推理系統(tǒng)的案例
用于標定和優(yōu)化的高壓共軌柴油機建模
為適應高效率的需要，提出并研究了基于模型的標定優(yōu)化，即采用神經(jīng)網(wǎng)絡在一些工況點上建立模型，再通過自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）進行插值，將模型由這些工況點擴展到所需工況空間。模型精度由對象、建模所用數(shù)據(jù)量及模型參數(shù)調(diào)整共同決定。試驗在一臺六缸高壓共軌柴油機上進行。理論分析和試驗結果表明：該方法可以在保證精度的同時有效減少標定優(yōu)化的試驗工作量。
關鍵詞：柴油機，高壓共軌，欲噴射，神經(jīng)網(wǎng)絡，自適應神經(jīng)模糊推理系統(tǒng)（ANFIS）
內(nèi)容簡介：
1 模型整體結構
2 工況點上神經(jīng)網(wǎng)絡建模
3 自適應神經(jīng)模糊推理系統(tǒng)插值建模
4 模型性能檢查
5 結論
用于標定和優(yōu)化的高壓共軌柴油機建模.pdf
展開 《MATLAB 7.0控制系統(tǒng)應用與實例》
7.3 模糊控制工具箱GUI工具
7.4 MATLAB模糊推理系統(tǒng)的高級應用
7.5 模糊邏輯工具箱的應用實例
附錄 基于MATLAB的數(shù)據(jù)采集開發(fā)板
參考文獻
人工智能中的推理類型
非單調(diào)推理用于需要根據(jù)新信息更新結論的 AI 系統(tǒng)，例如實時交通控制等動態(tài)決策系統(tǒng)。
?
東南大學 故障診斷介紹
機械設備工況監(jiān)視與故障診斷系統(tǒng)
MFD系列產(chǎn)品
自1990年以來，先后研制開發(fā)了MFD（機械故障診斷）系列產(chǎn)品：MFD101，MFD201，MFD301，MFD302，MFD401～403，MFD310。經(jīng)歷了 五代產(chǎn)品的改進、更新，現(xiàn)主推MFD310。需要系統(tǒng)進一步資料請電話或email聯(lián)系。同時也可參見本網(wǎng)站內(nèi)的技術論文。
1、簡介
本系統(tǒng)利用振動、溫度、壓力等傳感器在線獲取機組運行狀態(tài)信息。信號采集部分根據(jù)轉(zhuǎn)速信號實現(xiàn)整周期并行采集多路振動信號；實時監(jiān)視部分一天24小時實時顯示各種快變信號（如振動）和緩變信號（如壓力、溫度）的數(shù)字和圖表，運用振幅、振幅增加速率和分頻振幅值等多種方法判別機組運行是否正常，實現(xiàn)異常工況自動報警，并有在不可預見事故發(fā)生時保存現(xiàn)場信息的"黑匣子"功能；在線故障診斷部分定時接收數(shù)據(jù)采集實時監(jiān)視系統(tǒng)傳來的振動、振動相關信號及特征數(shù)據(jù)。利用邏輯推理、數(shù)值分析，結合領域?qū)＜抑R和機組歷史檔案進行綜合分析，并采用人工智能技術，把人工神經(jīng)網(wǎng)絡融入邏輯推理專家系統(tǒng)的推理機制，通過全局邏輯推理、局部人工神經(jīng)網(wǎng)絡并行計算的推理機制，模擬人類形象思維和邏輯思維相結合的過程，給出故障信息和解決問題的對策。
2、監(jiān)視診斷方式
常見的工況監(jiān)視與故障診斷方式有：離線工況監(jiān)視診斷方式、單機在線工況監(jiān)視診斷方式、集中式在線工況監(jiān)視診斷方式等。在綜合上述監(jiān)視診斷方法的優(yōu)缺點的基礎上，我們提出了分布式在線工況監(jiān)視與故障診斷方式，該方式對于每臺設備分別配置一套數(shù)采監(jiān)視系統(tǒng)，多臺數(shù)采監(jiān)視系統(tǒng)共享一套診斷系統(tǒng)，如圖所示。數(shù)采監(jiān)視系統(tǒng)通過計算機網(wǎng)絡與診斷系統(tǒng)通訊聯(lián)絡。既保證了監(jiān)測的實時性(即使在診斷時也能保證不中斷監(jiān)視)，又可以實現(xiàn)信息的共享。
展開 
