Cl2的作用; (3) 是氯水中H2O的作用; (4) 是氯水中HCl O的作用;[设计实验]引导学生根据猜想设计实验:取稀盐酸滴于有色布条———验证猜想 (1) ;让干燥的Cl2通过干燥的有色布条———验证猜想 (2) ;用水浸湿有色布条———验证猜想 (3) ;让氯气通过湿润的有色布条———验证猜想 (4) 。[验证假设]让学生根据实验设计进行操作, 观察现象, 进行推理:设计实验 (1) :不褪色, 说明HCl不具有漂白作用;设计实验 (2) :不褪色, 说明Cl2不具漂白作用;设计实验 (3) :不褪色, 说明H2O不具漂白作用;设计实验 (4) :褪色, 说明只有Cl2与H2O反应才具有漂白作用;[得出结论]经推理得出结论:氯水中起漂白作用的物质是Cl2与H2O反应生成的HCl O。

二、系统关联并用, 训练记忆策略

1. 系统法。

系统法就是把相关的知识通过一定的方法相互连接起来成为一个有机的整体, 这种连接既能表示知识间的层次关系, 又能表示相互的衍生关系、递变关系或数量关系等, 便于学生把握。例如, 应用教学软件inspiration建立概念图, 把整个中学化学的相关概念通过多层概念图建立超级链接, 根据要求逐层展现。概念图能把中学化学的整个知识体系网络化、集成化, 系统化, 能使学生从整体上把握中学化学的知识体系。图1展示了中学化学概念的总图。

2. 关联法。

关联法是利用联想或建立关系使某一事物与其它事物建立联系的一种方法。在化学教学中充分调动学生的联想, 建立各种化学事物间的联系, 不仅能够活跃学生的思维, 而且能够增加知识的有序性, 培养学生的发散思维能力。常用的关联方法有气味关联、声响关联、图像关联、元素位置关联、现象关联、类别关联、数值关联、符号关联等。例如:符号关联, 如元素符号→读音→代表的元素→原子结构特点→单质及其化合物→重要的化学性质→重要的用途→实验室及工业制法。类别关联, 如在物质分类中的“酸”→上位概念:化合物;同位概念:碱、盐、氧化物、氢化物;下位概念:含氧酸、无氧酸、一元酸、二元酸。现象关联, 如淡蓝色火焰→H2S、CO、H2、CH4燃烧;白色絮状沉淀遇空气变灰绿最后变红褐→Fe (OH) 2。气味关联, 如臭鸡蛋味→H2S;刺激性气味→SO2、HCl、Cl2、NO2等;苦杏仁味→硝基苯类;烧焦羽毛味→蛋白质灼烧。

三、提供逻辑思维图式, 引导思维过程

在化学教学中, 教师如果善于采用逻辑推理进行教学, 学生就能应用逻辑数理智能进行化学学习, 由已知过渡到未知。归纳推理是一种从特殊到一般的方法。在化学教学中如勒沙特列原理都可通过归纳推理的方式进行教学。演绎推理是从一般原理推演出个别的具体结论的逻辑方法。在化学教学中, 常用作训练学生演绎推理的教材内容有:元素周期律后的元素化合物知识;化学反应条件的优化———合成氨;电解原理的应用;有机物结构式的推导等。

四、挖掘典型教学内容, 培养思维品质

1. 机智引导, 培养思维的灵活性。

在遇到一些难度比较大的问题时, 学生缺乏思路, 不知从何下手, 这时教师要机智引导。例如:将一定量的硫酸溶液四等分, 分别与足量的下列物质反应, 则反应后所得溶液的质量分数最大的是 (%) :A.Zn;B.Zn O;C.Zn (OH) 2;D.Zn CO3。教师可做如下引导:质量分数中的两要素 (溶质和溶液质量) ;4份溶液中硫酸的质量 (相等) , 与足量的四种物质反应生成的Zn SO4 (等质量) ;生成的其它物质 (水进入溶液;H2和CO2逸出) ;溶液的质量分数取决于什么 (溶质质量相等, 质量分数取决于溶液质量的大小, 根据反应产物可以看出, 浓度最大的是A) 。

