Approximate Reasoning by Parts: An Introduction to Rough Mereology

--- لطفاً نسخه متنی را در نظر بگیرید ---

تک نگاری دیدگاهی را در مورد Mereology خشن ارائه می دهد، ابزاری برای استدلال در شرایط عدم قطعیت، که به Mereology برمی گردد، که به صورت فرمول بندی شده است. از قطعات توسط لزنیفسکی، و از نظریه مجموعه فازی و نظریه مجموعه خشن ایده های مهار را تا حدی وام گرفته است. نتیجه، نظریه‌ای است که مبتنی بر مفهوم یک جزء تا یک درجه است.

در اینجا می‌توان فرمولی را استناد کرد. همانند Mereology، Rough Mereology کاربردهای مهمی در مسائل استدلال فضایی پیدا می کند که در این رساله با مثال هایی از رباتیک رفتاری نشان داده شده است. Rough Mereology به دلیل درگیری با مفاهیم، ​​رویکردهای جدیدی را برای محاسبات دانه ای، طبقه بندی کننده و ترکیب تصمیم، منطق برای سیستم های اطلاعاتی، و فرمول بندی ایده های شناخته شده شبکه های عصبی و بسیاری از سیستم های عامل ارائه می دهد. همه این رویکردها در این مونوگراف مورد بحث قرار می‌گیرند.

برای اینکه بیان مفهوم‌های زیربنایی نظریه مجموعه‌ها، توپولوژی، و استدلال قیاسی و تقلیلی با تأکید بر راف و راف باشد. نظریه‌های مجموعه‌های فازی همراه با توضیح کاملی از Mereology هم در نسخه‌های لزنیفسکی و وایتهد--لئونارد--گودمن--کلارک به طور طولانی مورد بحث قرار گرفته است.

امید است که این تک‌نگاره به پژوهشگران حوزه های مختلف هوش مصنوعی ابزار جدیدی برای مقابله با تحلیل روابط میان مفاهیم ارائه می دهد.

--- PLEASE take the tex- version ---

The monograph offers a view on Rough Mereology, a tool for reasoning under uncertainty, which goes back to Mereology, formulated in terms of parts by Lesniewski, and borrows from Fuzzy Set Theory and Rough Set Theory ideas of the containment to a degree. The result is a theory based on the notion of a part to a degree.

One can invoke here a formula Rough: Rough Mereology : Mereology = Fuzzy Set Theory : Set Theory. As with Mereology, Rough Mereology finds important applications in problems of Spatial Reasoning, illustrated in this monograph with examples from Behavioral Robotics. Due to its involvement with concepts, Rough Mereology offers new approaches to Granular Computing, Classifier and Decision Synthesis, Logics for Information Systems, and are--formulation of well--known ideas of Neural Networks and Many Agent Systems. All these approaches are discussed in this monograph.

To make the exposition self--contained, underlying notions of Set Theory, Topology, and Deductive and Reductive Reasoning with emphasis on Rough and Fuzzy Set Theories along with a thorough exposition of Mereology both in Lesniewski and Whitehead--Leonard--Goodman--Clarke versions are discussed at length.

It is hoped that the monograph offers researchers in various areas of Artificial Intelligence a new tool to deal with analysis of relations among concepts.