（计算机应用技术专业论文）基于事例推理的棉纺工艺专家系统研究与实现.pdf

摘要 基于事例的推理技术适用范围比较广泛，对许多领域都能够适用，具有比较好 的应用前景。它能够借助数据库系统对以前工作和成功经验进行保存，在遇到新问 题时通过检索得到解决方法或可以借鉴的内容。棉纺工艺专家系统( c t e s ) 就是该理 论在棉纺领域的具体应用。作为一个棉纺大国，我国棉纺工艺不尽人意，该系统的 构建，能够解决棉纺工艺设计的问题，对许多中、小型棉纺企业具有积极的作用。 基于事例推理技术是在模拟人类思考问题和处理问题方法基础上产生的。该技 术通过对比需要解决的事例与先前事例的相似性，寻找最优解。并根据实际检索情 况进行适应性修改，由于基于事例推理技术同知识表示密切相关，在不同的领域会 有不同的方法，该课题主要结合棉纺领域，对基于事例的推理的实际应用做了详细 的探讨。 论文首先阐述了课题的背景以及课题研究的意义，并介绍了人工智能、专家系 统、基于事例推理和棉纺工艺等国内外研究的现状。其次对基于事例推理方法进行 了系统的介绍，包括基于事例推理的定义、基于事例推理的过程模型和基于事例推 理同其他推理方法的比较等。第三部分分析了棉纺工艺的流程和特点，对系统进行 总体的设计，主要是模块的划分、数据库的设计以及代码设计、输入输出设计等。 第四部分对系统实现过程中的关键技术进行了探讨，主要有知识的表示方法、事例 的检索和匹配、事例的修改和重用以及检索结果的解释机制等。重点对事例检索匹 配算法进行研究。事例检索是专家系统中推理机实现的主要技术，对于普遍采用的 最近邻法，存在着两个主要问题：一是检索时间的问题，传统最近邻法会随着事例 库的增加检索时间线性增加，文中探讨了如何将结合规则的事例分级筛选同最近邻 法进行结合，根据事例分级检索对事例库的事例形成一个聚类，对聚类中较少的事 例来进行最邻近法的检索、相似性匹配过程，提高系统检索效率。二是特征权值确 定问题，对于采用加权的最近邻法进行事例相似度匹配，探讨了如何用遗传算法对 事例的特征权值进行有效的优化，经过选择、交叉、变异等操作，调整特征权值， 提高系统检索的精度。最后介绍了系统的实现和系统运行方法，以及对全文进行了总 结并对未来工作进行了展望。 通过实验证明，所完成的c t e s 原型系统能够根据用户的输入进行有效的推理并 得出所需的工艺。 关键字：基于事例的推理，最近邻法，专家系统，棉纺工艺发计 a b s t r a c t c a s e b a s e dr e a s o n i n g ( c b r 、m e t h o di sat h e o r yw i t hp r o m i s i n ga p p l i c a t i o n p r o s p e c ta n di sw i d e l yu s e di nm a n y f i e l d s i t sas u m m a r i z a t i o no fp a s te x p e r i e n c ea sw e l l a sar e f e r e n c eo fp a s tw o r k s i tc a no v e r c o m es o m ed e f a u l t si nc u r r e n tk n o w l e d g e p r o c e s s i n gs y s t e ma n dp r o m o t es y s t e m sc a p a b i l i t yo fr e a s o n i n g c b rf o rc o t t o nt e x t i l e c r a f t sa n da r t se x p e r ts y s t e m ( c t e s ) i sap r a c t i c a la p p l i c a t i o no ft h et h e o r y t h e r e s e a r c hi st od e v e l o pn e wc r a f t sa n da r t si nc o t t o nt e x t i l ef i e l d o u rc o u n t r yi sab i g c o u n t r yi nc o t t o nt e x t i l ef i e l d ，b u tt h et e c h n o l o g yi sl e s st h a ns a t i s f a c t o r y , t h ec o n s t r u c t i o n o ft h i ss y s t e mf o rs o l v et h i sp r o b l e mh a sp o s i t i v ef u n c t i o nt oal o to fm e d i u ma n d s m a l l - s c a l ec o t t o nt e x t i l ee n t e r p r i s e s c a s e b a s e r e a s o n i n g i sl i k et h ew a yo fh u m a n st h i n k i n ga n dd e a l i n gw i t h q u e s t i o n i n g t h em a i nw o r ki sf o u n dt h em o s tf i t n e s sm e t h o df r o mc o m p a r i n gt h et a r g e t c a s ea n dt h ec a s ei nc a s el i b r a r y e q u a l l y , a d a p t a t i o nw a sd o w nw h e nt h eo l dc a s ei