2. 找准“题眼”, 培养思维的突破性。

题目中的关键字词, 某个特殊现象都可能是“题眼”, 也就是解题的突破口。

3. 抓住终态, 培养思维的跳跃性。

每一个问题一般都包含始态、中间过程和终态, 对于某些问题, 可以利用黑箱方法, 发挥思维的跳跃性, 省略中间过程, 抓住反应的最终状态, 直奔主题, 可使问题简化。例如:把小苏打和十水碳酸钠组成的混合物7.4克溶于水制成100毫升溶液, 其中[Na+]=0.6摩/升。若将等质量的该混合物加热至恒重, 则该混合物的质量减少多少克?终态技巧:抓住加热至恒重时二者最终都成为Na2CO3, 而Na2CO3的物质的量为1/2Na+物质的量, 即有:nNa2CO3=nNa+×1/2=0.6×0.1×1/2=0.03 (摩) ;混合物质量减少为7.4-0.03×106=4.22 (克)

摘要：逻辑数理智能所涉及到的数学计算、逻辑思维、归纳和演绎推理、对模型和关系的辨别、问题解决等, 都是学生成功完成化学新课程中科学探究学习任务的必备的能力基础。在化学新课程的教学中采用基于逻辑数理智能的教学策略——问题引导实验探究、系统关联并用、提供逻辑思维图式、挖掘典型教学内容, 可以培养学生的逻辑思维能力、同时能巩固知识和技能。

关键词：化学推理,逻辑数理智能,教学策略

参考文献

[1]文庆城.化学课堂教学技能训练教程[M].桂林:广西师范大学出版社, 2007, 2.

[2]韩庆奎, 张雨强.多元智能——化学教与学的新视角[M].济南:山东教育出版社, 2008, 6.

智能推理篇7

微博是当前最炙手可热的互联网应用,作为一种信息的交互平台,微博正成为网民愈加重要的言论发表方式。除此之外,微博还可以通过用户间的关注形成巨大的人际交互网络。在微博中,人际间的交互体现为用户间添加关注、转发、收听等。其中添加关注是最为基础的用户操作。然而,很多刚刚开始使用微博的用户,可能只会添加一些名人微博进行关注,甚至连名人微博都不会添加,对于众多其他的不错的草根微博却一无所知,微博就会失去使用价值和意义[1]。

为了推广微博应用,提高微博的可用性、有趣性,搜狐微博推出了“猜你认识”的功能。搜狐微博设计了热词系统。通过这些用户提及的热词,在系统中寻找相应的推理方法,进行归纳推理,得出推理结果。系统后台对推理结果在前台页面体现。用户不但可以删改后台推理得出的结果(即标签),还可以自己添加标签,丰富自己的形容。后台程序将针对每一个用户倾向,找到与用户具有相同倾向的其他用户,作为推荐好友推荐给用户,这样,就可以帮助用户建立更大更广的关注圈[2]。

基于人工智能的抽象建模(即推理规则的提取)、基于一系列第三方控件的操作界面、不确定推理运算等一系列思想与方法,实现自动学习推理系统。通过系统运行时做出的自动调整(包括增益与衰减),系统不但大大降低了后台人员的维护成本,而且更提高了用户体验性,使得微博用户能够得到更好更准确的服务[3]。

1 系统需求分析

1.1 需求概述

自动学习推理系统主要面向两方面用户的使用,即后台运维人员和普通微博用户[4]。

系统应该满足一次录入推理数据、多次使用该数据的要求,也就是说,推理数据是系统的基础。在运维人员需要在构建好分类和事实等一系列知识体系之后,将建模的所有结果录入系统。ALRS得到这些知识并将它们保存在数据库。除了事实对普通的微博用户公开外,分类应该保持对普通微博用户的透明性。知识成功录入后,运维人员将在构建好的事实的基础上,构建出一系列的推理过程,即推理树。

在满足了后台运维人员对本系统的一系列需求后,面对普通微博用户的应用需求则完全在后台控制台中体现。推理系统为学习系统提供了接口,以满足学习系统利用知识进行各种推理的需求。同时,为方便运维人员进行模型的验算,检查推理树构建的合理性,推理系统提供了图形化的推理演算界面。

1.2 功能需求分析

Web用户则通过添加推荐关注、增删智能标签反馈推理系统的处理结果;运维人员主要负责知识的录入和推理树的构建;推理引擎实际上是推理程序的集合,主要负责利用构建好的推理树以及推理算法对用户的输入进行推理并得出用户倾向;学习引擎负责微博的分词,推理分配以及推理结果的整理。

1.3 性能需求分析

自动学习推理系统对硬件方面要求较高,必须不低于以下配置:处理器:Intel Pentium 166 MX(或以上);内存:10 GB(或以上);硬盘:20 GB(或以上);显卡:SVGA显示适配器。

软件方面的要求如下:操作系统:推理机Windows XP/7,学习机Linux,Windows不限;推理机需要安装Microsoft.NET Framework 2.0或以上;推理机需要安装Developer Express Inc.NET2005组件;推理机需要安装Netron组件;推理机需要安装Spring.NET 1.2.0框架包。

2 自动学习推理系统概要设计

2.1 系统概要设计

需求分析中的五个主要功能:推理准备、知识管理、推理树管理、自动推理、推理结果整理与推送好友[2]。

推理准备功能需要热词系统的帮助,通过热词系统对用户近期提及热词的记录获取目标用户的最新倾向词。

知识管理功能是为了满足后台运维人员进行知识录入而设计的。

推理树管理功能是为使后台运维人员以简洁的操作方式,利用构建好的事实,通过可视化界面便捷的图形化操作来构建推理树。

推理功能中为方便后台运维人员的验算使用,系统应当为他们准备类似电子表格的简单操作界面。

推理结果整理与推送好友功能对推理结果进行响应,并为用户搜索目标结果集,作为推送好友。

2.2 系统层次设计

图1描述了自动学习推理系统的主要组成部分。首先,ALRS可以分为学习子系统和推理子系统。其中,学习子系统分为推理准备和好友推送两个部分。推理子系统部分包括知识管理、推理树管理和推理三部分。知识管理部分分为分类管理和事实管理两个子部分。推理树管理部分分为新建和维护两个子部分。

2.3 系统流程设计

图2描述了ALRS的整体流程。为了提高系统运行效率,使得ALRS为更广泛的微博用户服务,ALRS只针对用户描述标签少于3个的用户进行推理服务,以丰富用户的描述,并且能够使没用过这项功能的用户注意到这项应用,从而促使用户自己添加描述。对进入推理集的数据,ALRS会定期进行推理。一方面为用户添加描述标签,另一方面也为用户推送好友。具体的流程会在下文进行详细讨论。

3 自动学习推理系统详细设计

3.1 系统详细设计

系统采用流行的MVC架构模式,即使用表示层、业务逻辑层、数据访问层三层的流行架构方式,然后介绍ALRS的数据访问层架构,其中重点介绍数据访问层中每一层(包括Service,DAO,Bean和数据库等层)的具体设计方式。最后介绍业务逻辑层的工作流程和算法等设计方案。

在系统结构设计中,一般将数据访问层分成服务层和持久化层。实现时,需要尽可能地保持层次间的松散耦合。学习子系统中使用Spring与Hibernate架构,而推理子系统利用Spring.NET与NHibernate对.NET平台开发的应用程序完成业务的架构。这样,可以利用Spring与Hibernate组合和Spring.NET与NHibernate组合来封装和处理数据库操作,使程序代码中不需嵌入SQL操作语句和复杂的数据库操作对象,从而简化程序开发、测试过程。

由于系统需要进行JAVA与.NET跨平台的交互,所以数据库的选取非常重要。考虑到网络应用中My SQL的应用非常广泛,所以在数据库的选择上确定使用My SQL。

3.2 推理树管理部分设计

推理树管理部分在知识库管理部分的基础上,实现了后台运维人员对推理树的录入与管理,是自动学习推理系统的推理基础,此后的推理管理部分的规则来源就是在推理树管理部分中录入。为了方便后台运维人员完成构建推理树、查询推理树、管理规则、删除推理树、修改推理树五种操作,系统将推理树管理部分具体划分为新建推理树、维护推理树两个部分。维护推理树部分又划分为查询推理树、规则管理、删除推理树、修改推理树等四个具体的部分。推理树管理部分结构图如图3所示。

