A note on the potentials of probabilistic and fuzzy logic
Delft University of Technology(代尔夫特理工大学)
本文主要讨论:(1)$n$型模糊集的广义处理,其中$n$是大于等于$1$的整数,并附有实例、数学讨论和对所给数学概念的实际解释;(2)模糊逻辑与概率逻辑之间的潜力和联系,这些问题在文献中尚未讨论过;(3)由于数据集中不确定的数学和模糊的语言术语,在数据驱动的现实问题中出现的现实生活中的随机和模糊的不确定性和歧义的表示。
2022-09-29 cs.AI
Applications of fuzzy logic to Case-Based Reasoning
College of Letters and Sciences, National University(美国国立大学文理学院);Graduate Technological Educational Institute(希腊帕特拉斯技术教育学院)
本文讨论了模糊逻辑思想在基于实例推理(CBR)过程的形式化和CBR系统有效性度量中的一些应用
2012-04-10 cs.AI
On the Failure of the Finite Model Property in some Fuzzy Description Logics
University of Zaragoza(萨拉戈萨大学)
模糊描述逻辑(DLs)是一个逻辑家族,它允许受模糊性影响的结构化知识的表示(和推理)。虽然大多数表达能力不强的清晰DL(如ALC)都具有有限模型属性(FMP),但一旦我们进入模糊情况,情况就不是这样了。在本文中,我们表明,如果我们允许任意的知识库,那么模糊DLs ALC下Lukasiewicz和产品模糊逻辑不验证FMP,即使我们限制到见证模型,换句话说,有限可满足性和见证可满足性是不同的任意知识库。本文的目的是指出失败的FMP,因为它影响了几个算法发表在文献中的推理下模糊ALC。
2010-03-08 cs.AI
Description Logics with Fuzzy Concrete Domains
ISTI - CNR(意大利国家研究委员会信息科学与技术研究所)
我们提出了一个模糊版本的描述逻辑与具体领域。主要特点是:(i)概念构造器基于t-范数、t-连续、否定和蕴涵;(ii)具体域是模糊集;(iii)允许模糊修饰符;以及(iv)推理算法基于完成规则和有界混合整数规划的混合。
2012-07-04 cs.AI cs.LO
Fuzzy Logic and Probability
Spanish Council for Scientific Research (CSIC)(西班牙科学研究委员会)
在本文中,我们处理一个新的方法来概率推理的逻辑框架。几乎所有的概率逻辑都是基于经典的二值逻辑。在明确了模糊逻辑和概率论之间的区别之后,我们在这里提出了一种概率的{em模糊}逻辑,它提供了完备性结果(在概率意义上)。这种方法背后的主要思想是,清晰命题的概率值可以理解为与清晰命题相关联的一些合适的模糊命题的真值。此外,还提供了如何扩展的形式主义,以应付条件概率和其他不确定性形式主义的建议和例子。
2013-02-20 cs.AI
Design a Technology Based on the Fusion of Genetic Algorithm, Neural network and Fuzzy logic
Technical Engineering College / Northern Technical University(北方技术大学技术工程学院)
本文描述了一种基于遗传算法、神经网络和模糊逻辑融合的人工智能原型技术的设计和开发。首先建立神经网络和模糊逻辑之间的关系。然后将遗传算法与它们结合起来。信息融合处于置信水平,其中可以报告和讨论匹配分数。这项技术被称为遗传神经模糊(GNF)。它可用于高精度实时环境。
2021-02-16 cs.AI
Obstacle evasion using fuzzy logic in a sliding blades problem environment
Rift Valley Technical Training Institute(裂谷技术培训学院)
本文讨论了利用模糊逻辑和最短路径算法避障。本文还介绍了滑动叶片问题,并说明了无人机如何通过摆动叶片障碍物导航,同时跟踪半最佳路径并保持恒定速度
2016-05-03 cs.AI cs.RO
On the Undecidability of Fuzzy Description Logics with GCIs with Lukasiewicz t-norm
IIIA - CSIC(西班牙国家研究委员会人工智能研究所);ISTI - CNR(意大利国家研究委员会信息科学与技术研究所)
最近有一些意想不到的结果,模糊描述逻辑(FDLs)与一般概念包含(GCI)。他们表明,与经典的情况下,DL ALC与GCI不具有有限的模型属性下Lukasiewicz逻辑或产品逻辑,具体地说,知识库可满足性是一个不可判定的问题产品逻辑。我们在这里完成的分析表明,知识库可满足性也是一个不可判定的问题Lukasiewicz逻辑。
2011-07-27 cs.AI cs.LO
On Modal Logics for Qualitative Possibility in a Fuzzy Setting
Spanish Council for Scientific Research (CSIC)(西班牙国家研究委员会)
在不确定性建模的可能性方法中,本文提出了一种模态逻辑系统来推理模糊命题的可能性(和必要性)的定性(比较)陈述。我们把这种定性模态逻辑与著名的知识和信念模态逻辑S5和KD 45的多值类似物MVS5和MVKD 45分别联系起来。完整性结果得到这样的逻辑,因此,他们扩展了以前现有的结果定性可能性逻辑在经典的非模糊设置。
2013-02-27 cs.AI cs.LO
