不确定性人工智能已成为近年来最热门的课题之一,在不确定性人工智能中常常出现语言值表示的信息。不确定性推理和机器学习算法是不确定性人工智能的重要研究内容,为建立高可靠性和高可解释性的人工智能提供了数学理论基础和研究方法。本文就不确定性环境下的语言值近似推理和规则学习算法开展研究工作,具体内容包括:不确定性环境下人们更倾向于使用语言值描述信息,传统的基于模糊集理论的词计算方法,使用定量的隶属函数描述定性的语言值知识,存在表述上的不足。语言值格蕴涵代数更加符合人类语言和思维的特点,本文提出了基于语言值格蕴涵代数的近似推理模型。取式推理和拒取式推理作为最常见的推理形式之一,在带有语言值的推理方法中有着重要作用,将其扩展到语言值格蕴涵代数上,提出了语言值取式推理和语言值拒取式推理的形式化表示和基于相似度的算法公式;为了处理推理规则和证据中语言值表述的属性权重问题,对语言值格蕴涵代数的(?)算子进行了探讨,说明了它作为加权运算的合理性;存在不可比是语言值的固有属性,定义了语言值-实值赋值函数,以便在需要时对推理结果中不可比语言值排序,并通过实例说明方法的有效性和合理性。使用语言值描述信息时,常常同时给出正反两方面证据的知识,然而带有语言值可信度的近似推理模型忽略了正面证据和反面证据的联系。为了更合理地处理这类语言值知识,本文基于语言值直觉模糊格蕴涵代数,提出了带有语言值直觉模糊可信度的知识表示和近似推理模型,简化了语言值知识表示形式,考虑了正面证据和反面证据相互制约的关系。该模型在单条规则中使用语言值直觉模糊对同时表示正面证据和反面证据,并通过基于近似度的语言值直觉取式推理算法得到子结论;对多条规则支持同一结论的情况,定义了规则聚合算子对子结论进行合并;给出基于直觉语言值-实值赋值函数的排序方法,在需要的情况下对推理结果中存在的不可比语言值直觉模糊对排序。实例说明所提模型对语言值知识的表示和近似推理更加合理和灵活。以上方法中,规则和知识都是由专家根据经验给出。使用证据推理算法的置信规则库推理方法(以下简称RIMER)中,指标集由语言值组成,它可以处理多种类型的不确定性,具有不确定性推理的高可解释性特点,但存在大量的参数需要专家设定。为了减少专家的人工成本和主观谬误,自动生成置信规则库,同时缓解神经网络“黑盒子”机制引起的可解释性低的问题,本文提出了基于RIMER的规则推理网络模型。在该模型中,以RIMER中的基于证据理论的近似推理作为规则推理网络的前馈过程进行信息传递,讨论了近似推理解析函数的可导性,保证了模型的可解释性;借鉴反馈神经网络中的梯度下降法,实现置信规则库中参数的优化,并提出了“伪梯度”的概念来降低算法复杂度;通过分类实验分析所提模型在准确性和可解释性上的优势,实验结果表明该方法既保留了神经网络优异的学习性能,又保留了 RIMER的高可解释性,可为不确定性机器学习提供必要的解释。综上述,本文分别基于语言值格蕴涵代数和语言值直觉模糊格蕴涵代数研究了不确定性环境下带有语言值的近似推理模型,该模型中知识表示和推理更加符合人类思维习惯;研究了基于RIMER的不确定性机器学习方法—规则推理网络,能够自动生成合理的置信规则库,同时缓解神经网络低可解释性的问题。该研究是不确定性人工智能的基础理论研究,对可解释性人工智能的发展有重要的意义。