面向智能决策的推理引擎技术

发布时间：2022-02-15 06:27

　　结合规则推理（rule-based reasoning,RBR）和案例推理（case-based reasoning,CBR）的混合推理是人工智能领域新的研究热点。国内外学者在混合推理领域做了大量理论和应用研究工作,然而现有研究大多面向特定业务问题,从算法设计到算法应用上都存在耦合度高、可移植性差、处理性能低等不足。在云计算、大数据环境下,面向不特定智能决策应用提供统一的推理服务,是本文研究的核心内容。应用场景多变、领域知识库多变、海量数据、高频次推理等应用特性,使得推理引擎在系统架构、混合推理调度机制、分布式并行推理技术等方面遇到很大挑战。本文以部委预研项目“XX信息智能处理支撑技术”为工作背景,对推理引擎各项关键技术进行了系统、深入的研究。论文研究工作及创新成果主要有:（1）提出一种支持流程编排和分布式推理的混合推理系统框架现有混合推理系统大多将RBR和CBR按固定模式进行集成,缺乏灵活性和通用性。本文对智能决策的动态特点和人类推理能力的心智模式进行探讨,提出一种基于数据驱动思想的混合推理集成机制,使得推理引擎具有推理流程编排的服务支撑能力,可以在运行时确定混合推理的集成调度策略,... 

【文章来源】：西北工业大学陕西省211工程院校985工程院校

【文章页数】：138 页

【学位级别】：博士

【部分图文】：

美国导弹防御系统作战体系

CBR的R4工作模型

数据子集NMap()图 2-3 MapReduce 处理大数据集的过程虽然 MapReduce 编程模型具有处理能力强、易编程、扩展性好等优点，但其局限性。MapReduce 的适用场景是大规模、非实时的数据处理问题：大规模

【参考文献】：
期刊论文
[1]结合Rete的RDF数据分布式并行推理算法[J]. 汪璟玢,郑翠春.  模式识别与人工智能. 2016(05)
[2]基于Hadoop的电网数据质量校验方法与验证系统[J]. 张志亮,孙煜华,陈承志,龙庆麟,梁国辉,顾荣,杨滨诚,黄宜华.  计算机研究与发展. 2014(S2)
[3]YARM:基于MapReduce的高效可扩展的语义推理引擎[J]. 顾荣,王芳芳,袁春风,黄宜华.  计算机学报. 2015(01)
[4]基于ALCQ（D）的CBR事例表示及相似性度量[J]. 孙晋永,古天龙,常亮,马林威.  计算机科学. 2014(04)
[5]基于TRIZ的产品生态设计方法研究——融合规则和案例推理[J]. 刘征,顾新建,潘凯,杨青海.  浙江大学学报(工学版). 2014(03)
[6]一种基于Hadoop的语义大数据分布式推理框架[J]. 陈曦,陈华钧,顾珮嵚,张宁豫,陈娇彦,于彤.  计算机研究与发展. 2013(S2)
[7]坦克分队作战指挥决策仿真方法研究[J]. 马亚龙,冯军星,董珊珊.  系统仿真学报. 2013(S1)
[8]云计算环境下的SWRL规则分布式推理框架[J]. 李韧,杨丹,胡海波,谢娟,吴云松,傅鹂.  重庆大学学报. 2013(02)
[9]基于本体案例推理与规则推理的土地利用空间布局研究[J]. 王重洋,邱炳文,龙荣,高建阳.  资源科学. 2013(02)
[10]贝叶斯推理的逻辑与认知问题[J]. 任晓明,黄闪闪.  浙江大学学报(人文社会科学版). 2012(04)

博士论文
[1]基于专家系统的飞行器评估系统研究[D]. 陈帅均.中国科学院研究生院（光电技术研究所） 2014
[2]领域本体覆盖度评价关键技术研究[D]. 欧阳柳波.中南大学 2012
[3]海量规则并行处理研究[D]. 张桂刚.武汉大学 2009



本文编号：3626097