张可佳 ,李春生 ,王 梅

(东北石油大学a.计算机与信息技术学院；b.现代教育技术中心,黑龙江 大庆163318)

1 概述

人工智能发展至今,各种混合智能方法层出不穷,如InterBay 方法[1]、不确定推理下的混合智能图像分割方法[2]等。由于知识是多数智能方法实现中最基本的组成元素,能够描述业务逻辑的表达内容,因此在智能化应用过程中起到决定性因素之一的依旧是知识[3]。模糊概念的提出解决了某些定性化知识无法定量转化的问题,降低了知识推理的唯一性限制,拓宽了知识应用领域,使知识推理的并发性和概率性更具意义[4]。以领域决策者和专家为代表的知识人对于知识的重要性体会颇深。虽然现在通过知识推理或模式匹配等智能化方法可以很好地解决领域内的故障诊断、危险评估、作业方案优选等问题,但是依旧或多或少地存在以下缺陷：(1)由专家组成的决策群体对于知识单体具有相同的判别倾向,但倾向程度会有不同,倾向程度反映了专家对于知识的深度认识和潜在经验,这对于模糊集下提高精细化计算至关重要[5],现有的多数知识结构往往忽略如何科学合理地统一专家倾向程度。(2)技术的快速发展导致知识自学习训练过程中影响因子繁多[6],计算过程复杂,对于知识自适应调整的因素考虑过于离散并依赖专业知识,导致很多专家系统的智能化自适应机制复杂,应用性较差。

针对上述问题,本文通过C-E 模型设计基于语义限制的模糊规则,改进有限集语义限制表达方法[6],将专家倾向进行定量化描述,作为知识结构的重要因素。……