Applicability of Crisp and Fuzzy Logic in Intelligent Response Generation
K L University(K L 大学)
本文讨论了清晰逻辑和模糊逻辑在人和机器人智能反应生成中的适用性的优点和缺点。智能系统必须有能力做出明智的决策并智能地处理情况。处理一种情况的完美程度与处理这种情况所需的现有知识或信息或数据的完整程度之间存在着直接的关系。本文的结论是,使用清晰逻辑与完整的知识导致完美的处理情况下,而模糊逻辑只能处理不完美的情况。然而,在不完整的知识的可用性的光模糊理论是更有效的,但可能是不利的相比,清晰的逻辑。
2012-09-20 cs.AI
Uncertain Linear Logic via Fibring of Probabilistic and Fuzzy Logic
从一个简单的语义命题,计数观测的基础上,它表明,概率和模糊逻辑对应于两个不同的启发式假设的组合的命题的证据基础是目前不可用。这两种不同的启发式假设导致两组不同的公式,用于通过格运算传播定量真值。结果表明,这两组公式为线性逻辑中的乘法和加法算子集提供了一个自然的基础。然后,线性逻辑的标准规则作为底层语义的结果出现。线性逻辑作为“资源逻辑”的概念在这里通过“证据守恒”原则来体现--线性逻辑中对弱化和收缩的限制有助于避免证据的重复计算(超出通过使用启发式真值价值函数而引起的任何重复计算)。
2020-09-28 cs.AI
A Fuzzy Logic Approach to Target Tracking
New Mexico State University(新墨西哥州立大学)
本文讨论了一个没有明确假设动态数学模型的目标跟踪问题。提出了一种基于模糊“若-则”规则的非线性滤波器。与卡尔曼滤波器进行了比较,实验结果表明,模糊滤波器的性能更好。密集的模拟表明,经验结果的理论依据是可能的。
2013-03-13 cs.AI
A Modal Logic for Possibilistic Reasoning with Fuzzy Formal Contexts
Institute of Information Science, Academia Sinica(学术院信息科学研究所)
本文提出了一种用于模糊形式背景的可能性推理的双类型加权模态逻辑,实现了对模糊概念的扩展,并展示了逻辑的表达能力和扩展可能性。
2025-12-31 cs.AI cs.LO
Eigenlogic: Interpretable Quantum Observables with applications to Fuzzy Behavior of Vehicular Robots
CentraleSupélec(中央理工-高等电力学院);Laboratoire des Signaux et Systèmes(信号与系统实验室);Université Paris-Saclay(巴黎-萨克雷大学);AFSCET(法国系统科学协会);Conservatoire National des Arts et Métiers(法国国立工艺学院)
这项工作提出了一个公式的命题逻辑,称为本征逻辑,使用量子可观的命题。这些算子的本征值是命题系统的真值和相关的本征向量的解释。模糊逻辑在考虑特征系统外的向量时自然产生,模糊隶属度函数由逻辑观测量的Born规则得到,然后将这种方法应用于使用Braitenberg车辆表示的简单行为代理的量子机器人的背景下。处理与非经典逻辑,如多值逻辑,模糊逻辑和量子本征逻辑允许扩大的行为可能性和相关的决定,这些简单的代理。
2017-07-17 cs.AI
Reasoning within Fuzzy Description Logics
I.E.I - C.N.R.(国家研究委员会信息工程研究所)
描述逻辑(DL)是用于管理结构化知识的合适的、众所周知的逻辑。它们允许对个人和定义明确的概念进行推理,即,具有共同属性的个体集合。在应用程序中使用DL的经验表明,在许多情况下,我们希望扩展其功能。特别是,它们的使用在多媒体信息检索(MIR)的上下文中导致令人信服的是,这样的DL应该允许在多媒体对象内容表示和检索的固有的不精确性的治疗。本文将Zadeh的模糊逻辑与经典的DL相结合,提出一种模糊扩展的ALC。特别是,概念变得模糊,因此,支持不精确概念的推理。我们将定义它的语法,它的语义,描述它的属性,并提出了一个约束传播演算推理。
2011-06-03 cs.AI
Fuzzy Logic in Narrow Sense with Hedges
Hanoi University of Mining and Geology(河内矿业地质大学)
经典逻辑有一个严重的局限性,因为它不能处理人类推理的大多数模式都陷入的不确定性和不确定性问题。为了在模糊、不精确和不确定的情况下为人类的知识表示和推理提供基础,模糊逻辑必须具有处理语言模糊限制语的能力,而语言模糊限制语在模糊谓词的修改中起着非常重要的作用。本文用Novak等人提出的分级语法对狭义模糊逻辑进行了扩展,有很多对冲连接词。在一种情况下,每个对冲没有任何对偶对冲。在另一种情况下,每个对冲都可以有自己的双重对冲。所得到的逻辑也具有Pavelka式的完备性
2016-08-29 cs.AI cs.LO
Reasoning with Very Expressive Fuzzy Description Logics
National and Technical University of Athens(雅典国立技术大学);The University of Aberdeen(阿伯丁大学);The University of Manchester(曼彻斯特大学)