《MATLAB語言在建筑抗震工程中的應用》
【目錄】
前言
第1章 MATLAB語言簡介
1.1 MATLAB語言的發(fā)展
1.2 MATLAB的安裝
1.3 MATLAB的編程環(huán)境
第2章 MATLAB語言
2.1 矩陣
2.2 數(shù)組
2.3 多項式
2.4 數(shù)據(jù)的統(tǒng)計和分析
2.5 雙重函數(shù)
2.6 M文件的編寫和調(diào)試
2.7 MATLAB圖形處理和數(shù)據(jù)可視化
第3章 MATLAB語言的符號計算功能
3.1 符號計算基本知識
3.2 符號微積分及極限運算
3.3 線性代數(shù)運算
3.4 解方程(組)
3.5 符號函數(shù)的可視化
第4章 Simulink工具箱
4.1 Simulink簡介
4.2 Simulink模型的創(chuàng)建
4.3 子系統(tǒng)的創(chuàng)建
第5章 神經(jīng)網(wǎng)絡工具箱
5.1 神經(jīng)網(wǎng)絡工具箱簡介
5.2 使用圖形用戶界面GUI創(chuàng)建神經(jīng)網(wǎng)絡
5.3 神經(jīng)網(wǎng)絡工具箱命令行函數(shù)
5.4 神經(jīng)網(wǎng)絡工具箱與Simulink的接口
第6章 模糊邏輯工具箱
6.1 模糊邏輯工具箱簡介
6.2 使用圖形用戶界面GUI創(chuàng)建模糊推理系統(tǒng)
6.3 模糊邏輯工具箱的命令行函數(shù)
6.4 模糊邏輯工具箱與Simulink的接口
第7章 振型分解法求解結構的地震反應
7.1 概述
7.2 結構的動力特性
7.3 振型分解法
7.4 MATLAB程序及實例分析
第8章 時程分析法求解結構的地震反應
8.1 時程分析法
8.2 彈性時程分析程序設計與實例
8.3 彈塑性時程分析程序設計與實例
第9章 地震過程中結構的動態(tài)仿真
9.1 地震作用下結構動態(tài)系統(tǒng)狀態(tài)空間描述
9.2 結構動態(tài)系統(tǒng)的Simulink仿真
9.3 實例分析
9.4 仿真演示
第10章 神經(jīng)網(wǎng)絡技術在建筑抗展中的應用
10.1 神經(jīng)網(wǎng)絡的主要模型
10.2 神經(jīng)網(wǎng)絡對結構地震反應的預測
10.3 仿真演示
展開 AI 中的演繹推理
[
一個
→
C
答→C
]
AI 中的演繹推理
AI 系統(tǒng)中的演繹推理是針對不同場景使用以下方法實現(xiàn)的：
1. 基于規(guī)則的系統(tǒng)
這些系統(tǒng)基于一組已建立的規(guī)則運行，這些規(guī)則包括條件及其相應的作。如果滿足規(guī)則指定的條件，則執(zhí)行關聯(lián)的作。基于規(guī)則的系統(tǒng)經(jīng)常用于專家系統(tǒng)，這些系統(tǒng)復制了人類專家的決策能力。
例如，在診斷疾病時，專家系統(tǒng)可以利用預定義的醫(yī)療規(guī)則來評估出現(xiàn)的癥狀并得出診斷。
2. 邏輯編程
邏輯編程是一種替代方法，其中程序用關系表示，在 Prolog 等編程語言中表示為事實和規(guī)則的集合。AI 系統(tǒng)使用這些邏輯關系來推斷新數(shù)據(jù)或做出確定。
例如，邏輯程序可以封裝調(diào)度系統(tǒng)的準則，從而根據(jù)員工的可用性和資格自動分配班次。
3. 自動定理證明 （ATP）
自動定理證明 （ATP） 系統(tǒng)旨在通過演繹推理自動證明數(shù)學定理。這些系統(tǒng)在需要細致計算和驗證的領域中發(fā)揮著關鍵作用，例如密碼學和算法設計，在這些領域中，既定的準確性至關重要。
案例研究：在 AI 中利用演繹推理進行醫(yī)學診斷
患者在醫(yī)療診所就診，癥狀包括發(fā)熱、咳嗽和呼吸困難。該醫(yī)療保健提供者配備了人工智能驅(qū)動的診斷系統(tǒng)，旨在利用演繹推理準確診斷患者的病情。
展開 淺析模具設計制造過程中的若干問題
