申请/专利权人：成都飞机工业(集团)有限责任公司

申请日：2022-07-20

公开（公告）日：2023-10-10

公开（公告）号：CN115204372B

主分类号：G06N3/04

分类号：G06N3/04;G06N3/084;G06F18/2415

优先权：

专利状态码：有效-授权

法律状态：2023.10.10#授权;2022.11.04#实质审查的生效;2022.10.18#公开

摘要：本发明涉及软件可信性自动验证技术领域，公开了一种基于项游走图神经网络的前提选择方法，包括：数据集的建立；字符型逻辑公式表示为结构化的有向无环图；基于图的项游走模式的拓展；基于本发明提出的图项游走模式，设计项游走图神经网络，用于把逻辑公式图编码为对应的图特征实值向量；基于本发明提出的项游走图神经网络，设计前选择方法，输出为前提公式对结论公式在ATP自动证明中的实值有用性得分；在限定迭代次数下对本发明提出的端到端的基于项游走图神经网络的前提选择模型进行训练、验证和测试。本发明还公开了一种基于项游走图神经网络的前提选择系统。

主权项：1.一种基于项游走图神经网络的前提选择方法，其特征在于，包括以下步骤：步骤S1，基于MPTP2078问题库建立用于训练、验证和测试模型的数据集；步骤S2，根据数据集中逻辑公式的递归的特性，将字符型逻辑公式进行有向无环图DAG表示；步骤S3、将项游走模式从解析树拓展到有向无环图DAG上；步骤S4、设计项游走图神经网络，所述项游走图神经网络中的输入为逻辑公式对应的有向无环图DAG，输出为逻辑公式对应的图特征实值向量；步骤S5、设计前提选择模型，所述前提选择模型的输入为步骤S4输出的图向量特征实值向量对，输出为二元分类器预测的前提公式对结论公式在ATP自动证明中的实值有用性得分；步骤S6、基于步骤S5设计用于模型训练的损失函数；步骤S7、判断当前迭代次数是否大于限定迭代次数：若是，则进入步骤S11；若否，则进入步骤S8；步骤S8、利用步骤S1中的数据集对步骤S5中的前提选择模型进行训练，基于步骤S6计算真实值与步骤S5输出的误差，通过反向传播算法将误差传播回模型的所有神经元中，最后通过梯度下降算法修正和更新前提选择模型中的所有参数，最后对训练后的前提选择模型进行保存；步骤S9、将步骤S8中训练后的模型在步骤S1中的数据集上进行验证；步骤S10、当前迭代次数加1，并返回步骤S7；步骤S11、在已保存的前提选择模型中选择在步骤S9中执行最小损失的模型作为最优模型，并在步骤S1中测试数据集上对其精度、召回率、准确度以及F1指标进行评估，最后结束；所述步骤S2中将字符型逻辑公式进行有向无环图表示的过程包括：在字符型逻辑公式的一阶逻辑中，给定变元符号集、函数符号集和谓词集；一阶逻辑表达式为一阶逻辑项、一阶逻辑原子或一阶逻辑公式；根据数据集中逻辑公式的递归的特性将一阶逻辑表达式递归定义表示为结构化的有向无环图DAG。

全文数据：

权利要求：

百度查询： 成都飞机工业(集团)有限责任公司 一种基于项游走图神经网络的前提选择方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD