69、逻辑推理中的命题蕴含与无限推导

逻辑推理中的命题蕴含与无限推导

1. 命题推导与心理认知的关系

逻辑推理中一个重要观点是:“如果 p 从 q 推导得出,那么 p 必定已在思考 q 时被一并考虑在内”。然而,实际情况并非如此简单。

1.1 普遍命题的推导情况

一个普遍命题可能推导出众多逻辑项的总和,而在说出这个普遍命题时,我们可能并未想到这些推导结果。例如,一个普遍命题可能推出约一百项的逻辑和,但我们在表述该命题时,并没有特意去想这些具体的逻辑项。但即便如此,我们仍然可以说这个逻辑和是从该命题推导得出的。

1.2 思想与推导结果的包含关系

思想在逻辑层面并非像机器那样能挖掘出未预见的内容。思想中逻辑上所包含的,仅仅是我们赋予它的内容。例如,当我们说一个矩形完全是白色时,我们并没有想到它内部包含的十个更小的白色矩形,更不可能想到其中“所有”的矩形或色块。同样,在“他在房间里”这个命题中,我们也不会想到他可能处于的一百种位置,更不用说所有可能的位置了。

1.3 两种类型的演绎推理

从表面上看,演绎推理似乎有两种类型:
- 类型一 :结论中的所有内容都在前提中被提及,例如从“p & q”推出“q”。
- 类型二 :结论中提及了前提中未涉及的边界或情况,例如从“整个杆是白色的”推出“它的中间三分之一也是白色的”。在这种情况下,结论中提到的边界在第一个命题中并未被提及,这就引发了一些疑问。

再如“无论你在这个圆内的何处击中目标,你都赢了”,当说“你在右上角击中了它”时,这个具体的位置在第一个命题中并未被预见。尽

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值