今天人们普遍认识到,对不精确性和精确性的管理将产生更智能和更现实的基于知识的应用程序。描述逻辑是一种知识表示语言,由于其可判定性和推理算法的高性能,在过去的十年中得到了广泛的关注。本文将著名的模糊ALCDL推广到模糊SHINDL,它将模糊ALCDL推广为传递性角色公理(S)、逆角色公理(I)、角色层次(H)和数量限制(N)。我们说明了为什么传递性的角色公理是难以处理的模糊解释的存在,以及如何正确地处理它们。然后,我们通过添加角色层次结构和数量限制来扩展这些结果。本文的主要贡献是模糊DL语言fuzzy-SI和fuzzy-SHIN的可判定性证明,以及fuzzy-SI和fuzzy-SHIN的知识库可满足性问题的判定过程。
2011-10-31 cs.AI
Fuzzy order-sorted feature logic
Università degli Studi di Milano-Bicocca(米兰比可卡大学)
本工作将OSF逻辑推广至模糊环境,定义模糊包含关系与语义,证明其构成模糊偏序,并提供基于统一的包含度计算方法及复杂度分析。
2023-11-20 cs.AI
Generalizing Fuzzy Logic Probabilistic Inferences
URSIC COMPUTING(Ursic计算公司)
通过奇偶条件选择的布尔对称函数子集的线性表示构成了布尔引入的概率线性约束的推广。这些线性约束对于计算事件的概率是必要的。用命题演算布尔公式任意指定。
2013-03-27 cs.AI
Minimizing Fuzzy Interpretations in Fuzzy Description Logics by Using Crisp Bisimulations
Institute of Informatics, University of Warsaw(华沙大学信息学研究所);Faculty of Information Technology, Nguyen Tat Thanh University(阮必成大学信息技术学院)
模糊描述逻辑中有限模糊解释的最小化问题是一个值得研究的问题。例如,模糊/加权社会网络的结构可以被视为FDL中的模糊解释,其中演员是个人,动作是角色。最小化模糊/加权社交网络的结构使其更紧凑,从而使网络分析任务更有效。在这项工作中,我们研究的问题,最小化有限模糊解释的FDL使用最大的清晰的自互模拟。所考虑的FDLs使用Baaz投影算子,其语义使用模糊真值的抽象代数来指定,该抽象代数可以是任何线性和完整的剩余格。我们提供了一个有效的算法与$O((m \log{l} + n) \log{n})$的复杂性最小化一个给定的有限模糊解释$\mathcal{I}$,其中$n$是域的$\mathcal{I}$的大小,$m$是原子角色的$\mathcal{I}$和$l$的非零实例的数量是用于$\mathcal{I}$的原子角色的实例的不同的模糊值的数量。我们证明了该算法返回的模糊解释是最小的,在一定条件下保持模糊T盒和A盒。
2023-03-13 cs.AI cs.CL
Fuzzy Logic Model for Predicting the Heat Index
Bandung Institute of Technology(万隆理工学院)
建立了一个模糊推理系统,用于从温度和相对湿度数据预测热指数。利用模糊逻辑在使用输入到输出的不精确映射来编码系统变量的互连性方面的有效性,来揭示温度和湿度条件如何影响生长室中的热指数的语言模型。当在测试集上进行评估时,所开发的模型实现了0.974的R2和0.084的RMSE,并且结果具有统计学显著性(F1,5915 = 222900.858,p < 0.001)。通过提供数据趋势的语言总结以及高预测精度的优点,模糊逻辑模型被证明是一种有效的热控制问题的机器学习方法。
2022-10-28 cs.AI cs.LG
Compiling Fuzzy Logic Control Rules to Hardware Implementations
Rockwell International Science Center(罗克韦尔国际科学中心)
人类推理的一个主要方面涉及近似的使用。特别是在决策过程受到严格的时间限制的情况下,决策主要是基于对局势的大致定性评估。我们的工作是关于近似推理的应用,实时控制。由于在这种应用中严格的处理速度要求,正在追求模糊逻辑推理的硬件实现。我们描述了一个编程环境翻译模糊控制规则到硬件实现。硬件实现的两种方法是可能的。第一个是基于一个专用芯片的模糊推理。第二种是基于简单的内存芯片。直接将一组决策规则转化为硬件实现的能力,预计将使模糊控制成为复杂系统控制的一种越来越实用的方法。
2013-03-27 cs.AI
Plithogeny, Plithogenic Set, Logic, Probability, and Statistics
在这本书中,我们介绍了plithogenic集(作为概括的清晰,模糊,直觉模糊,和opensophic集),plithogenic逻辑(作为概括的经典,模糊,直觉模糊,和opensophic逻辑),plithogenic概率(作为概括的经典,不精确,和opensophic概率),和plithogenic统计(作为概括的经典,和opensophic统计)。致岩集是由一个或多个属性来刻画元素的集合,每个属性可以有多个值。一个属性值v有一个对应的(模糊的,直觉模糊的,或直觉模糊的)从属程度d(x,v)的元素x,到集合P,关于一些给定的标准。为了获得更好的精度为plithogenic集,逻辑,概率和更准确的包含(偏序),(模糊,直觉模糊,或直觉模糊)矛盾(相异度)度之间定义的每个属性值和占主导地位的(最重要的)属性值。同形交和并是模糊算子tnorm和tcons的线性组合,而同形补、包含、相等则受属性值矛盾(相异)度的影响。正式定义plithogenic集,逻辑,概率,统计介绍到这本书,其次是plithogenic聚合算子,各种定理与他们有关,后来的例子和应用这些新概念在我们的日常生活。
2018-08-12 cs.AI
Ithaca. A Tool for Integrating Fuzzy Logic in Unity
University of Almeria(阿尔梅里亚大学)