sn o t c o m p l e t e l yi nl i n e i th a sm u c h m o r er e s p e c t sw h e ni ti su s e di ns p e c i f i cf i e l d s t h i sp a p e r m a i n l ys t u d i e sc b rf o rc o t t o nt e x t i l ec r a f t sa n da r t se x p e r ts y s t e m ，s o m ew o r k sw a sd o n e a sf o l l o w s ： a tf i r s tt h ep a p e ri n t r o d u c et h eb a c k g r o u n da n dt h es i g n i f i c a n c eo ft h es t u d ya n d c u r r e n ts i t u a t i o no fs t u d y i n gb o t ha th o m ea n da b r o a di na r t i f i c i a li n t e l l i g e n c e ( a i ) ， e x p e r ts y s t e m ( e s ) ，c a s e b a s e dr e a s o n i n g ( c b r ) a n dc o t t o nt e x t i l ec r a f t sa n d a r t s s e c o n d l y , t h ep a p e rh a sar o u g h l yi n t r o d u c t i o no nc b r w h a t i st h em e a n i n go fc b r ? w h a ti st h ec o u r s ea n dm o d e lo fc b r ? a n dw h a ti st h ec h a r a c t e r i s t i co fc b rc o m p a r e w i t ho t h e rr e a s o n i n g ，s u c ha si n f o r m a t i o nr e t r i e v a l ( m ) ，r u l e - b a s e dr e a s o n i n g ( r b r ) ， a n ds o o n t h i r d l y , t h ep a p e ra n a l y z e sp r o c e d u r ea n dc h a r a c t e r i s t i co ft h ec o t t o nt e x t i l ec r a f t s a n da r t s ，a n dh a sat o t a ld e s i g nt ot h es y s t e m s u c ha st h ed i v i s i o no fm o d u l e ，d e s i g no f d a t a b a s ea n dc o d e ，i n p u ta n do u t p u td e s i g n i n ge t c f o u r t h l y , t h ek e yt e c h n o l o g yf o rr e a l i z et h es y s t e mw a sc a r r yo nd i s c u s s i o n ，i n c l u d i n g k n o w l e d g er e p r e s e n t a t i o n ，c a s er e t r i e v e ，c a s em a t c h ，c a s er e v i s ea n dc a s er e u s e ，e t c r e t r i e v eo fc a s ei sm a i n l yd i s c u s s e d t h e r ea r em a n ym e t h o d sf o rc a s er e t r i e v ei nc b r e x p e r ts y s t e m o n eo ft h e s em e t h o d st h a ta r eu s e dw i d e l yi sn e a rn e i g h b o rm e t h o d i t g i v e saw e i g h tt ot h ea t t r i b u t e so fc a s e s ，a n dc a l c u l a t e st h ed i s t a n c eo ft w oc a s e sf o r c o m p a r ew h i c hi sc a s e sn e a r e s tn e i g h b o r b u tt h i sk i n do fm e t h o di st i m ec o n s u m i n gi na s i t u a t i o nw h e nt h cc a s el i b r a r yi sh u g e rm o r e ，s oh o wo p t i m i z ea n di m p r o v et h i sm e t h o d g oo i lt h ed i s c u s s i o nt h e s i s t h e r ea r et w oc h i e fq u e s t i o n s o n ei st h et i m eo fc a s er e t r i e v a l a n dt h eo t h e ri s a c c u r a c