推理控制( Inferential Control)是过程控制的一个重要方法，是由美国Brosilow和Tong等人于 1978 年提出来的，是一种新的单变量推理控制器的设计方法，用该方法设计出来的控制器具有算法简单、收敛性好、鲁棒性强等特点，在实际应用中达到了满意的效果。在许多不同领域都有应用，如工业生产、医疗。

按照控制的逻辑发展，可将控制分为随机控制、记忆控制、推理控制和最优控制。

推理控制也叫逻辑控制，是试探和经验控制相结合的产物。它通过中间起过渡作用的媒介实现控制，因此也叫共轭控制。这种控制根据相似原理，在现有控制能力的条件下，通过中间起过渡作用的媒介来扩大控制能力，从而实现把对事物乙的控制经验用于对事物甲的控制目的。

模糊理论是模糊控制的核心，在模糊理论中需要把一个事物的“不确定”程度用数学定量化地表示了出来，说明“不确定”度的大小。例如要表示大气的温度，当确定了时间、地点后，大气温度就是唯一确定的数值，是确定的概念，但是要表明该地某一时刻的气温是“热”、“不热”、或“适中”这些信息则是不确定的。由于人们对大气温度的感受不同，而且感受随时间、场合的变化也不尽相同，究竟多少摄氏度才算“热”、或“不热”并没有一个公认的定量标准或界限，因气温的变化是逐渐且连续的，不存在突变。故大气温度“热”、“不热”、“适中”这类词语就包含了有确定的概念，致使其分界线模糊不清，这类信息称之为模糊信息。在模糊理论中模糊信息的不确定程度用“元函数”来表达。

在推理过程中，系统将根据当前所要搜索的目标，对知识库进行搜索，寻找与事实匹配的规则(知识)。当找到的匹配规则不止一条时，需要根据某种策略从中选择一条规则进行推理，这种策略被称为冲突消解策略。常用的冲突消解策略有：优先度排序、规则条件详细排序、匹配度排序和根据领域问题的特点排序等。

1)优先度排序。事先给知识库中每条规则设定优先度参数，优先度高的规则先执行。

2)规则的条件详细度排序。条件较多、较详细的规则，其结论一般更接近于目标，优先执行。

3)匹配度排序。事先给知识库中每条规则设定匹配度参数，匹配度高的规则先执行。

4)根据领域问题的特点排序。根据领域知识可以知道的某些特点，事先设定知识库中的规则的使用顺序。

推理方向大致可以分为正向推理、逆向推理和混合推理方法。正向推理控制策略的基本思想如图1（正向推理控制策略图）所示。从已有的信息出发，搜索可用知识，通过冲突消解选择可用知识，执行选择的知识，改变搜索结果的状态，逐步搜索直至搜索到真正结果。正确推理的控制策略的优点是用户可以主动提供搜索的相关信息，可以对用户输入事实做出快速反应。不足之处搜索范围比较大，搜索过程种可能出现许多与搜索无关的内容，导致推理有效性低。反向推理控制策略如图2（反向推理控制策略）所示。其基本思想为：提出搜索目标，然后在知识库种找出那些结论部分导致这个目标的知识集，再检索知识集中每条知识的条件部分，如果某个知识的条件中所含有的条件均能通过用户会话得到满足，则把该条知识的搜索目标加到当前数据库中。否则把该知识的条件项作为新的搜索目标，递归执行上述过程，直至各“与”关系的子搜索目标全部或者“或”关系的子搜索目标有一个出现，搜索目标被完成。反向推理的控制策略的优点是推理过程的搜索目标明确，方向性强。这种策略在搜索空间较少的问题环境下尤为合适。不足之处是初始搜索目标的选择比较自由，对于搜索范围较大，用户要求快速准确得到搜索结果，反向推理难以胜任。综合正向推理和反向推理的优点和不足，混合推理控制策略是一种综合利用正向推理和反向推理各自优点的有效方法，其思想为：使用正向推理帮助选择搜索目标，然后通过反向推理搜索该目标。在搜索过程中又会得到用户的提供的更多信息，再正向推理，搜索更准确的目标。如此反复正向推理一反向推理这个过程，直至搜索到所需目标为止。

1)搜索问题的状态空间表示在搜索问题比较清新明朗的情况下，可以用流程图来表示问题的搜索过程。而在搜索问题不是很明确的情况下，采用状态空间来表示问题的搜索过程。状态空间表示法是以“状态”和“算法”集合形式来表示问题的，实际上是一类问题的抽象表示。

状态是为描述问题求解过程中任一时刻不同事物间状态差别而引入的一组最少变量的有序集合，表示形式如下：

每个变量代表一个具体的状态，由搜索问题的全部可能状态(即表示方式)及其关系构成的集合称为问题的状态空间。它包含三种类型的集合：问题的所有初始状态集合K，算符集合F，结果状态集合G，可用一个三元组(K，F，G)来表示。