3.3 用户推理部分设计

用户推理部分是针对后台运维人员验算和普通的微博用户自动推理而开发的。后台运维人员在构建推理树后,可以利用推理部分的“推理”功能对推理树进行计算与验算,从而对推理树进行一定的调整。而普通的微博用户作为本系统的主要服务对象,主要由系统后台自动调用。参与对象分别是自动学习推理系统和My SQL数据库管理系统。

3.4 推理后整理部分设计

推理后整理部分旨在对推理后产生的结果以及用户的反应进行整理。推理后,将产生用户倾向表和用户潜在倾向表。ALRS会将这两个表中的推理结果与用户自身情况进行匹配,并把各三个符合条件的其他用户作为好友推荐给该用户。

如果用户接受推荐,则默认用户接受该倾向或潜在倾向。ALRS可以根据证据找到推理树进行推理树增益。增益的实现通过对数据库和缓存(如果缓存中存在的话)中的推理树信息进行更新。每次增益的尺度可以调整,系统初始默认为每次增加5%,当可信度增加到大于等于1时,系统将对今后的增益请求进行忽略。

如果用户拒绝推荐或删除标签,则默认用户不接受该倾向或潜在倾向。ALRS可以根据证据找到推理树进行推理树衰减。衰减的实现通过对数据库和缓存(如果缓存中存在的话)中的推理树信息进行更新。每次衰减的尺度可以调整,系统初始默认为每次减少5%,当可信度增加到小于等于0时,系统将对今后的衰减请求进行忽略。

通过以上两种方法可以完成推理树的自维护与自适应。这样,就可以实现ALRS系统的自维护效果。

4 自动学习推理系统实现

系统利用Dev Express,Netron提供的第三方用户控件,实现了以下功能。

利用Netron提供的Graph Control类实现了画板功能,使系统提出的图形化建立推理树变为可能。利用Netron提供的Shape类实现了推理树节点的功能。该控件可相互连接的特点也符合系统构建推理树时节点间连接的需求。利用Dev Express提供的Simple Button,Memo Edit,Combo Box Edit等类实现了一些界面的界面控制。这是三种经常应用到的控件,其他控件由于重要性较小、出现次数较少的原因,在此不做赘述。

4.1 知识管理部分的实现

类别管理中,可以创建新的根类别或者子类别,也可以对这些类别进行删改操作。根类别、子类别的包含关系扩展了单纯的类别-事实的关系,从而形成了多层次类别、事实的从属体系。事实管理中,可以创建新的事实,也可以对已存在的事实进行删改操作。对事实的管理首先要选择事实所属的类别,然后再对事实的属性进行录入。事实管理功能界面与创建类别类似,每种事实都包含ID、类别ID、名称、备注等信息。

4.2 推理树管理部分的实现

结合图4的新建推理树部分用户界面,介绍具体设计和使用方法。

(1)输入推理树名称。以方便后台运维人员和普通的微博用户感性地区分不同的推理树。

(2)添加推理节点。为方便后台运维人员的查询,根据选定的类别,系统会自动导入数据库中所有属于该类别的事实。

(3)界面中可删除已存在的节点,若需要删除某个已有的节点,则单击鼠标右键,选择“delete”即可删除。

(4)添加事实节点后,可以添加事实节点间的关系。(5)在界面中可以删除事实节点间的关系。

(6)构建推理树完毕,确认推理树无误后,按下“保存数据”按钮,即可将推理树保存至数据库,与此同时保存的还有知识库、推理树节点、节点间关系、节点位置等信息。

若存在此类问题或在数据库操作中发生错误,系统将会返回错误信息。如果添加规则库成功,则返回成功信息,如图5所示。

4.3 用户推理部分的实现

利用上文构建推理树的实例来说明ALRS的推理过程和使用方法,推理树全图如图6所示。对推理演算部分的使用大致分为三个步骤:首先进入推理演算页面选择推理树。然后,通过系统提供的下拉框选项,为每一个列表中的叶子节点赋予事实可信度。最后,点击“开始推理”按钮,系统将会开始自动推理,之后将结果呈现给用户。

5 系统性能测试

5.1 测试环境

硬件方面配置:处理器:Intel Core i5;内存:2 GB;硬盘:20 GB;显卡:NVIDIA显示适配器。软件方面配置:操作系统:Windows 7;Microsoft.NET Framework2.0;My SQL5.0;JDK1.6;Developer Express Inc.NET2005组件;Netron组件;Spring.NET 1.2.0框架包。

