因果图推理及其应用研究

人工智能的研究已经达到实践应用阶段，这些应用几乎覆盖了每一个领域。在实际应用中，产生了大量早期人工智能理论不能解决的复杂性，其中之一就是推理中的知识和信息的不确定性。不确定性是智能问题的本质特征，无论是人类智能还是人工智能，都离不开对不确定性的处理。可以说，智能主要反映在求解不确定性问题的能力上。因此，不确定推理模型是人工智能与专家系统的一个核心研究课题。 不确定知识表达的方法可分为两大类：一类是基于概率的方法，包括信度网(Belief Network)、动态因果图(Dynamic Causality Diagrams)、马尔可夫网(Markov Network)以及在专家系统PROSPECTOR中使用的方法等。另一类是非概率的方法，包括MYCIN的可信度因子(Certainty Factor)、模糊逻辑(Fuzzy Logic)以及Dempster-Shafer的证据理论等。非概率的方法虽然在各自的应用领域都取得了一定成果，但在运用过程中人们越来越意识到这类方法的不足。在概率方法中，信度网由于其理论的健壮性和一致性、有效的局部计算机制和直观的图形化知识表达方式而日益受到重视。由信度网发展起来的动态因果图理论，借鉴了信度网图形知识表达的优点，但创新并扩展了表达方式，取消了对系统逻辑结构的限制，引入了逻辑运算，从而在很大程度上克服了信度网的不足，具有更大的优势。 论文详细地介绍了人工智能中不确定性知识表达及其推理的有关内容，并简要介绍了信度网知识表达方式；在介绍因果图知识表达模型、总结单值因果图的常规推理算法后，针对单值因果图常规推理算法中存在逻辑运算量大、计算复杂的困难，根据早期不交化的思想，提出了一种单值因果图推理的新方法。对于多值因果图，本文也提出了一种基于因果影响可能性分配的推理算法。 人工智能的研究更多地是结合具体应用领域来进行的，对动态因果图理论的研究也不外于此。将因果图理论用于实际的工程应用中，用于工业系统的故障诊断一直是我们研究的目标。论文后半部分讨论了将因果图用于故障诊断的关键问题，并以船舶舵桨装置控制系统为实例，建立了其电气—液压回路的故障诊断因果图，在自行开发的因果图智能故障诊断平台上，进行离线式故障诊断，对比原来系统采用的故障树、专家系统、神经网络方法效果有了很大改善，诊断结果符合实际情况，诊断迅速，效果较好。