2)搜索方法启发式搜索是一种在搜索过程中利用与问题有关的启发性信息，引导搜索方向，加速问题的搜索。

其搜索效率较高，搜索过程与启发性信息有关。启发式搜索算法从问题中抽取启发性信息，并利用这些信息构造出估价函数来引导搜索方向。

由于模糊控制不需要对象的数学模型，能适用于非线性、时变的复杂对象以及多变量系统，而且它在控制过程中能采用多个评价指标，控制原则的改变也比较容易，因而根据熟练操作者技能总结出来的模糊控制能在许多领域发挥其特长。另外在推断原则的制定中也可以应用人工智能、专家系统，并把专家系统的智能与熟练工人的技能相结合。在自动化飞速发展的今天，模糊控制必定能得到更多的应用，受到更多控制工作者的重视。

概述

多级安全数据库中，如果多个用户能通过共谋从低安全级别的数据通过推理得到高安全级别数据时，则称该系统存在合作推理问题。提出一种基于标记的动态推理控制方法，在分析出所有推理通道的基础上，根据推理通道可能被利用的概率动态决定对象是否允许访问。分析表明，该方法能够在确保推理控制的前提下，实现柔性数据访问控制。和已有动态推理控制方法相比，本算法更加有效。

推理通道动态控制

多级安全数据库中的推理问题一直是数据库安全领域的重要研究内容。推理问题描述的是低安全级别的用户能通过推理的方法从低安全级别的信息中得到高安全级别的信息。通常，低级用户都是通过一系列的查询来完成推理的。例如，假设支持某个项目的公司信息是高安全等级的，但用户能访问诸如项目、参加会议的人员及人员所属的公司等信息，这样用户就能推断出每个公司具体支持哪个项目。

在处理推理问题时存在着柔性访问和响应时间的内在平衡。在决定是否授予一个用户查询权限时，为了阻止多个用户合作进行推理，不仅需要考虑该用户，而且需要考虑具有相同安全等级的所有用户及他们的所有查询，这个特性称为防共谋。这个特性强化了推理问题的复杂性，因为这个特性需要一个新的推理控制方法。该推理方法能够差别在一个推理通道中的n个用户、每个用户访问m-1个对象的情况和n(m-1)个用户、每个用户访问1个对象的情况。

国内外有许多学者进行推理控制方面的研究，并取得了丰富的成果。FRANCIS CHIN提出了关于统计数据库的推理控制方法。Su和Ozsyolu及吴恒山等提出了关于函数依赖和多值依赖的推理控制方法。XiaoleiQian等提出了基于语义网络的推理通道的检测方法。R．Yip和K．Levitt提出了基于推理规则的推理控制方法。M．Stickel提出了基于最大信息共享的推理控制方法。以上这些都是设计期推理控制方法和推理通道检测方面的研究。在查询期的推理控制方面，一直以来都是集中在研究基于用户的查询历史的控制方法。2003年Staddon提出了动态推理控制的方法。这里提出一种基于标记的动态推理控制方法。该方法使用访问标记来控制查询过程，因此又称为标记方法。该方法能够有效预防共谋而且易于实现。和参考文献的方法不同，这种方法在解决推理问题并保持快速查询处理的同时，还能够确保用户的最大访问能力。动态推理控制一般可以分为单推理通道、不相交的多推理通道、相交的多推理通道。

元函数在数学上被看作是一个集合，即表示“不确定”程度的集合，称之为“模糊集”。模糊集的边界是不确定的，该有确定性与概率论或统计学中的有确定性有本质的不同。因概率代表某一事件发生前的不确定率，但事件发生后就变成了一个确定的值，然而元函数即使在事件发生后也是不确定的。

模糊控制是一种以模糊理论为基础的反馈控制。实际上是在调节器部分应用模糊理论来进行计算。模糊控制适用于多变量和非线性控制，它不需要求取对象的特性，能取得比传统的控制更优异的效果，这是模糊控制的最大特点。但模糊控制需要进行相当的运算，这种运算对于常规模拟仪表是望而生畏的。因而只有在使用DCS系统与计算机时，才具备实现工业对象模糊控制的条件。模糊控制是一种近似推理的控制，具有人类思维的若干特点。能够根据一系列模糊知识和数据，也即在一定的前提条件下统筹考虑控制过程的各种控制行为，推导出符合实际、符合逻辑关系的结论。IF A and B, THEN C是模糊控制常使用的推断语言。由于在模糊控制中的前提条件是由测量传感器得到的，故是一些确定的值，推论的结果作为控制系统的操作变量送至执行单元，因此推论的结果也应该是确定的数值。因为唯一能体现模糊的地方在前提条件本身，所以模糊控制是在一些不确定的前提条件下，应用模糊理论进行模糊推断而得到一个确定的结果。因此推论本身往往既包含确定的成份，也包含模糊的成份。如在某个特殊条件下输出应增大还是减小，一般是确定的，但应增大或减小多少，执行速度如何，都是根据操作者的经验总结出来的，带有很大的人为性，在一定程度上是模糊的。模糊控制适用于理论和经验性推理，通常用于与人类判断和感觉有关的控制问题，以及难以建立数学模型的控制系统，并应用于采用常规PID控制效果不理想的场合。