5.2 测试结果

下面给出几种不同设计方案下ALRS的工作性能。

方案一:不使用memcached,处理所有用户的标签猜测。这种情况下,系统负荷会达到最大,因为没有memcached的缓存,每次数据的查询、更新都要进行数据库操作,测试结果如表1所示。

方案二:使用memcached,处理所有用户的标签猜测。相比第一种测试方案,ALRS系统使用了memcached缓存层,这样对树、用户等就进行缓存,提升系统性能。测试结果如表2所示。

方案三:不使用memcached,仅处理标签小于三个用户的标签猜测。对这种方案,可以提高对新用户的服务效率。牺牲服务覆盖率追求精准度也是ALRS间接提升性能的一种方法。测试结果如表3所示。

方案四:使用memcached,仅处理标签小于三个用户的标签猜测。使用缓存后,不但实现了系统物理性能的提升,而且从精准度上也间接提升了服务效率。测试结果如表4所示。

使用memcached确实可以提高系统的运转效率,究其原因,就在于memcached的查询速度很快;另一方面,仅对标签小于三个的用户进行服务,虽然减小了服务覆盖率,但也缩小了服务范围,提高了服务精度,可以增强新用户的忠诚度。所以系统选定了第四种方案,在搜狐微博每日用户数目增长率大于每日微博发送增长率的初期阶段,在每日产生千万条微博记录以下的情况下,系统运转良好,达到了为新用户推送好友的目的,符合设计时的工作设想。

6 结论

目前,自动学习推理系统的所有需求功能已基本实现。ALRS实现了使用人工智能的手段和方法,对微博用户的用户倾向的挖掘;除此之外,还完成了前后相关的业务流程。从总体使用和运行效果来看,ALRS不但为后台工作带来巨大的简单和便利,也增强了用户体验,使更多的用户发现微博的价值和乐趣。

在不久的将来,ALRS会进行版本升级,届时,可以使用No SQL的数据库架构方式对系统进行数据管理。使用No SQL可以提高系统响应速度,消除系统因数据库操作产生的消耗,使得ALRS可以运行得更加迅速。

摘要：面对庞大的微博用户群,提升用户体验以吸引更多用户成为关键因素,因此自动学习推理系统的研究成为热点,对微博用户的倾向进行推测,同时,使用图形化的组件使得操作更加简洁方便。系统中使用定量的不确定推理算法,也改变了定性推理造成结果不准确的情况,从而帮助用户更高效、准确地推送网络好友,通过运用人工智能和数据挖掘等领域中的理论和算法设计实现了自动学习推理系统。系统计划在搜狐微博中上线,在测试过程中取得了一定的预期成果。

关键词：数据挖掘,微博应用,不确定推理,NHibernate和Spring.NET框架结构

参考文献

[1]王寅永,李降宇,李广歌.C#深入详解[M].北京:电子工业出版社,2008.

[2]王守信,张莉,王帅,等.一种目标可满足性定性、定量表示与推理方法[J].软件学报,2011,22(4):593-608.

[3]TAN P N,STEINBACH M.Introduction to data mining[M].New York:Addison-Wesley,2008:112-114.

[4]GIARRATANO J C,RILEY G D.Expert systems[M].4th ed.Beijing:China Machine Press,2006:23-25.

[5]俞忻峰.社交网络挖掘方案研究[J].现代电子技术,2015,38(4):25-29.

智能推理篇8

虽然许多推理机中包含了通用规则, 但远远达不到人们智能推理查询的要求。因为在本体中, 简单地通过父类查子类的规则已经不能满足智能推理的深层次要求。如要实现更深层次的推理, 必须设置基于本体中类属性的自定义规则。也就是说, 不同的领域本体中, 需要设置相关自定义规则来实现深层次智能推理查询, 而在智能推理机的自定义规则设置中, 还没有形成特定的规范。自定义规则的构造方法是根据本体中各类的逻辑关系推理出相关类的属性特征, 通过属性特征查询所需要的数据。

