广义智能系统柔性超拓扑空间模型研究与应用

摘要

本文研究课题源于国家教委博士点基金项目“人工智能基础理论(泛符号主义)研究”(98069923)和国家863项目“生产计划与实时优化调度系统”(2002AA412020)。 人工智能学科诞生的初衷是“用计算机模拟人的抽象思维能力”，这是一种狭义的观点。自然智能广泛存在于生命现象的各个层次，例如人的抽象思维和形象思维、动物的学习和智能反应、生物的进化和免疫、生物群体的分工协作、生态系统的平衡等。它们对发现和提炼人工智能的某些原理和方法都有重要贡献。目前人工智能学科已经由狭义智能观走向了“模拟自然智能”的广义智能观。 广义人工智能包含有多种仿智方法，如模拟抽象思维的符号主义、模拟形象思维的联接主义、模拟智能行为的行为主义、模拟社会分工协作的多智能体系统、模拟生物进化的进化计算和免疫计算以及模拟生态系统的生态计算等。虽然这些方法各有所长，在不同的领域中已经取得了相当成功的应用，但都存在着各自的局限性。研究表明，在解决一个具体的智能模拟问题时，适当地将上述方法综合集成，往往能取得较好的效果。因此，智能混合系统的研究已成为人工智能中非常重要的研究领域，其中，尤以符号主义和联接主义的综合集成最为广泛。本文在广义人工智能思想指导下，重点讨论符号主义和联接主义的综合集成，但其原理和方法可以推广到其它广义人工智能的综合集成中。 尽管智能混合系统的研究已经取得了许多成果，但其理论体系还很不完善，突出表现在系统模型的片面性、知识表示方法的局限性、逻辑神经元的单一性以及知识获取与问题求解能力的局限性上。本文从人类智能行为的本质入手，着眼于知识在人脑中表示和存储的生理基础以及实现各种人类思维方式的生理基础，将超拓扑空间理论与泛逻辑学原理结合起来，充分发挥二者的优点，开展了智能混合系统方面的研究工作，取得了一定的成果，主要是围绕综合集成这个中心，提出了一个模型，两套理论和三种技术，它们是：(1)柔性化超拓扑空间模型柔性化超拓扑空间模型是一种新的智能混合系统模型，它是根据思维的本质规律提出的广义问题求解模型。 (2)超拓扑空间理论根据大脑思维的本质规律初步建立了一套较为完整的理论，可以更好地描述知识在大脑中存储和处理的结构框架，从而为进一步研究各种形式的思维规律及其相互关系奠定了基础。 (3)泛逻辑神经元泛逻辑神经元可以较好地模拟抽象思维过程，具有高度的通用性，体现了抽象思维的柔性化规律。 (4)自组织学习方法这是一个嵌套递归、结构可变的自组织学习方法，它以超拓扑结构知识表示方法为基础，运用等价关系求等价类的方法挖掘蕴含或者隐含的新知识，从而实现了知识的自动学习和更新。 (5)新的规则抽取与插入算法这种规则抽取与插入算法具有简单、直观、有效的特点，可以实现特定语义、特定结构规则知识的自动获取与求精，也便于新知识的发现。 (6)基于指令集的一体化推理与搜索方法模拟大脑思维并行高效的特点，提出了一种真值流推理与标号搜索技术，它以超拓扑结构图为基础，具有统一的指令集，操作简单直观，结果易于理解，并且具有灵活多变、应用面广等特点。 这些研究成果相辅相成，模型是框架，理论是基石，方法是桥梁，缺一不可，共同构成了智能混合系统这座大厦，为人工智能的发展注入了新的活力。 以上理论研究成果已经通过各种实例及在汉字识别中的具体应用，验证了它们的正确性和有效性。 最后，本文对智能混合系统的发展趋势作了展望，并指出了进一步的研究工作。

目录

文摘

英文文摘

第一章绪论

1.1选题背景和研究现状

1.2本文的主要工作和成果

1.3本文的组织

1.4小结

第二章柔性化超拓扑空间模型FHTSM

2.1智能混合系统的一般模型

2.1.1独立模型

2.1.2转换模型

2.1.3层次模型

2.1.4全集成模型

2.2智能混合系统使用的技术

2.2.1专家系统(Expert System)

2.2.2神经网络(Neural Network)

2.2.3模糊逻辑(Fuzzy Logic)

2.3现有智能混合系统的优缺点

2.4 FHTSM的建立

2.4.1信息在脑中的形成方式、结构形式和转化过程

2.4.2智能混合系统模型应当具有的特点和功能

2.4.3 FHTSM的结构

2.5小结

第三章超拓扑空间理论

3.1超拓扑空间理论的建立

3.1.1信息空间的构造

3.1.2超空间的构造

3.1.3超空间内的奇异区域和“眼”

3.1.4超拓扑空间的定义和性质

3.1.5空间结构的延拓

3.1.6超空间的聚类反应

3.1.7超空间的动力学拓扑性质

3.1.8超空间的局限性

3.2超拓扑结构知识表示方法

3.2.1超拓扑结构的形式化定义

3.2.2超拓扑结构的操作

3.3小结

第四章泛逻辑神经元

4.1泛逻辑学简介

4.1.1泛逻辑学的研究内容

4.1.2关系柔性

4.1.3命题泛逻辑运算模型

4.2逻辑神经元的研究现状

4.2.1二值逻辑神经元

4.2.2三值多值逻辑神经元

4.2.3模糊逻辑神经元

4.3泛逻辑神经元

4.3.1泛逻辑运算神经元统一模型

4.3.2零级非、与、或和平均运算神经元统一模型

4.3.3零级蕴含运算神经元模型

4.3.4零级等价运算神经元模型

4.3.5零级组合运算神经元模型

4.4一种确定广义相关程度的方法

4.5小结

第五章FHTSM模型的关键技术

5.1自组织学习方法

5.1.1方法描述

5.1.2自组织学习实例

5.2规则的抽取与插入

5.2.1现有的规则抽取与描入算法

5.2.2本文提出的规则抽取与插入算法

5.2.3规则抽取与插入实例

5.3一体化推理与搜索技术

5.3.1基本指令集与规则集

5.3.2真值流推理方法

5.3.3标号搜索算法

5.4 小结

第六章FHTSM模型在汉字识别中的应用

6.1汉字识别的原理和一般方法

6.2 FHTSM模型在汉字识别中的应用研究

6.2.1印刷体汉字的识别

6.2.2手写体汉字的识别

6.3实际应用与结果的比较

6.4小结

第七章总结与展望

7.1本文创新点及研究成果

7.2进一步的研究工作

参考文献

攻读博士学位期间发表的文章和参加的科研活动

致谢

西北工业大学学位论文知识产权声明书及原创性声明