实际环境中基于联想记忆网络的增量式推理系统研究

Reasoning is an important research direction in the field of artificial intelligence. However, it is very hard for the current reasoning systems to represent knowledge, ground symbols in a dynamic environment, and continuously learn new knowledge. In this project, an incremental reasoning system in real-world environment is proposed to simulate human reasoning characteristics such as empirical, inertia, suitability and solving unknown problems by using associative memory neural networks, and theoretical research on knowledge acquisition, establishing the knowledge base, problem solving, and other aspects of the reasoning system will be conducted. In this project, we will focus on the basic theory and algorithms about memory and integration of the massive patterns in real-world environment, establish inference rules between massive patterns, integration of similar rules, incremental learning of patterns and rules, and unknown problem solving. Also, we will realize a demonstration application system to verify the proposed reasoning model by using intelligent robot. The significance of this project is to propose a new reasoning system and use it to simulate several characteristics of human reasoning, directly adoping the actual pattern rather than symbol to avoid the symbol grounding problem and widely adapting to dynamic environment, incrementally building the knowledge base and making the reasoning system becoming "smarter and smarter" over time, and growing knowledge through independent learning to solve unknown problems.

推理是人工智能领域一个重要的研究方向，但目前的推理系统面临着知识表示、实际动态环境下的符号接地、如何持续学习新知识等难题。本项目针对人类推理的经验性、惯性、适应性、解决未知问题等特征，试图以联想记忆网络为基础构建一种能适应实际动态环境的增量式推理系统，并在该系统的知识获取、知识库建立、问题求解等多个方面展开理论研究。本项目着重研究实际环境中海量模式的记忆和整合、海量模式间推理规则的建立、相似规则的统合、模式和规则的增量学习、未知问题求解等基础理论和算法，并将实现一个以智能机器人为载体的示范应用系统来验证所提出的推理模型。本项目的意义在于提出一种新型推理系统并将之用于模拟几种主要的人类推理特征，直接面向实际模式进行推理从而避免符号接地难题并广泛适用于实际动态环境，增量式地构建推理知识库使推理系统随着时间推移"越来越聪明"，使之能够通过自主学习不断增长知识并解决未知问题。

本项目实现了能适应实际动态环境的推理系统的目标，以联想记忆网络为基础来记忆环境模式中的知识，通过联想关系生成推理规则，建立用于问题求解的知识库；解决未知问题时通过联想记忆网络系统寻找问题的所属类型,在知识库中寻找可能的解决途径。项目的重要结果包括：（1）感知进化神经网络（PEN），能学习具有新维度的数据样本，对已学习到的神经元进行维度增长，使其能够适应新型数据环境。（2）自组织增量图(SOIG)，SOIG模拟人类的学习和推理，实现了半监督环境下的自主学习算法，通过增量式学习有标记和无标记数据样本来构建数据拓扑表示图模型，用图模型最短路径搜索算法快速扩张代表点标签，从而标记无标签代表点。（3）局部分布自组织增量学习神经网络（LD-SOINN），采用局部距离矩阵学习和自适应在线更新策略，LD-SOINN能够在学习新数据的同时不会遗忘已经学习到的有效信息，更好地适应动态变化的数据环境。（4）增量式快速线性降维IOCA，IOCA通过提取数据特征子空间的正交基底学习数据的低维表示，能对在线输入的数据流进行增量式学习并高速地获取正交成分（基底），能自动估计及更新目标维数，在运算过程中避免病态问题，保证所获取基底的数值正交性。. 在项目资助下，共计发表论文28篇，包括神经网络领域著名国际刊物<IEEE Trans. On Neural Networks and Learning System>（影响因子6.108）、<Neural Networks>（影响因子5.287）、<Neurocomputing>（影响因子3.317）和顶级国际会议IJCAI、知名国际会议IJCNN、ICPR、ICONIP等。发表文章中SCI收录5篇，EI收录27篇。申请国家发明专利11项，其中获授权7项。