模塊劃分是否合理，直接影響模塊化系統(tǒng)的功能、性能和成本。每一類產(chǎn)品的模塊劃分都必須經(jīng)過技術調(diào)研并反復論證才能得出劃分結果。對于模具而言，功能模塊與結構模塊是互相包容的。結構模塊的在局部范圍內(nèi)可有較大的結構變化，因而它可以包含功能模塊;而功能模塊的局部結構可能較固定，因而它可以包含結構模塊。模塊設計完成后，在Pro/E的零件/裝配(Part/Assembly)空間中手工建構所需模塊的特征模型，運用Pro/E的用戶自定義特征功能，定義模塊的兩項可變參數(shù):可變尺寸與裝配關系，形成用戶自定義特征(User-Defined Features,UDFs)。生成用戶自定義特征文件(以gph為后綴的文件)后按分組技術取名存儲，即完成模塊庫的建立。
1.2 模塊庫管理系統(tǒng)開發(fā)
系統(tǒng)通過兩次推理，結構選擇推理與模塊的自動建模，實現(xiàn)模塊的確定。第一次推理得到模塊的大致結構，第二次推理最終確定模塊的所有參數(shù)。通過這種途徑實現(xiàn)模塊 "可塑性"目標。在結構選擇推理中，系統(tǒng)接受用戶輸入的模塊名稱、功能參數(shù)和結構參數(shù)，進行推理，在模塊庫中求得適用模塊的名稱。
如果不滿意該結果，用戶可指定模塊名稱.在這一步所得到的模塊仍是不確定的，它缺少尺寸參數(shù)、精度、材料特征及裝配關系的定義。在自動建模推理中，系統(tǒng)利用輸人的尺寸參數(shù)、精度特征、材料特征與裝配關系定義，驅(qū)動用戶自定義特征模型，動態(tài)地、自動地將模塊特征模型構造出來并自動裝配。自動建模函數(shù)運用C語言與Pro/E的二次開發(fā)工具Pro/TOOLKIT開發(fā)而成。通過模塊的調(diào)用可迅速完成模具設計。應用此系統(tǒng)后模具設計周期明顯縮短。由于在模塊設計時認真考慮了模塊的質(zhì)量，因而對模具的質(zhì)量起基礎保證作用。模塊庫中存放的是相互獨立的UDFs文件，因此本系統(tǒng)具有可擴充性。
展開 電驅(qū)動橋關鍵技術綜述
HU等為提高電動汽車傳動系統(tǒng)的性能和集成度，將2組電機繞組分別通過逆變器與超級電容和電池連接，使雙三相永磁同步電機驅(qū)動系統(tǒng)不需要附加的DC/DC 變換器。Huang等設計了一個集成的散熱結構，將熱量有效地從電機殼體內(nèi)轉(zhuǎn)移到外部熱交換器。Montonen等將永磁同步電機與行星齒輪、電機冷卻和潤滑系統(tǒng)集成在一起并對集成系統(tǒng)的冷卻性能進行了驗證。Sinkko 等提出了一種集成永磁同步電機和兩級行星齒輪的新型結構，如圖5 所示，電機轉(zhuǎn)子采用空心結構從而為行星齒輪的安裝提供了空間。此外，該結構還可通過控制離合器使轉(zhuǎn)矩有2 種不同傳遞方式，從而具有不同的傳動比，一種是當齒圈固定時電機轉(zhuǎn)矩從太陽輪輸入，行星架輸出，另一種是將輸入軸與輸出軸直接相連。
圖5 電機與行星齒輪集成結構
劉志強等發(fā)明了一種車用集成電機的逆變器總成，由帶冷卻的逆變器殼體和厚銅印制電路板（Printed Circuit Board，PCB）總成構成，可實現(xiàn)結構的集成化。該逆變器總成利用厚銅PCB 總成實現(xiàn)了功率主回路、驅(qū)動和控制電路以及電流傳感器的一體化集成和多層部件的設計，結構高度集成，軸向和徑向空間更加緊湊。Yang 等提出了一種新型的具有雙轉(zhuǎn)子電機的集成化傳動系統(tǒng)，可通過控制鎖止器、離合器的開合以及轉(zhuǎn)子的鎖定實現(xiàn)4 種不同的傳動比。采用雙轉(zhuǎn)子的傳動系統(tǒng)在提升集成化程度的同時，也減少了電機驅(qū)動線束。
在產(chǎn)品集成化方面，目前有“二合一方案”“三合一方案”和“多合一方案”。二合一的電驅(qū)動橋是將電機與減速器集成為一體；三合一的電驅(qū)動橋是將逆變器、電機和減速器集成為一體；多合一的電驅(qū)動橋是在三合一電驅(qū)動橋的基礎上再集成整車的充放電及控制等功能。
展開 大數(shù)據(jù)智能決策.