本文提出一种基于本体的智能推理查询自定义规则构造方法, 借助SPARQL查询语言工具, 获取用户所关心的领域知识, 得到相关度和概念正确度比通用规则推理机更高的推理查询结果。相对于传统的数据库查询, 基于领域本体规则的推理查询具有更高的准确性, 进而提升筛选有用信息的效率, 扩大智能推理的应用范围。

1 智能推理基础

目前, 许多推理机被使用在推理相关研究中。其中, Jena是针对本体提供推理机, 并且它支持对本体的解析。在本体解析过程中, 推理能够获取本体中特殊形式的知识集合, 从而解决语义中的应用问题。

1.1 Jena结构

Jena是由惠普实验室语义网研究项目开发的一个开源项目, 是用于构建语义网应用的Java应用程序框架。它为RDF、RDFS和0WL提供了可编程的环境。Jena系统内包括:用于对RDF文件和模型进行处理的RDF API;用于对RDF、RDFS、0WL文件进行解析的解析器;RDF模型的持续性存储方案;用于检索过程推理的基于规则的推理机子系统;用于对Ontology进行处理和操作的Ontology子系统;用于信息搜索的SPARQL查询语言。Jena查询结构如图1所示。

1.2 Jena在领域本体推理中的工作原理

本文推理过程:先构建自定义规则;再把自定义规则导入Jena推理机中, 推理机能对目标本体进行推理, 产生含有自定义规则内容的本体Model;然后, Model API会对新产生的Model进行查询操作, 从而实现所制订的规则中的思想和目的。推理机工作机制如图2所示。

2 语义推理自定义规则构造方法

2.1 Jena内置推理机与通用规则引擎的不足及其解决方案

Jena提供的推理机能够支持本体基本构造的推理和本体一致的检查。通过使用本体的内置属性, 可以满足一般查询需求。但在实际应用中, 只有这些内建规则 (即通用规则) 形成的推理准则是不够的。例如, 用Protégé构建的手机关系本体图 (见图3) 。

在手机本体中, 两个不同类的关系不能如Sibling (兄弟) 关系那样简单地直接传递。RAM (手机内存) 的父类是Hardware (硬件) , 而Hardware的父类是Mobile。同样, Operating system (操作系统) 类的直接父类是Software (软件) 类, 软件和硬件是兄弟类, 可以直接传递。但是RAM和Operating system不能直接看成是兄弟类。从上述类关系图不能断定这个兄弟类的关系, 除非人工定义这层关系。

在推理机中, 本体中的类之间的关系需要明确定义, 或者通过传递、对称属性关系相连, 有间接关系才能被推理出来, 经过推理后才能被查询到。由于本体的自动构建技术不成熟, 本体构建仍主要由人工完成。在人工定义复杂系统关系时, 容易因疏忽而导致数据不完整或关系错误。针对OWL推理机的定义关系不足的情况, 通过自定义规则实现查询目标。例如, 上述手机关系的例子可以定义传递性规则如下:

此规则明确了推理新关系的方法, 推理机导入这条自定义规则后, 能使用SPARQL语言通过RAM查到它的间接兄弟类Operating system。使用自定义规则能解决内置推理机在定义关系上的不足。设置自定义规则的推理机可以添加一定数量的OWL常识, 进而查询出由OWL规则未明确定义的复杂关系, 这是对内置的OWL推理机中规则不足的一种有效解决途径。

2.2 本体中Jena推理自定义规则构造

首先, Jena允许用户定制自己的规则创建特定的推理机, 允许以这样的自定义规则形成对通用规则的补充, 进而满足实际应用领域的个性化需求。其次, 为了实现更深层次的推理需求, 必须设置自定义规则。

综上所述, 可以根据规则的构造方式, 将自定义规则表示为:一个规则的前提和一个规则结论。无论前提还是结论都可由一个或者多个原子规则组成。其中, 原子规则可以有以下形式:C (x) , P (x, y) , Q (x, y) 。x, y可以是变量, 也可以是OWL个体。具体如下:

Rule: (父类A有一个子类B) , (父类A存在一个特殊的对象属性)

→ (子类B是否存在这个特殊属性或推理其他属性)

Rule: (类A有一个兄弟类B) , (类A存在一个特殊的对象属性)

→ (兄弟类B是否存在这个特殊属性或与类A是相同类)

