模糊属性Petri网建模方法及学习模型研究-论文.pdf

《模糊属性Petri网建模方法及学习模型研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第40卷第6期计算机工程2014年6月V．o1．40NO．6ComputerEngineeringJune20l4·人工智能及识别技术·文章编号：1000—3428(2014)06—0190—05文献标识码：A中图分类号：TP18模糊属性Petri网建模方法及学习模型研究周如旗，冯嘉礼，张谦(1．广东第二师范学院计算机科学系，广州510303；2．上海海事大学信息工程学院，上海200135；3．华南理工大学自动化科学与工程学院自主系统与网络控制教育部重点实验室，广州510640)摘要：定性映射易于表达模糊不确定性知识，但其在表达人类认知思

2、维活动动态特征上存在不足；模糊Petri网比较符合人类思维方式，但相关参数不易获得且其自学习能力存在较大局限性。为此，提出一种模糊属性Petri网(FAPN)形式定义及建模方法。在FAPN结构中构建定性基准参数学习方法，通过定性映射定义4类变迁发生的模糊定性判断规则和相应变迁发生后的结果运算公式，给出FAPN模型的推理算法和学习机制，并模拟系统的动态运行过程。分析结果表明，该方法能有效提高FAPN的学习能力，可适用于以定性判断为特点的诊断系统。关键词：模糊属性Petri网；定性映射；定性基准变换；定性判断规则；知识推理；机器学习Resea

3、rch0nModelingMethodandLearningModel0fFuzzyAttributePetriNet．ZHOURu．qi，FENGJia．ii，ZHANGQian，(1．DepartmentofComputerScience，GuangdongUniversityofEducation，Guangzhou510303，China；．2．CollegeofInformationEngineering，ShanghaiMaritimeUniversity,Shanghai200135，China；3．KeyLaborator

4、yofAutonomousSystemsandNetworkedControl，MinistryofEducation，SchoolofAutomationScienceandEngineering，SouthChinaUniversityofTechnology，Guangzhou510640，China)[Abstract]Thequalitativemappingcanbeeasytoexpressfuzzyuncertainknowledge，butitisnotagoodrepresentationmethodofdynamic

5、characteristicsofcognitivethinkingaction．FuzzyPetrinetismoreconsistentwithhuman’Sthinkingmode，butitsparametersarenoteasytobeobtainedandithaslimitationsinself-learningability．Forthesereasons，theformalconceptandmodelingmethodofFuzzyAttributePetriNet(FAPN)aredefined．Thelearn

6、ingmethodabouttheparametersisconstructedintheFAPNstructure．Fourtypesoffuzzyqualitativejudgmentrulesandtheoperationformulasofthetransitionnodearedefinedbasedonthequalitativemapping．ThereasoningalgorithmandthelearningmethodofFAPNareproposed，whichcansimulatethedynamicprocess

7、ofthenetworksystem．Analysisresultsshowthat，theproposedmethodcanmakeFAPNhavebetterlearningability,anditisalsousefulinthediagnosissystemcharacterizedwiththequalitativejudgement．[Keywords]FuzzyAttributePetriNet(FAPN)；qualitaivemapping；qualitativecriteriontransformation；quali

8、tativejudgmentrules；knowledgereasoning；machinelearningDOI：10．3969~．issn．1000—3428．2014．06．041伸缩、