模糊集于上世紀60 年代由Zadeh 提出,通過隸屬度函數(shù)表達模糊性概念,其本身是一種有效的不確定性信息表示與處理方法.目前模糊集方法已經(jīng)形成一整套較為完整的理論體系,包括模糊集、模糊邏輯、模糊系統(tǒng)以及它們的擴展形式[35].由于模糊集方法可以在不同信息粒度層次上對不確定性數(shù)據(jù)進行表示與處理,因此具有較強的可解釋性和可理解性.模糊集在大數(shù)據(jù)中的應用,形成對大數(shù)據(jù)不確定性的表示與處理的有效手段.在面向大數(shù)據(jù)的聚類應用中,模糊C-means 算法(FCM) 已經(jīng)成為一種常用的軟聚類方法.文獻[36] 將FCM 應用于機器人觸覺感知數(shù)據(jù)的分析,解決機器人觸覺識別問題.Chang 等[37] 針對高維度數(shù)據(jù)聚類問題,提出稀疏正則化FCM 算法.Di Martino 等[38] 將FCM擴展應用于超大型事件數(shù)據(jù)集中的熱點檢測,并進一步提出了一種時空FCM 方法,用于面向時空大數(shù)據(jù)的熱點檢測與預測問題[39].模糊規(guī)則分類系統(tǒng)廣泛地應用于模式識別和分類任務,可以為用戶提供帶有語義標簽的可解釋分類規(guī)則,降低決策失誤的風險.Jindal 等[40] 設計了云環(huán)境下的模糊規(guī)則分類器,用于處理多源異構的遠程醫(yī)療大數(shù)據(jù),實現(xiàn)對病人的遠程實時診斷決策.針對面向大數(shù)據(jù)的模糊分類,Segatori 等[41] 提出了基于Map Reduce 的分布式模糊決策樹(FDTs) 計算模型.模糊推理系統(tǒng)還常與神經(jīng)網(wǎng)絡相結合,以提高決策問題求解的自適應性.在電力系統(tǒng)控制領域,文獻[42] 將神經(jīng)網(wǎng)絡與模糊推理系統(tǒng)相結合,提出三種自適應神經(jīng)模糊推理系統(tǒng),用于太陽能發(fā)電企業(yè)控制決策中的短時電力預測問題.Jindal 等[43] 針對疾病診斷決策中的分類問題,提出了用于醫(yī)療大數(shù)據(jù)維度約簡的模糊神經(jīng)分類器方法,有效提高疾病診斷準確率.更多有關模糊集在大數(shù)據(jù)決策方面的研究可以參見文獻[35].從現(xiàn)有的基于模糊集方法的大數(shù)據(jù)決策文獻來看
展開 『分享』考慮環(huán)境因素的分布式系統(tǒng)可靠性建模及其分析
摘 要：為建立可變工作環(huán)境下分布式系統(tǒng)可靠性模型，提出受控混合隨機Petri網(wǎng)，即用連續(xù)庫所中的托肯控制離
散變遷的變遷率．以此反映工作環(huán)境對部件可靠性的影響，從而推理出環(huán)境對系統(tǒng)可靠性的影響．在此模型的基礎
上，采用蒙特卡羅方法進行不同環(huán)境下系統(tǒng)可靠性仿真求解，解決了可變工作環(huán)境下分布式系統(tǒng)的可靠性建模及其
分析問題．最后，以一個C ISR系統(tǒng)為例說明了該方法是一種考慮可變工作環(huán)境影響的分布式系統(tǒng)可靠性分析的可
行方法．
關鍵詞：可變工作環(huán)境；分布式系統(tǒng)；受控混合隨機Petri網(wǎng)；可靠性分析
考慮環(huán)境因素的分布式系統(tǒng)可靠性建模及其分析.pdf
展開 2024快速組建深度學習集群系統(tǒng)配置方案
</p><p><strong style="color: rgb(31, 35, 40);">三.系統(tǒng)配置</strong></p><p><strong>1）操作系統(tǒng)</strong></p><p>- 計算節(jié)點通常使用Linux系統(tǒng)，如Ubuntu、CentOS或?qū)ｉT為數(shù)據(jù)中心優(yōu)化的操作系統(tǒng)。</p><p>- 存儲服務器同樣可選用穩(wěn)定的Linux系統(tǒng)，根據(jù)存儲服務的特點進行優(yōu)化。</p><p><strong>2)系統(tǒng)管理</strong></p><p>- 安裝必要的系統(tǒng)工具，如Docker或Singularity容器環(huán)境以便于軟件部署。</p><p>- 使用Kubernetes、YARN、Slurm或其他集群管理系統(tǒng)進行資源調(diào)度和作業(yè)管理。</p><p><strong>3)文件系統(tǒng)</strong></p><p>- 配置高效的文件系統(tǒng)，如分布式文件系統(tǒng)（如HNFS等）或并行文件系統(tǒng)（Lustre、GPFS），用于數(shù)據(jù)共享和存儲管理</p><p><strong style="color: rgb(31, 35, 40);">4.