Ithaca是一个模糊逻辑(FL)插件,用于在Unity游戏引擎中开发人工智能系统。它的目标是提供一种直观自然的方式来构建先进的人工智能系统,使这种系统的实施更快,更实惠。该软件由一个C#框架和一个用于编写推理系统的应用程序编程接口(API)以及一组用于图形开发和调试的工具组成。此外,还提供了一个模糊控制语言(FCL)解析器,以便导入以前使用该标准定义的系统。
2023-01-01 cs.AI cs.HC
A Novel Fuzzy Logic Based Adaptive Supertwisting Sliding Mode Control Algorithm for Dynamic Uncertain Systems
St. Peter’s University(圣彼得大学);Sahyadri College of Engineering and Management(萨亚德里工程与管理学院);PA College of Engineering(PA工程学院)
针对动态不确定系统的控制问题,提出了一种基于模糊逻辑的自适应超扭曲滑模控制器。该控制器综合了二阶滑模控制、模糊逻辑控制和自适应控制的优点。该控制器保证了系统的到达条件、稳定性和鲁棒性。此外,所提出的控制器是非常适合简单的设计和实施。基于Matlab的DC-DC Buck变换器仿真结果表明,该控制器优于一阶滑模模糊逻辑控制器。基于这种比较,所提出的控制器,以获得所需的瞬态响应,而不会引起抖振和稳态条件下的错误。所提出的控制器是能够给鲁棒性的性能方面的拒绝输入电压变化和负载变化。
2012-08-10 cs.AI
An optimized fuzzy logic model for proactive maintenance
Ai movement, Center of Artificial Intelligence, Mohammed VI Polytechnic University(穆罕默德六世理工大学人工智能中心 Ai movement);Lip6, Sorbonne University(索邦大学 Lip6)
模糊逻辑已被提出在以前的研究,机器诊断,以克服不同的缺点,传统的诊断方法使用。在这些方法中,故障模式和影响关键分析方法(FMECA)试图识别潜在的模式,并根据专家的主观判断在故障发生之前进行处理。虽然几个版本的模糊逻辑被用来改善FMECA或取代它,因为它是一个非常成本密集型的方法,在故障模式方面,因为它评估他们中的每一个单独的,这些命题并没有明确集中在组合的复杂性,也没有证明隶属函数的选择在模糊逻辑建模。在此背景下,我们开发了一种基于优化的方法,称为集成真值表和模糊逻辑模型(ITTFLM),巧妙地产生模糊逻辑规则,使用真值表。ITTFLM在从工厂机器实时收集的风扇数据上进行了测试。在实验中,使用了三种类型的隶属函数(三角形,梯形和高斯)。实验结果表明,基于梯形隶属度函数的故障状态识别模型具有较高的识别精度,能够处理大量的规则,满足影响用户体验的实时性约束。
2022-12-24 cs.AI
Quantifying Uncertainty in Risk Assessment using Fuzzy Theory
Old Dominion University(奥多明尼昂大学)
风险专家正试图更好地理解风险,并使用复杂的模型进行风险评估,而许多风险尚未得到很好的理解。由于缺乏经验数据以及复杂的因果关系和结果关系,很难估计某些风险类型的风险程度。传统的风险模型是基于经典集合论的。相比之下,模糊逻辑模型是建立在模糊集理论上的,对于分析知识不足或数据不准确的风险是有用的。模糊逻辑系统有助于使大规模风险管理框架更加简单。对于没有适当概率模型的风险,模糊逻辑系统可以帮助建立因果关系模型,评估风险暴露程度,以一致的方式对关键风险进行排名,并考虑可用数据和专家意见。此外,在模糊逻辑系统中,一些规则明确地解释了模型因素之间的连接、依赖和关系。这有助于确定风险缓解解决方案。资源可用于降低风险,风险敞口水平非常高,对冲成本相对较低。模糊集和模糊逻辑模型可以与贝叶斯和其他类型的方法识别和决策模型一起使用,包括人工神经网络和决策树模型。这些开发的模型有可能解决困难的风险评估问题。本研究探讨了模糊逻辑模型可用于改善风险评估和风险决策的领域。我们将讨论在风险评估中使用模糊逻辑系统的方法、框架和过程。
2020-09-20 cs.AI math.OC
Fuzzy Logic Interpretation of Quadratic Networks
Rensselaer Polytechnic Institute(伦斯勒理工学院)
在过去的几年里,深度学习在各种应用中取得了巨大的成功。然而,这种数据驱动的方法经常因缺乏可解释性而受到批评。最近,我们提出了人工二次神经网络的二阶神经元在潜在的许多层。在每个二阶神经元中,使用二次函数代替传统神经元中的内积,然后进行非线性激活。利用单个二阶神经元,可以实现任何模糊逻辑操作,例如XOR。从这个意义上讲,任何由二次神经元构建的深度网络都可以被解释为深度模糊逻辑系统。由于传统的神经网络和二阶对应物可以相互表示,并且模糊逻辑运算自然地在二阶神经网络中实现,因此解释深度神经网络如何以二阶网络作为系统模型工作是合理的。在本文中,我们概括和分类模糊逻辑操作可实现的个人二阶神经元,然后进行统计/信息理论分析的示例性二次神经网络。
2019-06-11 cs.AI cs.CV cs.NE
A Complete Calculus for Possibilistic Logic Programming with Fuzzy Propositional Variables
Universitat de Lleida (UdL)(莱里达大学);CSIC(西班牙国家研究委员会)
