【摘 要】
:
知识是对“识”的理解和描述,也可以说知识就是智能。但目前的主流认知是知识是人类在实践中认识客观世界的结果,这种认识并没有对认识的主体进行讨论。在人工智能领域,为了建立一个基于共识的知识库来表现智能,出现了专家系统、神经网络、知识图谱等模型,这些模型对知识的研究不够深入,且知识库不会随外界更新。因此为了建立一个全面、基于自我意识、可以随外界更新的知识库,本文在知识表示研究的基础上,将知识融合任务分成
【基金项目】
:
the fund of Science and Technology Department of Shaanxi Province(Project No:2017GY-070);
论文部分内容阅读
知识是对“识”的理解和描述,也可以说知识就是智能。但目前的主流认知是知识是人类在实践中认识客观世界的结果,这种认识并没有对认识的主体进行讨论。在人工智能领域,为了建立一个基于共识的知识库来表现智能,出现了专家系统、神经网络、知识图谱等模型,这些模型对知识的研究不够深入,且知识库不会随外界更新。因此为了建立一个全面、基于自我意识、可以随外界更新的知识库,本文在知识表示研究的基础上,将知识融合任务分成描述性、过程性、策略性和情感性知识融合四个部分,该研究使AORBCO模型中的Ego可以学习新知识并形成自身的理解,是模型进行演化和问题规划的关键。以下是论文的主要研究内容:1)根据知识的本质,选择AORBCO模型作为知识表示方法。现有知识仅从来源、决定因素和组成的角度对知识进行分析,将智能和知识割裂。针对该问题,本文基于唯识学重新对知识进行定义,知识是对“识”的理解和描述。随后从知识的四大特性、知识的作用和知识的组成三个新维度对现有的知识表示方法进行分析和比较,发现这些知识只能表现智能的一部分。由于AORBCO模型中的知识表示方法可以解决现有知识表示存在的问题,能更全面的表现智能,因此选择了AORBCO模型进行知识表示。2)按照知识的不同作用将知识分成四种并研究了四种知识的融合方法。AORBCO模型中的知识融合是为了将现实世界感知到的事物映射到抽象世界当中,形成对新世界的认识并完成知识的更新。描述性知识是描述事物状态的知识,在描述性知识融合中,针对实体对齐问题,提出了CANE-EA算法,该算法根据实体所属类和周围实体进行对齐,使Ego建立起现实世界到抽象世界中信念的联系。过程性知识是改变事物状态的操作,在过程性知识融合中,首先对参数和参数约束进行定义,针对能力对齐问题,提出了PARO-FA算法,该算法根据参数、前置条件和后置条件来判断能力是否对齐,使Ego能学习新能力。策略性知识是对过程性知识的选择,在策略性知识融合中,使用策略图(Strategy Knowledge Graph)来表示策略性知识,使Ego在进行问题规划时,可以根据策略图进行推理。情感性知识是进行价值判断的知识,在情感性知识融合中,给出了描述性知识和策略性知识中权重是如何变化的,使Ego形成了对事物的偏好并进行改变。3)在AORBCO模型平台中设计了三个实验以验证算法的可行性并将算法应用到智能Web中以验证算法的可用性。在描述性知识融合实验中,通过融合现实世界抽象的三元组信息,验证实体融合算法的可行性。在过程性和策略性知识融合实验中,通过融合新的能力,验证过程性知识融合算法和策略性知识融合算法的可行性。结果表明本文提出的算法可以使Ego基于自己的知识库对信念、能力和策略图进行更新,为Ego学习新知识和认识新世界提供了方法。
其他文献
随着自行火炮功能、结构和集成技术的日益复杂,故障诊断和维修保障的要求也越来越高。同时,自行火炮使用人员的流动性大,需要保障装备的培训学习效果和减少诊断推理对专业技能及经验的依赖,以便使用人员和维修人员能够快速熟悉装备,并在故障发生时准确迅速地应用知识完成故障诊断和故障排除。IETM的应用不仅为复杂装备的故障诊断提供了便利,还能满足装备的维护保障和培训需求。为了提升自行火炮的故障诊断效率和保障能力,