yf o rt h ef i r s tq u e s t i o n ，t h ec o m b i n a t i o no fn e a r e s tn e i g h b o rm e t h o da n dt h e s c r e e n i n gm e t h o di nd i f f e r e n t l e v e l sc o m b i n ew i t hr u l ea c c o r d i n gt os o m et a c t i ci s e m p l o y e dt od e v e l o pt h er e t r i e v a le f f i c i e n c ya n dr e d u c et h ep r o c e s so fr e t r i e v a l f o rt h e s e c o n dq u e s t i o n ，t h eg e n e t i ca l g o r i t h m si su s e df o ri m p r o v ea c c u r a c yo fr e t r i e v a lb ya l t e r t h ew e i g h t a tl a s t ，t h ep a p e ri n t r o d u c e st h er e a l i z a t i o no ft h es y s t e ma n dv e r i f i e st h ee x e c u t i o n o fap r o t o t y p es y s t e m a n ds u m m a r i z e sa l lo ft h ew o r k , e x p e c t s 幻f u t u r e i ti st e s t i f i e db ye x p e r i m e n tt h a tc t e sp r o t o t y p es y s t e mc a l lr e a s o ne f f e c t i v e l y a c c o r d i n gt ot h ei n p u to ft h eu s e r sa n de d u c ea p p r o p r i a t ec r a f t sa n da r t s k e yw o r d s ：c a s e b a s e dr e a s o n i n g , n e a r e s tn e i g h b o rm e t h o d ，e x p e r ts y s t e m ， d e s i g no fc o t t o nt e x t i l ec r a f t sa n da r t s 武汉理二| _ ：大学硕十学位论文 1 1 课题的背景和意义 第一章绪论 在许多科幻电影中，都出现过具有达到或超越人类智能的智能机器人，这一直 都是人们心中的一个美好梦想。虽然许多大胆的尝试都以失败而告终，但在研究的 过程中还是得到了许多宝贵的经验和财富。7 0 年代中期研制成功的专家系统( e x p e r t s y s t e m ：e s ) 就是人工智能研究上的一个分支，它的出现打破了人工智能领域的沉 闷空气，并在越来越多的领域得到了应用，取得了巨大的经济效益和社会效益1 1 j 1 2 j 。 知识库的建立和推理机的实现是构建专家系统的核心内容，两者有着密切的联 系。建立知识库主要研究知识的表示和知识的获取，即如何将人类专家所掌握的某 领域的专门知识概念化、形式化，方便计算机进行存储并能够有效地进行运用。推 理机则主要研究推理的方法，如何快速、有效地根据知识库中保存的知识解答现有 的问题，给出合理的答案。 推理是人工智能的基石，其源头是三段论的演绎，即由两个正确的命题之间的 关系来得出第三个命题正确。推理的方法比较多，主要方向是从严密的逻辑推理、 开放的逻辑、c a s e 推理到类比推理、视觉推理等，呈现出比较明显的松绑趋势p j 。 在主流专家系统中应用比较多的推理方法是基于规则的推理( r u l e b a s e d r e a s o n i n g ：r b r ) 和基于事例的推理( c a s e b a s e dr e a s o n i n g ：c b r ) 以及两者的混 合应用。c b r 方法主要借助类比推理的方法，特别适用于知识不好用规则表示的领域。 本课题研究的重点之一就是基于事例推理方法在棉纺工艺专家系统( c o t t o nt e x t i l e e x p e r ts y s t e m ：c t e s ) 中的应用。 推理不是孤立的，它还要依赖于知识的获取和表示，合理的知识表示方法便于 推理的实现。常用的知识表示方法有逻辑表示法、语义网络、产生式规则、框架、 p e t r i 网等。本课题的另外一个研究内容就是探讨棉纺工艺专家系统合理的知识表方 法。 当前的社会是一个信息的社会，信息化管理手段已经走进包括棉纺企业在内的 各行各业。我国是一个棉纺大困，纺织企业数量众多，每年有大量的棉纺品出口到 困外，给我困带来许多的外扩收入，但是，同时我们还要看到差距和严峻的形势。 我国棉纺企业以中、小型企业居多，整体装备水甲不高、工艺技术相对落后、产品 技术含量较低，现有的1 艺技术小能适应小批量、多品种的产品更新。出于受到社 会大环境的影响以及企业自身原川，有丰富棉纺经验的工艺师比较缺乏，很多的棉 武汉理工大学硕l 学位论文 纺工艺不能适应品种的更新，甚至还是沿袭传统的老工艺，不能适应信息社会发展 的需要，也对自身竞争力提高不足。而棉纺工艺由于涉及内容比较多，设计起来比 较繁琐，通过短期的技术人员培训很难达到应有的水平。而专家系统的出现则无疑 是对棉纺企业工艺设计提供了一条光明大路。