1、隨著計算機技術的發(fā)展，人們由最初的利用機器模仿人類行為逐漸轉(zhuǎn)向利用機器模擬人類智能。種種人工智能的實踐表明，現(xiàn)今的多數(shù)智能系統(tǒng)對常識的表示及其推理都存在一定的困難。人們在不斷的實踐后發(fā)現(xiàn)，不一致信念的處理問題是常識推理中的難點及重點。
　　 根據(jù)不同應用領域的不同需要，研究者們已經(jīng)提出了許多對不一致信念的處理辦法，概括起來，主要包括修正和非修正兩種方法。信念修正的方法是根據(jù)新信念的情況修正原有知識庫以維護知識庫的一致性，研究者們

2、在這一領域已經(jīng)取得了很多的研究成果。但是，由于要對知識庫進行修正，幾乎所有的信念修正方法都存在著丟失希望信息、產(chǎn)生不希望結論或結論難于選擇的問題。而非修正方法是在容忍不一致的前提下進行的推理，它不需要對原有知識庫進行修正，因而很好地避免了上述問題。
　　 本文基于非修正方法的思想，在命題邏輯下討論不一致信念的定量非修正分層處理方法。
　　 為了保證假說擴充具有良好的數(shù)學性質(zhì)和行為表現(xiàn)，本文首先通過限制假說為子句集的形式，

3、用歸結法進行推理，對推理結果進行分層處理，將矛盾信息隔離在某一層次中，重新修正了假說擴充的定義，并給出了修正后的假說擴充滿足一致性、演繹封閉性、累積性等相關數(shù)學性質(zhì)的證明。如果將假說的無限增長過程理解為認識進程，則認識進程收斂于確定的極限。
　　 為了對信息進行更好的篩選和甄別，使假說擴充中保存的信息更加全面，本文又引入了信念權值的表示方法，從定量的角度進一步優(yōu)化了假說擴充的定義，并證明了優(yōu)化后的假說擴充同樣滿足相關的數(shù)學性質(zhì)。