领域知识的不确定性推理研究

论文摘要

领域知识作为当前研究的一个新领域,其在个体认知中不仅能够显著的增强工作的记忆能力,而且还能提高人们对信息的预测能力。领域本体(Ontology)作为一种重要的知识模型的建模工具,它不但能够在语义和知识层次上描述知识,而且提供了对相关概念的规范化、明确化描述。从而为知识的共享打下了基础,为领域知识的组织和构建提供了一个良好的平台。但本体不能很好的表达概念之间的相交程度,也不能表达只知道概念的部分信息的推理模式,即存在不确定性。因此通过本体构造的领域知识中存在的不确定性问题,已成为人们关注和研究的焦点。贝叶斯决策理论为处理各种不确定的事件或推理准备了很强的理论基础。在表达领域知识的不确定性和推理方面,贝叶斯网络被广泛的应用,且已被证明是得到不确定性知识的置信度最有效方法之一。条件事件代数作为一门新兴的学科在处理不确定性、概率性和模糊性推理问题上具有较强的数学理论基础。条件事件代数能够把高阶的条件事件转换成普通事件和逻辑事件的组合。本文结合贝叶斯网络和条件事件代数对领域知识的组织中存在的不确定性事件或知识进行了相关的研究。本文首先对本体构建的相关技术进行介绍。领域本体作为领域知识的载体,能够直观的提供对该领域知识的共同理解,明确该领域内都认同的词汇,并赋予这些词汇(术语)和词汇之间相互关系的明确定义。本文还对领域本体的构建过程及其描述语言进行了相应的介绍。对本体进行了相应的概率扩展,使其具有表示不确定信息的能力。最终构建了具有概率信息的领域本体。其次,对基于贝叶斯网络的不确定性推理进行研究。贝叶斯网络利用随机变量之间的条件独立性假设,将一个联合概率分布形象地表示为一个图形结构和一系列的条件概率表,经过相应的消元变量,计算可求出任一变量的概率分布或部分变量的概率分布。贝叶斯网络被广泛用来进行不确定性推理,一个最重要的原因就是概率论是表示不确定性的一个合理的方式。本文通过斯坦福大学的本体开发工具protege3.3.1构建领域本体,在此基础上对该领域本体进行概率扩展,使用Jena及相关的组件对扩展的概率本体进行解析。然后对解析的本体文件进行格式化处理,进一步完成贝叶斯网的构建。最后通过构建的贝叶斯网以图形化的方式实现领域知识的不确定性推理过程。最后,对基于条件事件代数结合贝叶斯网的不确定性推理进行研究。条件事件代数作为一门新兴的学科,在不确定信息的推理方面具有广泛的应用空间。利用条件事件代数和条件事件,通过扩展普通的可测空间,首先使概率与逻辑在表达规则时相一致,然后通过条件事件代数把高阶条件事件转换成为普通的事件和逻辑事件的组合。最终完成对高阶事件的推理过程。本文通过实例证明了该方法在解决领域知识中不确定信息的可行性及有效性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景及意义
• 1.2 国外研究现状
• 1.3 国内研究现状
• 1.4 本文研究内容
• 1.5 论文的组织
• 第二章 领域知识不确定性推理研究概述
• 2.1 领域知识与本体论概述
• 2.1.1 本体的定义
• 2.1.2 本体的分类
• 2.1.3 领域知识与本体
• 2.2 不确定性推理
• 2.2.1 不确定性
• 2.2.2 不确定性推理方法
• 2.3 条件事件代数（CEA）
• 2.3.1 引言
• 2.3.2 条件事件代数的定义
• 2.3.3 几种条件事件代数
• 2.4 贝叶斯网络（BN）
• 2.4.1 贝叶斯网络的定义
• 2.4.2 贝叶斯网络的特点
• 2.5 BN与CEA的结合推理
• 2.6 领域知识网络结构分析
• 2.6.1 网状结构到树状结构
• 2.6.2 树状结构到单分支树状结构
• 2.7 本章小结
• 第三章 领域知识的组织及贝叶斯网的生成
• 3.1 领域本体的构建
• 3.1.1 领域本体的构建准则
• 3.1.2 领域本体构建的步骤
• 3.1.3 领域本体构建工具protege简介
• 3.1.4 领域本体的概率扩展
• 3.2 贝叶斯网的生成
• 3.2.1 领域本体映射到贝叶斯网
• 3.2.2 贝叶斯网初始化
• 3.3 关键技术介绍
• 3.3.1 Jena解析
• 3.3.2 基于Jena组件的概率扩展的OWL本体解析
• 3.3.3 Netica Java API
• 3.3.4 基于Netica的贝叶斯网的构建及可视化推理
• 3.4 本章小结
• 第四章 基于贝叶斯网的领域本体不确定性推理研究
• 4.1 贝叶斯网的推理优点
• 4.2 贝叶斯网的推理模式
• 4.3 贝叶斯推理算法介绍
• 4.4 基于贝叶斯网的不确定性推理实验及分析
• 4.4.1 实验一 预测推理
• 4.4.2 实验二 诊断推理
• 4.4.3 实验三 混合模式推理
• 4.4.4 实验总结
• 4.5 本章小结
• 第五章 基于条件事件代数的领域知识的不确定性推理研究
• 5.1 条件事件代数产生的背景及意义
• 5.2 条件事件代数的推理模式
• 5.2.1 条件事件代数的引入
• 5.3 基于条件事件代数的高阶条件事件推理实现
• 5.3.1 结合Gibbs抽样的CEA
• 5.3.2 PS-Gibbs算法的集中分析
• 5.4 实例及分析
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 附录A 攻读硕士学位期间发表论文
• 附录B 攻读硕士期间参与科研项目