本文提出了一种用于可能性不确定性推理和表示模糊知识的命题逻辑程序设计语言。公式由对(A,c)表示,其中A是多值命题,c是单位区间[0,1]中的值,它表示关于A的信念在必要性测度方面的下界。信念状态的所有多值解释的集合上的可能性分布建模。在这个框架中,(i)定义了一般不确定性逻辑的语法和语义,(ii)给出了Horn-规则子语言的一个前件式演算,并证明了它对于确定模糊命题变量从公式集合中导出的最大可能性信念度是完备的;最后,(iii)我们展示了如何计算模糊命题变量之间的部分匹配,在必要性措施的模糊集,可以包括在我们的逻辑编程系统。
2013-01-16 cs.AI
Stator flux optimization on direct torque control with fuzzy logic
Çankırı Karatekin University(昌克勒卡拉泰金大学);Gazi University(加齐大学)
直接转矩控制(Direct Torque Control,DTC)是一种高效的高性能控制技术,在工业应用中得到了广泛的应用。传统的直接转矩控制采用两个恒定的参考值:转矩和定子磁链。本文提出了一种基于模糊逻辑的直接转矩控制定子磁链优化方法。所提出的基于模糊逻辑的定子磁链优化器利用感应电动机的负载情况自调节定子磁链参考,而不需要任何电动机参数。利用Matlab/Simulink进行了仿真研究,比较了不同负载条件下的系统性能。仿真结果表明,所提出的直接转矩控制技术的性能得到了改善,特别是在低负载条件下的转矩脉动大大减少相对于传统的直接转矩控制。
2012-07-21 cs.AI
Fuzzy Win-Win: A Novel Approach to Quantify Win-Win Using Fuzzy Logic
Mutah University(穆塔大学);Eotvos Lorand University(厄特沃什·罗兰大学);University of California Riverside(加州大学河滨分校);King Abdulaziz City for Science and Technology(阿卜杜勒阿齐兹国王科技城)
经典的双赢有一个关键的缺陷,它不能为各方提供正确的获胜金额,因为每一方都认为他们是赢家。事实上,一方可能比另一方赢得更多。这种策略并不局限于单一的产品或谈判;它可以应用于生活中的各种情况。本文提出了一种新的衡量双赢的方法。所提出的方法采用模糊逻辑来创建一个数学模型,帮助谈判者量化他们的获胜百分比。该模型在现实生活中的谈判场景中进行了测试,如伊拉克-约旦石油交易和铁矿石谈判(2005-2009年)。所提出的模型已被证明是一个有用的工具,在实践中,可以很容易地推广到其他领域以及使用。
2022-02-22 cs.AI
Analyzing Differentiable Fuzzy Logic Operators
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Civic AI Lab, Amsterdam(阿姆斯特丹公民人工智能实验室)
人工智能社区越来越多地将注意力放在结合符号和神经方法上,因为人们经常认为这些方法的优点和缺点是互补的。文献中的一个最近的趋势是采用来自模糊逻辑的算子的弱监督学习技术。特别地,这些使用在这样的逻辑中描述的先验背景知识来帮助从未标记和噪声数据训练神经网络。通过使用神经网络解释逻辑符号,可以将这种背景知识添加到常规损失函数中,从而使推理成为学习的一部分。我们研究,正式和经验,如何从模糊逻辑文学的逻辑运算符的大集合表现在可微学习设置。我们发现,许多这些运营商,包括一些最知名的,是非常不适合在这种情况下。进一步的发现涉及这些模糊逻辑中蕴涵的处理,并且显示出由蕴涵的前件和后件驱动的梯度之间的强烈不平衡。此外,我们引入了一个新的家庭的模糊影响(称为sigmoidal影响),以解决这一现象。最后,我们经验表明,它是可能的,使用可微模糊逻辑的半监督学习,并比较不同的运营商在实践中的行为。我们发现,为了在监督基线上实现最大的性能改进,我们必须求助于在学习中表现良好的逻辑运算符的非标准组合,但不再满足通常的逻辑定律。
2021-08-24 cs.AI cs.LG cs.LO
FT-SWRL: A Fuzzy-Temporal Extension of Semantic Web Rule Language
Crops For the Future Research Centre(未来作物研究中心);University of the West of England, Bristol(西英格兰大学布里斯托尔分校)
我们提出,FT-SWRL,一个模糊的语义Web规则语言(SWRL)的时间扩展,它结合了模糊理论的基础上的有效时间的时间模型提供了一个标准的方法建模不精确的时间域知识的OWL本体。该建议引入了一个模糊的时间模型的语义Web,这是在语法上定义为一个模糊的时间SWRL本体(SWRL-FTO)与一组新的模糊的时间SWRL内置的定义其语义。的SWRL-FTO分层定义必要的语言术语和变量的模糊时间模型。一个例子模型演示的有用性的模糊时间SWRL内置模型不精确的时间信息也表示。进一步讨论了基于区间时态逻辑的模糊化过程,作为我们的FT-SWRL规则的推理范式,目的是实现一个完整的基于OWL的模糊时态推理。文献回顾模糊时间表示的方法,无论是在和不使用本体,导致的结论是,FT-SWRL模型可以authoritarily作为一个正式的规范处理不精确的时间表达的语义Web。
2019-11-27 cs.AI
Fuzzy inequational logic
Palacky University, Olomouc(奥洛穆茨帕拉茨基大学)
我们提出了一个逻辑推理的分次不等式,推广了普通的不等式逻辑中使用的泛代数。该逻辑处理项之间的不平等形式的原子谓词公式,并在分级设置中形式化它们的语义蕴涵和可证明性,从而可以从部分真的假设中得出部分真的结论。我们遵循Pavelka的方法,定义一般程度的语义蕴涵和证明使用完整的剩余格结构的真度。我们证明了这个逻辑是Pavelka式完备的。此外,我们给出了一个逻辑推理的分级“若-则”规则,这是得到的一般结果的特殊情况。
