摘要: |
该文在不确定性信息处理的研究领域中,进一步发展了已有的理论和方法,研究了将处理各个不确定性信息的方法综合集成到一起的系统,并取得了如下主要研究成果:1.提出了带概率因子的模糊推理模型,证明了该种模糊推理系统是一个通用逼近器,并给出了一种从训练数据集中辨识该模糊模型的方法.2.将一种简单的Naive Bayes网络扩展到模糊Naive Bayes网络.3.研究了基于模糊Naive Bayes网络和遗传算法的带概率因子的模糊推理模型,并将这种混合模型成功用于倒小车的控制仿真和时间序列预测实验中.4.研究了基于模糊Naive Bayes网络的一类带权重的模糊分类系统的辨识问题,并将这种分类系统用于一些著名的机器学习问题中,取得了满意的结果.5.研究了一种基于模糊D-S信念结构的广义模糊系统,提出了利用规则前件的激活度影响规则后件中模糊D-S信念结构中焦点元的隶属函数形状的推理方法,当各个焦点元的隶属函数具有相同的势时,该模糊模型为著名的Sugeno-型的模糊推理系统.6.针对基于模糊D-S信念结构的广义模糊系统,提出了另一种推理方法,即利用规则前件的激活度影响规则后件中模糊D-S信念结构中焦点元的信念度,并引入了一个新的焦点元"不知道".7.考虑到历史经验和知识的重要性,该文提出了基于先验知识的证据合成理论,该理论具有严格的概率基础和良好的代数性质.8.考虑到先验知识中的不确定性,特别是模糊性,该文提出了基于模糊先验知识的证据合成理论.9.提出了在不完全性信息环境中表示知识和从事推理的方法. |