基于子集一致性檢測的診斷解極小性判定方法
摘要：基于模型診斷作為克服第1代診斷系統的缺陷而出現的智能診斷推理技術,現已成為十分活躍的人工智能研究分支,隨著相關技術的不斷發展,應用愈加廣泛.其中,大多數研究集中于診斷求解過程,而診斷解的極小性檢測方法保證了最終求得診斷解的極小性,也是問題求解過程中至關重要的一步.傳統診斷解的極小性判定過程是將新求得的診斷解與已有診斷集合中的診斷解依次比較,檢查是否有新得診斷解的超集或子集來判定極小性,這種方法隨著求解過程中得到的診斷解數量增多,檢測難度逐漸提高,耗時也隨之增大.為解決此問題,提出了一種基于子集一致性檢測的診斷解極小性判定的新方法:子集一致性(subset consistency detection, SCD)方法.通過對診斷解少數幾個子集的一致性檢測來給出該診斷解的極小性判定,避免了求解過程中診斷解集合增大對效率的影響.SCD方法可應用于許多高效的診斷方法,如GD(grouped diagnosis)和ACDIAG(abstract circuit diagnosis)方法,算法效率均有所提高.
注: 保護知識產權,如需閱讀全文請聯系計算機研究與發展雜志社
相關推薦
更多