2015-03-23 cs.AI cs.LO
Planning by case-based reasoning based on fuzzy logic
University of Oran(奥兰大学)
处理复杂系统往往需要处理模糊、不精确和不确定的信息。事实上,人类有能力以自然的方式处理这些系统。人类不是用数学术语思考,而是通过语言建议来描述系统的行为。为了表示这种类型的信息,Zadeh提出通过基于语言变量的近似推理来建模人类思维的机制。他于1965年提出了模糊集理论,该理论提供了语言和数字世界之间的接口。在本文中,我们提出了一个布尔建模的模糊推理,我们洗礼Fuzzy-BML和使用的特点,归纳图分类。模糊BML是一个过程,通过该过程,CBR的检索阶段不是以传统的数学方程的形式建模,而是以具有模糊规则的隶属函数的数据库的形式。
2013-11-18 cs.AI
A Fuzzy Logic System to Analyze a Student's Lifestyle
Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校)
大学生的生活可以主要分为教育、健康、社交及其他活动等领域,这些活动可能包括日常家务和旅行时间。时间管理对每个学生都至关重要。因此,自我实现一个人在各个领域的日常时间支出是至关重要的,以最大限度地提高一个人的有效产出。本文介绍了如何使用模糊逻辑和全球定位系统(GPS)的移动应用程序分析学生的生活方式,并提供建议和意见的基础上的结果。
2016-11-08 cs.AI cs.CY
A New Type-II Fuzzy Logic Based Controller for Non-linear Dynamical Systems with Application to a 3-PSP Parallel Robot
Ferdowsi University of Mashhad(马什哈德菲尔多西大学)
本文提出一种基于类型-II 模糊逻辑的控制器,用于非线性动力学系统,应用于3-PSP并联机器人,以应对不确定性问题。
2016-12-05 cs.AI cs.SY eess.SY
A Fundamental Probabilistic Fuzzy Logic Framework Suitable for Causal Reasoning
Institute for Research in Fundamental Sciences (IPM)(基础科学研究所(IPM));The University of Quebec at Trois-Rivieres(魁北克大学三河分校)
在本文中,我们介绍了一个基本框架,以建立一个桥梁之间的概率论和模糊逻辑。事实上,我们的理论制定了一个随机的实验,选择脆元素的标准,具有一定的模糊属性。为此,我们将一些特定的清晰随机变量与随机实验相关联。然后,给出了几个公式,使计算这些随机变量的不同条件概率和期望值变得容易。为概率模糊逻辑框架的建立提供了理论依据。注意,在我们的理论中,来自上述随机变量的连续分布的概率密度函数包括狄拉克δ函数作为一项。此外,我们介绍了我们的理论在因果推理中的应用。
2022-05-30 cs.AI cs.LO math.PR
Reliability Assessment of Distribution System Using Fuzzy Logic for Modelling of Transformer and Line Uncertainties
Mazandaran Regional Electric Company(马赞达兰地区电力公司);State University of New York at Binghamton(纽约州立大学宾汉姆顿分校);University of Hawaii at Manoa(夏威夷大学马诺阿分校);University of Nebraska(内布拉斯加大学);Mapna Turbine Engineering and Manufacturing Company(Mapna涡轮工程与制造公司)
基于历史数据和概率方法的配电系统可靠性评估,由于配电元件的数据通常不准确或不可用,导致可靠性指标的不可靠估计。模糊逻辑是处理可靠性输入不确定性的有效方法。本文利用模糊逻辑对配电系统可靠性评估中的ENS指标和其它常用指标进行了综合评估。因此,故障率和停电持续时间的分布组件,这是自然的或人为的,有影响力的变量解释使用建议的模糊隶属函数。通过在IEEE RBTS Bus 2上进行仿真,计算并比较了不同情况下系统运行的可靠性指标。仿真结果表明,电力公司可以显着提高其配电系统的可靠性,通过考虑风险的影响变量。
2017-07-11 cs.AI
The Application of Fuzzy Logic to the Construction of the Ranking Function of Information Retrieval Systems
排序功能的好坏是决定信息检索系统质量的一个重要因素。每个文档都由排名函数分配一个分数;分数指示给定查询的文档的相关性的可能性。在向量空间模型中,排序函数由数学表达式定义。我们提出了一个模糊逻辑(FL)的方法来定义的排名功能。模糊逻辑提供了一种将自然语言表达的知识转换为模糊逻辑规则的方便方法。所得到的排名函数可以容易地查看、扩展和验证:* if(tf高)和(idf高)>(相关性高); * if(重叠高)>(相关性高)。通过使用上述FL规则,我们能够实现近似等于最先进的搜索引擎Apache Lucene的性能(deltaP 10 +0.92%; deltaMAP -0.1%)。模糊逻辑方法允许将基于逻辑的模型与矢量模型相结合。该模型既具有逻辑模型的简单性和形式化,又具有向量模型的灵活性和性能。
2006-10-08 cs.AI cs.IR
Fuzzy Lattice-based Description Logic
