[论文解读] Fuzzy Approaches to Abductive Inference

Nédra Mellouli, Bernadette Bouchon‐Meunier|ArXiv.org|Mar 8, 2000

Logic, Reasoning, and Knowledge参考文献 7被引用 4

一句话总结

本文在模糊规则库框架内提出了两种模糊溯因推理模型——确定性生成规则与可能性生成规则，利用模糊逻辑处理不精确和不确定的数据。通过在故障元件诊断和因果诊断中的应用，展示了如何通过蕴含运算与t-范数运算计算假设度，生成合理的解释。

ABSTRACT

This paper proposes two kinds of fuzzy abductive inference in the framework of fuzzy rule base. The abductive inference processes described here depend on the semantic of the rule. We distinguish two classes of interpretation of a fuzzy rule, certainty generation rules and possible generation rules. In this paper we present the architecture of abductive inference in the first class of interpretation. We give two kinds of problem that we can resolve by using the proposed models of inference.

研究动机与目标

• 在模糊规则系统中形式化溯因推理，区分规则类型的语义差异。
• 解决现实诊断问题中不确定性与不精确性的问题，如故障检测与因果推理。
• 构建一个能够区分规则推理中确定性与可能性的框架。
• 为量化溯因解释中的不确定性与不精确性提供基础。

提出的方法

• 使用形式为‘若 u 是 A 则 v 是 B’的模糊规则，其中隶属函数 A(u) 与 B(v) 取值于 [0,1]。
• 区分两种规则语义：确定性生成（A(u) 越高，B(v) 的确定性越高）与可能性生成（A(u) 越高，B(v) 的可能性越高）。
• 应用t-范数与蕴含函数（如G"odel蕴含）计算从观测 B′(v) 推出假设 A′(u) 的程度。
• 在特定条件下，使用Bandler-Kohout上直接像进行精确推理。
• 在某些情况下，将溯因问题简化为求解模糊算术方程。
• 使用r-蕴含（如G"odel、Lukasiewicz）来建模前提与结论之间的逻辑关系。

实验结果

研究问题

• RQ1 如何在具有规则语义差异的模糊规则库中形式化溯因推理？
• RQ2 在诊断推理中，哪些推理机制能有效处理不确定性和不精确性？
• RQ3 确定性生成规则与可能性生成规则在故障诊断与因果诊断中的适用性有何不同？
• RQ4 模糊逻辑能否有效模拟不完整或不精确数据情境下的人类类比推理？

主要发现

• 本文确立了模糊系统中的溯因推理并非唯一，其结果取决于规则的语义解释。
• 确定性生成规则允许在前提隶属度越高时，结论的确定性越高的推理，该过程通过t-范数与蕴含函数建模。
• 对于G"odel蕴含且 B′ = B 的情况，解可简化为Bandler-Kohout上直接像，从而保证一致性。
• 在满足t-范数有效条件时，可通过不等式 A′(u) ≤ inf_v∈V IT(IT(A(u), B(v)), B′(v)) 计算假设度 A′(u)。
• 该方法可通过逆对称性检测预期行为的偏差，支持故障元件的诊断。
• 该框架可扩展至多规则系统与现实诊断应用，不确定性与不精确性通过模糊集运算进行量化。