展開 
無人集群系統(tǒng)自主協(xié)同技術綜述
多Agent系統(tǒng)是一個非常熱門的研究領域，在人工智能、控制理論、機器人等領域已有廣泛應用。但現(xiàn)階段，對于多Agent在未知環(huán)境下工作協(xié)同的研究成果較少，無法滿足智能協(xié)同的迫切需求，需要系統(tǒng)深入的研究。
2) 將無人集群系統(tǒng)研究落實到應用層面的成功案例較少。大部分研究都是以數(shù)學模型和定理為背景，涉及到具體應用和平臺產(chǎn)品的還很少，需要在理論研究和應用背景下，完成典型任務的多Agent分布式協(xié)同推理系統(tǒng)原理論證，實現(xiàn)對相關技術性能指標的驗證。
3) 對Agent相關的要素進行抽象化。現(xiàn)有研究認為未知屬性有環(huán)境信息、Agent自身狀態(tài)、通訊信息和相關通訊數(shù)據(jù)。后續(xù)研究可以綜合考慮上述環(huán)境屬性，將Agent可以獲得的環(huán)境要素分為時鐘、位置、溫度、速度、網(wǎng)絡環(huán)境、Agent個數(shù)、Agent角色等，同時可以將未知的環(huán)境要素抽象為應用相關要素和應用無關要素，可使研究對象更為泛化。
4) Agent動力學特征方面，現(xiàn)有研究要么考慮未知的具體應用環(huán)境而假設Agent的感知和通訊是穩(wěn)定的；要么考慮復雜行為Agent的系統(tǒng)動力學未知，而假設通訊是穩(wěn)定的；要么僅考慮未知通訊。
展開 無人集群系統(tǒng)自主協(xié)同技術綜述
多Agent系統(tǒng)是一個非常熱門的研究領域，在人工智能、控制理論、機器人等領域已有廣泛應用。但現(xiàn)階段，對于多Agent在未知環(huán)境下工作協(xié)同的研究成果較少，無法滿足智能協(xié)同的迫切需求，需要系統(tǒng)深入的研究。
2) 將無人集群系統(tǒng)研究落實到應用層面的成功案例較少。大部分研究都是以數(shù)學模型和定理為背景，涉及到具體應用和平臺產(chǎn)品的還很少，需要在理論研究和應用背景下，完成典型任務的多Agent分布式協(xié)同推理系統(tǒng)原理論證，實現(xiàn)對相關技術性能指標的驗證。
3) 對Agent相關的要素進行抽象化。現(xiàn)有研究認為未知屬性有環(huán)境信息、Agent自身狀態(tài)、通訊信息和相關通訊數(shù)據(jù)。后續(xù)研究可以綜合考慮上述環(huán)境屬性，將Agent可以獲得的環(huán)境要素分為時鐘、位置、溫度、速度、網(wǎng)絡環(huán)境、Agent個數(shù)、Agent角色等，同時可以將未知的環(huán)境要素抽象為應用相關要素和應用無關要素，可使研究對象更為泛化。
4) Agent動力學特征方面，現(xiàn)有研究要么考慮未知的具體應用環(huán)境而假設Agent的感知和通訊是穩(wěn)定的；要么考慮復雜行為Agent的系統(tǒng)動力學未知，而假設通訊是穩(wěn)定的；要么僅考慮未知通訊。
展開 萬字綜述無人系統(tǒng)自主性
(8)在模式匹配與現(xiàn)有態(tài)勢類別匹配不理想時,進行推理的系統(tǒng)、環(huán)境與其他參與方(如隊友、敵手、平民等)的模型。
(9)態(tài)勢類別與模型的主動學習與提煉。
(10)制訂計劃以實現(xiàn)目標并按需求進行動態(tài)重規(guī)劃的能力。
(11)按需求優(yōu)化環(huán)境、系統(tǒng)及其他來源的數(shù)據(jù)釆集,以支持態(tài)勢模型持續(xù)需求的能力。
(12)與操作員或其他自主系統(tǒng)就上述任意功能(例如,目標統(tǒng)一、態(tài)勢模型、決策、功能分配與優(yōu)先級劃分計劃等)進行交互,以實現(xiàn)協(xié)同獲準行動的能力。