自定义规则的构造本质是根据本体中的逻辑结构推理出某类原本不存在的属性, 类属性是反映推理结果和应用推理结果的方式。以手机商品领域本体为例, 语义自定义查询规则如下:

Rulel说明如果某手机x属于y品牌, 而y品牌生成大屏幕的手机, 则手机x是大屏幕手机。

Rule2说明如果手机x属于品牌y, 而手机z属于品牌y, 则x和z有相同的操作系统。

3 基于领域本体推理的自定义规则实现

3.1 推理规则实现方法

首先, 使用Protégé创建领域本体文件, 然后通过Jena中的本体解析器和API接口把本体中的数据转换成RDF Model持久化存储到数据库中。最后, 调用ARQ查询引擎, 使用SPARQL查询语言实现对模型的查询。此本体查询中含有类查询、属性查询、实例查询。

在查询中导入2.2中的Rule1, 以手机商品本体为例, 核心代码介绍如下:

(1) 使用Model Factory中的CreateOntology Model () 方法来创建Model。

(2) 定义自定义规则, String gz=”[“rule1:……”。

(3) 设置SPARQL查询语句, String cx=”PREFIX Phone:……”。

(4) 创建推理机。

Reasoner tl=new Generic Rule Reasoner (Rule.Parse Rules (gz) ) 。

(5) 使用Create infModel (tl, mx) 方法来创建含有推理规则的infModel。

(6) 使用Query Factory中的Create方法生成查询, 返回结果。QueryExecution方法执行查询, execSelect () 方法返回结果。

查询结果如下:

(手机A;Has big screen eg;三星I9300) //三星I9300手机是大屏幕手机

3.2 基于自定义规则的推理查询实现

不同的SPARQL推理查询规范可以实现不同的推理查询规则, 其中通用规则可适用不同的领域本体, 并随着不同领域本体的信息而改变;自定义规则却不能随领域本体的信息而改变。所以, 针对不同领域本体实现推理查询, 必须设置对应的自定义推理规则。这些自定义推理规则可以根据具体情况在Jena中设置, 最后借助SPARQL查询语言得以实现。

本文介绍适用于更深层次推理查询规范, 这些查询规范可以实现所创造的自定义推理规则。但对于不同领域本体还是有一定差异, 以手机商品为例, 具体如下:

(1) 查询类c的自身对象属性 (不包含父类的对象属性) 。

手机x有一个对象属性y (电池容量) , 如果y的值大于1500mAh, 则可以推理查询出x是大电池容量的手机。这条规则的实现是用SPARQL查询中对象属性查询完成的。

(2) 查询类c的所有实例。

(3) 查询某个实例的某个属性值。

(4) 查询某类的实例及对应实例的某个属性值

4 结语

针对本体智能推理查询中的自定义规则构造规范缺失问题, 本文提出一种构造Jena中自定义规则的方法。该方法针对不同的领域本体时, 需要研究领域本体中各类之间的关系。经此过程, 能很好地构造对应的自定义规则。Jena中的通用规则已经不能满足用户对推理查询的需求, 本文提出的自定义规则方法解决了本体中类属性的推理查询。应用SPARQL查询语言实现智能推理查询的方法局限于类属性方面, 而类与类之间关系的推理查询, 还需要构造更全面的自定义规则。自定义规则的构造是促进语义研究问题发展的关键。

参考文献

[1]田宏, 马朋云.基于Jena的城市交通领域本体推理和查询方法[J].计算机应用与软件, 2011, 28 (8) :57-59.

[2]纪兆辉.本体的查询与推理研究[J].微电子学与计算机, 2011, 28 (10) :51-54.

[3]张宗仁, 杨天奇.基于自然语言理解的SPARQL本体查询[J].计算机应用, 20l0, 30 (12) :3397-3399.

