该项目属于人工智能领域。以深度学习为基础的人工智能理论与技术成为社会各界关注的焦点，也是社会经济新的增长点，然而，具备可解释性是人工智能理论与技术在医疗及重大决策等领域发挥关鍵作用的前提与保障。该项目针对不确定性人工智能中，不确定性信息的有效获取、信息粒度的描述及属性约简效率方面的问题，充分利用模糊与二型模糊理论的可建模、可分析、可解释及数据表示的多粒度特性符合人类的认知习惯等优势，从区间二型模糊集合、自适应卡尔曼滤波、模糊社区发现算法及相关族等四个方面开展不确定性人工智能的基础研究。在多个国家自然科学基金与湖南省自然科学基金的支持下，项目组经过近十年的工作，取得了如下重要发现和创新性成果：
1.针对不确定信息粒度难以描述问题，通过引入多值映射，提出了二型模糊集合的新定义，在此基础上，进一步提出FOU划分法来表述区间二型模糊粒度，解决了区间与广义区间二型馍糊不确定信息的难以描述问题，实现了基于区间二型模糊粒度的词计算与不确定性知识推理方法，发展了基于社会媒体的不确定性信息的区间二型模糊表述与相关数据的可视化，并综合语言动力学理论来模拟包括可变性在内的人类智能。
2.针对不确定信息的难以有效获取问题，研究了复杂非线性系统噪声统计特性的不确定性，提出了在线估计系统噪声协方差阵的自适应卡尔曼滤波算法，重构了RBF-AR模型的网络结构，确保了卡尔曼滤波算法的估计精度，解决了实际复杂系统噪声统计特性先验知识的不确定性问题。
3.针对科技合作相互关系的不确定性问题，采用模糊社区发现算法，从学者合作、机构合作和国家合作三个层面，分析合作模式及合作网络的不确定性，给出了合作关系不确定性的演化过程。
4.针对大规糢不确定信息的知识约简与数据压缩问题，在粒计算理论上提出原创性的相关族方法，具有更低的时间和空间复杂度，用于解决现有方法无法完成的属性约简难题；同时设计了快速特征选择算法，可成千倍提高大规模数据的维度压缩与特征提取的计算速度。
该项目解决了不确定性信息粒度的表述、分析、推理与约简问题，拓展了糢糊集合与粗糙集的研究领域，促进了粒度计算与多尺度分析等相关科学的发展。相关工作受到了该领域国际权威学者，如国际顶级期刊主编、IEEE Fellow、Nature论文第一作者的充分肯定和高度评价，如Patricia Melin，Oscar Castillo，Janusz Kacprzyk在Spinger出版的专著《Design of Intelligent Systems Based on Fuzzy Logic，Neural Networks and Nature-Inspired Optimization》中评价该项目的二型模糊理论“该文给出的方法是进行直接应用于推理的极好工具”。另外，Knowledge-Based Systems主编Hamido Fujita教授充分肯定了相关族方法的有效性，评价该项目提出的知识约简十分有效，填补了经典方法区分矩阵无法完成的知识约简理论空白。
该项目共发表学术期刊论文100余篇，授权发明专利8项，出版学术专著两部，项目组成员入选/获评湖南省科技人才托举工程一人次，长沙市杰出创新青年培养计划一人次，湖南省青年骨干教师一人次，培养的研究生获湖南省优秀硕士学位论文一人次，项目组发起并组织了历届全国语言动力系统研讨会。
暂无评论