目标跟踪作为计算机视觉领域的一项重要任务,在虚拟现实、智能交通、无人机等领域具有广泛的应用。随着机器学习技术的进一步发展,目标跟踪技术有了很大的改进,然而因为遮挡、背景杂乱和出视野等挑战因素的存在,实现复杂场景下的鲁棒跟踪仍存在一定的局限性。为了提升孪生网络目标跟踪算法的鲁棒性和定位精度,本文从以下两个方面进行研究。(1)针对复杂场景下的目标形变与相似物干扰的问题,在Siam RPN算法的基础上,
互联网技术的飞速发展和新闻平台的多样化,使得人们能便捷地获取、分享信息,同时也产生了“信息过载”。这使人们从海量信息中获取知识的效率受到严重挑战,推荐系统专于应对这一挑战。它是在用户需求不明朗的情况下,通过对用户行为习惯等信息进行综合分析,从而挑选出最合适的内容推送给用户。然而,在新闻场景下,只有部分研究通过深入分析文本内容来确立用户偏好,如DKN算法(Deep Knowledge-aware N
红外弱小目标检测技术在周界安防、目标跟踪、防火防灾等领域具有广泛的应用。红外弱小目标由于其尺寸小、特征不明显且经常受到背景杂波干扰等特点而导致检测难度极大,现有的目标检测方法存在严重的漏检和虚警。针对这些问题,本课题基于深度学习理论开展了红外弱小目标检测方法的研究。主要工作如下:(1)提出了基于孪生Transformer的单帧红外弱小目标检测方法。该方法将原图划分为若干个不重叠的子图,然后将目标子
随着互联网的快速发展和数智化时代的到来,个性化推荐已经被广泛应用在商品、视频、音乐、电影、短视频等各种推荐场景上,并且发挥了至关重要的作用。但如何进一步提升推荐的准确性并带来更高的用户体验感,一直是相关研究的重点。现有的基于深度学习的推荐算法常使用的预估模型是以用户的点击为目标的,这样并无法考虑到用户点击后产生的其他行为,从而缩小兴趣网络降低用户满意度,并且存在样本稀疏、显隐式反馈运用不平衡、目标
目标识别作为图像感知和视觉领域的一项基础任务,其性能的好坏将直接影响后续中高级任务的性能,进而决定着人工智能在特殊场景中的应用。最近几年,随着深度学习的发展,目标识别方法也取得了巨大的突破。但是现有的方法在面对复杂场景中的小目标识别和缺少标注数据的小样本目标识别上依然存在一些困难尚未解决。本文针对现有问题,从两方面进行分析,首先利用深度学习的目标特征感知能力和强化学习的序列搜索能力来解决小目标识别
在日常获取图像的过程中,受物体移动或相机移动等外界因素的影响,导致所拍摄照片会产生图像畸变。运动模糊是一种常见的图像退化问题,运动模糊图像复原技术一直以来是图像处理方向的研究热点,研究人员根据模糊核是否已知将图像去模糊方法划分为两类:模糊图像盲复原方法和模糊图像非盲复原方法。本文深入研究了运动模糊图像盲复原技术,对现有方法存在的缺陷进行了详细分析,提出了一种全新的基于多阶段的运动模糊复原网络,提高
图像超分辨率重建技术是指在同一场景下,从低分辨率模糊图像到高分辨率图像转换的一种特殊方法。近年来,由于其具有广泛的实际应用价值和深远的理论意义,这种技术已经被广泛地应用于计算机视觉、图像处理等领域。由于将生成对抗网络用于图像超分辨率重建可以获得更高的质量和更好的视觉体验,所以与生成对抗网络有关的研究受到了极大的重视,但是该网络在模型重建中存在尺度单一和获取高频信息不充分的弊端,导致生成的图像有强烈
随着互联网的快速发展,移动应用数量激增,同时移动应用产品功能趋于多样化与复杂化,由此引发的GUI测试问题也越来越具有挑战性。现有的移动应用GUI测试方法中,传统的手工测试存在高成本、低效率、强依赖等问题。而主流的自动化测试方法,money随机测试难以复现bug,录制回放技术需要大量人工操作。因此,如何实现快速高效的移动应用GUI自动化测试成为当前移动应用测试的研究热点。GUI测试建模是实现GUI自