合情推理与演绎推理篇9

在数学中, 从推理的结果来区分, 有论证推理和合情推理.论证推理通常叫证明或演绎推理, 演绎推理是根据已有的事实和正确的结论 (包括定义、公理、定理等) , 按照严格的逻辑法则得到新结论的推理过程, 所得结论是可靠的.然而, 由合情推理所得的结论是不能最终肯定的, 只能叫猜想或假说.合情推理是根据已有的事实和正确的结论 (包括经验和实践的结果) , 以及个人的经验和直觉等推测某些结果的推理过程.自从希腊的哲学之父泰勒斯把演绎方法引入数学以后, 演绎证明就构成了数学的灵魂, 深入的演绎推理能够挖掘出前提中蕴藏得很深的结论, 它使数学的理论形成了严密的体系, 为数学乃至科学的发展起了至关重要的作用.但演绎推理从本质上讲, 不能为我们提供新的知识, 彭加勒说:“逻辑学与发现、发明没有关系.”这句话虽然说得有些过分, 但却突出地指出了演绎作用的局限性.至于合情推理, 它的特点是使人富于联想、创造.但由于合情推理得出的结论往往超出前提控制范围, 前提就无力保证结论为真, 因此, 合情推理只能是或然性的推理, 它的正确性需用演绎方法加以证明.一般地说, 严格的数学理论是建立在演绎推理之上的, 但数学的结论及相应的证明方法则又是靠合情推理去发现的.因此, 演绎推理与合情推理是相辅相成的关系, 两者既对立, 又统一, 是辩证的统一体.

二、运用合情推理与演绎推理进行教学设计的案例

在“等腰三角形性质”的教学中, 笔者运用合情推理与演绎推理让学生先猜想, 再证明, 教学设计如下:

1. 运用合情推理, 让学生动手操作发现猜想结论

本节课一开始, 教师请全体同学拿出准备好的等腰三角形纸片 (上节课已布置) , 并动手将等腰三角形对折 (如图) , 要求每名学生在操作过程中细心观察, 或用三角板、量角器进行测量, 猜想图形中的线段、角等关系, 并将发现的结论写出来.

由于等腰三角形的纸片是学生自己制作的, 其思想感情、学习兴趣都比较浓厚.于是, 经学生的独立探索后, 老师请同学自由发言, 在此基础上, 再让学生归纳得到:

(1) ∠B=∠C.

(2) BD=DC (AD是折痕) .

(3) ∠BAD=∠CAD.

(4) ∠ADB=∠ADC=90°.

(5) △ADB≌△ADC.

(6) △ABC是轴对称图形.

2. 运用演绎推理, 让学生对猜想的结论进行证明后再讨论

结论是学生自己发现的, 猜想结论的证明也就成了学生自发的需要.于是, 教师趁热打铁, 要求同学对猜想结论:∠B=∠C进行证明.这个过程让学生独立完成或同学间讨论完成, 教师仅对个别差生辅导, 待大部分同学证明好之后, 教师指定一名同学到讲台上对全体同学讲述并板书证明过程 (其证明思路是:画底边BC的中线AD, 证△ADB≌△ADC, 得∠B=∠C) , 接着教师指出, 以上证明过程实际上已证明了全部的猜想结论, 同时又提出以下问题让学生讨论.

问题1:你是怎样想到作底边中线AD的?

学生思考后讨论式发言, 认为: (1) 由折痕想到的. (2) 要证角相等, 先想到证三角形全等.添上中线AD, 就有了两个三角形全等.

问题2:还有另外作辅助线的方法吗?

学生讨论后, 有两名同学举手发言指出:还可作∠BAC的角平分线或者作底边BC上的高, 这时教师当即给予肯定, 并请他们讲述思路, 使他们享受到发现者的喜悦.

问题3:从以上证明过程中我们可以得到哪些“副产品”.

引导学生抓住中线AD的三重性, 让学生讨论后得到:等腰三角形的顶角角平分线、底边的中线、底边上的高互相重合.

三、对数学教学的启示

在数学课堂教学中, 怎样培养学生的推理能力?笔者认为:

1. 营造一个宽松的、良好的可供学生猜想、证明的空间

教师可以经常地引导学生“从最简单的开始!”———以此作为座右铭, 为归纳、猜想提供一个适当的出发点和立足点, 让学生主动、积极地去猜想结论, 然后让学生自己去证明由猜想得到的结论.

2. 把教学过程设计为“再创造”的过程

在证明一个数学定理之前, 先引导学生猜想这个定理的内容, 在完全作出详细证明之前, 先引导学生猜测证明的思路, 努力探索出符合培养“猜想、证明”推理能力的教学模式.