School of Business(商学院);Economics Vrije Universiteit Amsterdam Amsterdam, Netherlands(经济系弗里堡大学阿姆斯特丹)
本文提出模糊描述逻辑 LE-FALC,以支持模糊形式背景与形式概念中的知识表示和推理,并给出可靠完备的 ABox 一致性多项式时间 tableau 算法及无环 TBox 下的指数时间过程。
2025-06-06 cs.AI cs.LO
Interval Logic Tensor Networks
Sony AI(索尼人工智能);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);University of Trento(特伦托大学)
本文提出区间实逻辑(IRL)和区间逻辑张量网络(ILTN),通过模糊逻辑和梯形模糊区间解释序列与事件属性,利用softplus激活函数平滑化区间与时间关系以支持梯度学习,在合成任务中成功利用背景时间知识预测事件的模糊持续时间。
2023-03-31 cs.AI
Intelligent Singularity Avoidance in UR10 Robotic Arm Path Planning Using Hybrid Fuzzy Logic and Reinforcement Learning
National Center for High-Performance Computing(国家高速网络与计算中心)
本文提出一种结合模糊逻辑与强化学习的UR10机械臂路径规划方法,通过实时检测和规避奇异点,实现高成功率的路径规划。
2026-01-09 cs.AI cs.RO
A fuzzy take on the logical issues of statistical hypothesis testing
University of Lincoln(林肯大学)
统计假设检验(Statistical Hypothesis Testing,简称SHT)是一种利用经验数据来检验假设的推理方法,通常会对是否拒绝该假设做出判断。在本文中,我们专注于逻辑方面的这一战略,这在很大程度上是独立的思想所采用的学校,至少在各种频率论的方法。我们确定SHT作为采取形式的一个不健全的论点,从模Tollens在经典逻辑,为了拯救SHT从这个困难,我们建议,它可以代替接地在t-范数为基础的模糊逻辑。我们利用Tollens前件的模糊扩展来重新表述频率论者的SHT逻辑,以发展其前提的真值评估模型。重要的是,我们表明,它是可能的,以保持健全的前件式Tollens通过探索各种公约涉及建设模糊否定和模糊的影响(即,S和R公约)。我们发现,根据S公约,它是可能的进行的前件式Tollens推理参数使用扎德的组成扩展和任何可能的t-范数。在R约定下,我们发现这不一定是这种情况,但是通过混合R-蕴涵和S-否定,我们可以挽救乘积t-范数。总之,我们已经表明,模糊逻辑是一个合理的框架来讨论和解决的困难,频繁解释的SHT。
2021-06-24 cs.AI physics.hist-ph
A New Approach of Learning Hierarchy Construction Based on Fuzzy Logic
Ibn Zohr University(伊本·祖赫尔大学)
近年来,适应性学习系统越来越多地依赖于学习层次来定制其课程中开发的教育逻辑。大多数方法没有考虑技能之间的先决条件关系是模糊关系。在这篇文章中,我们描述了一个新的方法的实际应用模糊逻辑技术的建设学习层次。为此,我们使用由特定领域的一个或多个专家预定义的学习层次结构。然而,在学习层次中,技能之间的先决条件关系并不是确定的,它们是模糊的关系。事实上,我们衡量的相关度存在于这个学习层次中的所有关系,我们试图回答以下问题:是在初始学习层次中预定义的先决条件的关系是正确的建立或没有?
2014-12-08 cs.AI cs.CY cs.LG
On the KLM properties of a fuzzy DL with Typicality
Università del Piemonte Orientale(东皮埃蒙特大学)
本文研究了一类典型的模糊逻辑的性质。在最近的工作中,提出了一个典型性算子的模糊逻辑的扩展,定义了一个模糊多偏好语义的多层感知器,作为一个条件知识库的深层神经网络。在本文中,我们研究了它的性质。首先,考虑了具有典型性的模糊ALC的单调扩张(称为ALC^FT),并设计了这种逻辑的优先结果关系的KLM性质的重新表达。大多数的属性是满意的,这取决于重新制定和考虑的模糊组合函数。然后,我们通过引入加权知识库的忠实模型的概念来加强ALC^FT的闭包构造,该概念推广了先前引入的条件知识库的相干模型的概念,并且我们研究了它的性质。
2021-07-14 cs.AI
Possibility as Similarity: the Semantics of Fuzzy Logic
SRI International(SRI国际公司);Artificial Intelligence Center(人工智能中心)
本文讨论的基本问题的性质的概念和结构的模糊逻辑,特别是集中在概念和功能之间存在的差异,概率和可能性的方法。语义模型提供了一个基本框架,通过一个函数来定义可能性结构和概念,该函数量化了可能世界对之间的接近度、接近度或相似性。由此产生的模型是一个自然的扩展,基于多个可构思的关系,模态逻辑概念的必要性和可能性。相比之下,面向机会的概率概念和结构依赖于集合扩展的度量,这些度量量化了命题为真的可能世界的比例。可能世界之间的相似性通过广义相似关系来量化:一个函数,它为每对可能世界分配一个介于O和1之间的数字。使用这种相似关系,这是一种形式的数字补充的一个经典的度量或距离,这是可能的定义和解释的主要结构和方法的模糊逻辑:条件和无条件的可能性和必要性分布和广义前件的扎德。
2013-03-27 cs.AI
Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge: A Comprehensive Machine Learning Approach with CBC Parameters
University of Salford(索尔福德大学)
本研究针对传统二元医学诊断难以捕捉疾病细微差异的问题,结合医师专家知识构建模糊逻辑规则,与随机森林分类器结合后利用CBC参数预测血液疾病,在医院数据集上取得高准确率,推动了血液诊断技术发展。
2024-06-18 cs.AI cs.LG
Weakly Supervised Explainable Phrasal Reasoning with Neural Fuzzy Logic
University of Alberta(阿尔伯塔大学);Carnegie Mellon University(卡内基梅隆大学)
自然语言推理的目的是确定两个句子之间的逻辑关系,如蕴涵、矛盾和中性。近年来,深度学习模型已成为NLI的主流方法,但它们缺乏可解释性和可解释性。在这项工作中,我们解决了NLI的弱监督逻辑推理的可解释性,并提出了一个可解释短语推理(EPR)的方法。我们的模型首先检测短语作为语义单位,并将两个句子中的相应短语对齐。然后,该模型预测对齐短语的NLI标签,并通过模糊逻辑公式归纳句子标签。我们的EPR几乎在任何地方都是可微的,因此系统可以端到端地训练。通过这种方式,我们能够以弱监督的方式提供短语逻辑关系的明确解释。我们进一步表明,这样的推理结果有助于文本解释生成。
2023-02-22 cs.AI cs.CL
A Hierarchical Genetic Optimization of a Fuzzy Logic System for Flow Control in Micro Grids
SAPIENZA University of Rome(罗马大学);Ryerson University(瑞尔森大学)
生物启发的算法,如遗传算法和模糊推理系统(FIS),目前广泛采用的混合技术在商业和工业环境。在本文中,我们提出了一个有趣的应用模糊遗传算法的范例智能电网。主要目的包括在执行决策的潮流管理任务,在建议的微电网模型配备可再生能源和储能系统,考虑到能源交易的经济利润与主电网。特别是,本研究的重点是应用分层遗传算法(HGA)调整规则库(RB)的模糊推理系统(FIS),试图发现一个最小的模糊规则集的模糊逻辑控制器(FLC)通过执行决策在微电网。HGA原理集中在一个特定的编码方案,基于控制基因和参数基因应用于FIS参数的优化,允许执行RB的结构复杂性的降低。这种方法在下文中将被称为模糊HGA。结果进行了比较与一个简单的方法的基础上,一个经典的模糊遗传算法计划,其中FIS参数和规则权重进行调整,而模糊规则的数量是固定的。实验结果表明,如何模糊HGA方法采用的建议控制器的合成优于经典的模糊GA计划,增加了67%的会计利润在考虑能源交易问题,同时产生一个简单的RB。
2017-03-01 cs.AI cs.NE
Two Online Map Matching Algorithms Based on Analytic Hierarchy Process and Fuzzy Logic
University of California Irvine(加州大学欧文分校);Tohoku University(东北大学);University of Minnesota, Twin Cities(明尼苏达大学双城分校);Nagoya University(名古屋大学);Advanced Technology R&D Center, Mitsubishi Electric Corporation(三菱电机公司先进技术研发中心)
本文提出并改进了两种在线地图匹配算法,分别基于层次分析法(AHP)和模糊逻辑,利用它们处理不精确信息且易于实现的特点来优化地图匹配效果。
2024-02-19 cs.AI cs.CG cs.CV
LLM-as-a-Fuzzy-Judge: Fine-Tuning Large Language Models as a Clinical Evaluation Judge with Fuzzy Logic
University of Cincinnati(辛辛那提大学)
针对医学教育中临床技能自动化评估难与医生主观偏好对齐的问题,提出结合模糊逻辑微调LLM的LLM-as-a-Fuzzy-Judge方法,实现超80%的整体准确率及超90%的主要项准确率,推动医学教育自动化评估发展。
2025-06-12 cs.AI cs.CL cs.LO
Design Multimedia Expert Diagnosing Diseases System Using Fuzzy Logic (MEDDSFL)
College of Computer, University of Anbar(安巴尔大学计算机学院)
本文设计了一个高效的专家系统来为人类进行疾病诊断。该系统依赖于不同疾病的几个临床特征,这些特征将用作该系统的知识库。在建立专家系统的知识库时,采用了专家系统中最常用的技术之一的模糊逻辑系统。采用模糊逻辑对疾病诊断结果进行推理。对系统中已经实现的大部分疾病,我们还提供了多媒体的视频、图片和信息。利用Matlab工具箱实现了该系统,并对15种疾病进行了研究。在该系统上对正常人、患病者和未患病者的不同疾病进行了五个病例的测试。结果表明,该系统能够准确地预测人体是否患有疾病。所有系统结果均在表格中报告并进行了详细讨论。
2020-03-22 cs.AI cs.CY
Fuzzy Logic -- Based Scheduling System for Part-Time Workforce
University of Cincinnati(辛辛那提大学)
本研究提出一种基于遗传模糊系统的调度算法,用于生成大学兼职学生工人的可行排班,兼顾偏好工时、最大周工时及值班人数等约束,并在辛辛那提大学数据上验证了其高效性与鲁棒性。
2025-04-21 cs.AI cs.NE