2. 學習系統(tǒng)
在開發(fā)系統(tǒng)自主性的過程中,使用學習系統(tǒng)既有優(yōu)點也有不足。為了使這些學習系統(tǒng)成功地得到應用,我們必須彌補這些不足。以積極的眼光看,應用基于學習算法的系統(tǒng)能夠應對各種情境因素(例如,環(huán)境因素、任務相關因素、敵手),生成能夠應對更多樣的態(tài)勢的魯棒性方案。在這種情況下,設計人員和開發(fā)人員不需要提前預測所有潛在的條件(這從理論和實踐的角度來看都十分困 難),或者預先指定在各種可能的條件組合下應當采取的措施。相反,他們創(chuàng)建了一種結構,使自主性進行自我組織和學習,并適應不斷變化的態(tài)勢。這要求自主性可發(fā)人理解學習和推理。在人的認知和生物學的啟發(fā)下,我們得出有以下幾種方法可用：
(1)模糊邏輯( Fuzzylogic)。提供將一個或多個連續(xù)狀態(tài)變量映射至相應類別以進行推理和決策的框架
(2)神經(jīng)網(wǎng)絡( NeuralNetworks)。網(wǎng)絡利用通過程序在大型典型案例數(shù)據(jù) 庫的訓練過程中學習到的可變互聯(lián)權重來進行知識表達的算術框架,學習解決方案。
(3)遺傳與進化算法(Genetic and Evolutionary Algorithms)。在進化遺傳的啟發(fā)下采用重復仿真的方法,縮小潛在選項的范圍,選擇最優(yōu)解決方案。
展開 無人系統(tǒng)自主性研究綜述
(8)在模式匹配與現(xiàn)有態(tài)勢類別匹配不理想時,進行推理的系統(tǒng)、環(huán)境與其他參與方(如隊友、敵手、平民等)的模型。
(9)態(tài)勢類別與模型的主動學習與提煉。
(10)制訂計劃以實現(xiàn)目標并按需求進行動態(tài)重規(guī)劃的能力。
(11)按需求優(yōu)化環(huán)境、系統(tǒng)及其他來源的數(shù)據(jù)釆集,以支持態(tài)勢模型持續(xù)需求的能力。
(12)與操作員或其他自主系統(tǒng)就上述任意功能(例如,目標統(tǒng)一、態(tài)勢模型、決策、功能分配與優(yōu)先級劃分計劃等)進行交互,以實現(xiàn)協(xié)同獲準行動的能力。
2. 學習系統(tǒng)
在開發(fā)系統(tǒng)自主性的過程中,使用學習系統(tǒng)既有優(yōu)點也有不足。為了使這些學習系統(tǒng)成功地得到應用,我們必須彌補這些不足。以積極的眼光看,應用基于學習算法的系統(tǒng)能夠應對各種情境因素(例如,環(huán)境因素、任務相關因素、敵手),生成能夠應對更多樣的態(tài)勢的魯棒性方案。在這種情況下,設計人員和開發(fā)人員不需要提前預測所有潛在的條件(這從理論和實踐的角度來看都十分困 難),或者預先指定在各種可能的條件組合下應當采取的措施。相反,他們創(chuàng)建了一種結構,使自主性進行自我組織和學習,并適應不斷變化的態(tài)勢。這要求自主性可發(fā)人理解學習和推理。在人的認知和生物學的啟發(fā)下,我們得出有以下幾種方法可用：
(1)模糊邏輯( Fuzzylogic)。提供將一個或多個連續(xù)狀態(tài)變量映射至相應類別以進行推理和決策的框架
(2)神經(jīng)網(wǎng)絡( NeuralNetworks)。網(wǎng)絡利用通過程序在大型典型案例數(shù)據(jù) 庫的訓練過程中學習到的可變互聯(lián)權重來進行知識表達的算術框架,學習解決方案。
(3)遺傳與進化算法(Genetic and Evolutionary Algorithms)。在進化遺傳的啟發(fā)下采用重復仿真的方法,縮小潛在選項的范圍,選擇最優(yōu)解決方案。
展開 