中文摘要：

不确定知识表达和推理是当今人工智能领域的重要课题。贝叶斯网是目前国际上最受欢迎的理论之一，但仍难以处理逻辑循环、数据及结构动态变化、时滞、时序、数据缺乏、不完备或不精确等问题。其它理论也存在类似问题。动态不确定因果图（Dynamical Uncertain Causality Graph，DUCG）是申请人为解决上述问题而初步提出的一种新的理论框架。本研究拟就离散DUCG的静态和动态理论部份进行深

结论摘要：

在分析贝叶斯网络（BN）及其它理论模型的基础上，本研究提出了一种可称为动态不确定因果图（DUCG）的理论模型。本研究报告首先对单值情况和多值情况的区别进行了讨论，指出两态子变量既可以是单值的，也可以是多值的，而当前适用于单值情况的知识简洁表达模型并不能自动适用于多值情况。通过引入独立的连接事件、作用事件、各种逻辑门、条件连接或作用事件、缺省事件、以及因果关系强度等概念，DUCG能够简洁直观地表达许多复杂的条件概率分布（CPD），并适用于单值和多值及两者混合等复杂情况。研究报告中提出了一种基于DUCG的高效的逻辑展开推理算法，具有在进行数值计算前提供定性推理结果的功能。这种推理算法也使人们能够仅表达所关注且可得到但不足以表达CPD的不完全因果知识。换言之，DUCG无须表达关于一组变量的联合概率分布，尽管DUCG能够表达。这种不完全表达的特性以及处理有向循环图（DCG）的能力，使得DUCG不同于BN理论模型。在研究计划中，DUCG将能处理动态、连续、不确定或模糊证据、以及DCG的情况。但限于研究时间和经费，本研究仅限于静态、离散、确定证据和有向无环图（DAG）的情况。