如果能够建立一个比较理想的棉纺工 艺专家系统，集合行业内经验丰富的专家意见，以知识化、形式化的方法保存到数 据库中，并运用合理的推理方法来归纳引导，则对棉纺企业可以说是一次技术的革 命，必将大大带动我国棉纺企业的发展，并增加我国棉纺织品的国际竞争能力，为 我国经济发展起到积极的作用。 同时，由于棉纺工艺的特点是工序流程长，设备型号多且更新较快，各工序及 各型号设备工艺设置复杂，质量控制受多方面影响，工艺选择的受到温度、湿度等 很多因素的制约，无法形成全部的规则，需要借助类比推理的方法进行知识的重用， 基于事例的推理方法是比较理想的一种方法，在研究基于事例推理的棉纺工艺设计 和实现的过程中，对类似的专家系统的建立也起到参考的作用 1 2 国内外研究现状 人工智能和专家系统的研究最初是在国外兴起的，我国起步较晚一些，但也 取得了很多宝贵的经验。在基于事例推理方法从国外传入后，很多期刊、杂志刊 登了关于c b r 应用的论文，这些研究和探讨必将为社会各行业信息化建设提供有 利的参考。 1 2 1 人工智能和专家系统 人工智能正式诞生于1 9 5 6 年，至今已有5 0 年的历史了，这5 0 年来人工智 能已经取得了很大的发展。人工智能是由美国达特莫斯( d a r t m o u t h ) 大学的麦 卡西( j m c c a r t h y ) 与哈福大学的明斯基( m l m i n s k y ) 、i b m 公司信息研究中心 的罗切斯特( n l o c h e s t e r ) 、贝尔实验室的香农( c e s h a n n o n ) 共同发起【3 】。专 家系统则是人工智能的一个主要分支。 随着人工智能研究的深入，特别是对专家系统的研究，已在某些特定领域内， 能够以人类专家的水平动态建立和解决该领域中的问题，在某些方而甚至超过人 类擎家。人上智能特别是专家系统技术已经深入应用到各个领域。比较成熟的有 这样几个方嘶： 在医学方面，1 9 7 2 年e h s h o r t 【汀e 等人研制的剧于诊断和治疗感染附一块 病的医疗专家系统e m y c ln 、1 9 7 2 乍r u t g e r s 人7 学n s w is s 等人研制的f r 武汉理工大学硕士学位论文 诊断和治疗青光眼病的专家系统c a s n e t 、p i t t s b u r g h 大学的h e p o p l e 等人 于1 9 7 4 年研制的诊断内科疾病的专家系统c a d u c e u s 等。 地质方面，国际人工智能研究中心开发的专家系统，用于勘探矿床的位置， 其准确度达到地质学家的水平。如斯坦福国际研究中心于t 9 7 6 年设计的用于矿藏 勘测的专家系统p r o s p e c t o r o 故障诊断方面，由斯坦福大学和i b m 公司开发的计算机系统故障诊断系统， 主要用于野外工程等。 计算机软件和硬件方面，p s i 系统控制技术公司研究开发的专家系统，可根 据需要完成的任务的英语描述，编制简单的计算机程序；麻省工学院开发的帮助 编制和调试软件的专家系统等。 这些专家系统的研制促进了人工智能理论和技术的发展，开辟了计算机求解 非数值问题的有效途经，目前已经成为世界各国的热门课题之一，日本、美国、 英国的国家纷纷将其列为国家重点研究项目，投入了大量的人力和资金。日本把 专家系统作为第五代计算机研究的核心内容，英国已将专家系统智能数据库列入 国家四大重点项目 我国人工智能的研究起步较晚，2 0 世纪7 0 年代末，我国才有一批学者认真 地开始了人工智能的研究。1 9 7 7 年，涂序彦和郭荣江在自动化第一期发表 了国内首篇关于人工智能的论文一智能控制及其应用，揭开了我国人工智能 研究的序幕。从此，我国研究专家系统的队伍曰益扩大，已经研制出大批的专家 系统。 2 0 世纪8 0 年代各种人工智能学术团体纷纷成立，主要有中国自动化学会模 式识别与机器智能专业委员会在武汉成立：以王湘浩教授为首的全国高校人工智 能研究会在长春成立；以秦元勋教授为首的中国人工智能会在长沙成立；以陆汝 钦教授为首的中国计算机协会软件专业委员会智能软件学组在北京成立；国家高 技术智能计算机系统专家组在北京成立。这些学术团体和组织经常举办全国性和 国际性的学术会议，创办学术期刊，组织和领导科研攻关，有力的推动了我国人 工智能的发展。 12 2 基于事例推理 基于事例推理( c i s eb a s e dr o a s o n in g ：c b r ) 是卜个世纪8 0 年代新兴起的 门学科，属于人工智能的知识范畴。随着人1 j 智能的发展，c b r 系统在研究和 i 用力再i 世门趋成熟，有着 分广泛的应用领域、，吲传统的基j _ 规则的推珲 武汉理工大学硕士学位论文 ( r u l e b a s e dr e a s o n n g ：r b r ) 系统不同，不需要对知识进行规则化，而是借鉴人 类处理问题的方式，直接存储以前的经验并通过检索、重用来解决新问题，克服 了r b r 中很多知识和规则无法获取的困难【4 1 。c b r 系统提供了一整套的知识表示、 组织和处理问题的思想和概念。而且，作为一种问题的求解方法学，其背景涉及 到认识心理学和人工智能两大领域的许多方面。很多概念直接来自于认识思维模 型。在系统的具体实现中，许多设计要求、概念的表达都是开放式的，也就是说 这种开放式的结构使得c b r 系统具有自我学习、自我更新的功能。这种学习和更 新就是具有记忆事例的功能，更新和学习使得c b r 系统具有适时性。由于它涉及 到这两大领域的许多方面，表现在解决问题时以过去相类似事例指导问题的求解 方法的思想应用到人工智能中，会直接反映一些处理事例的习惯，是具有智能化 的一种推理方法。 国外的研究起步较早，早在1 9 7 7 年，s c h a n k 和a b e l s o n 在这方面的进行了 相关工作并被认为是c b r 的起源。随后美国耶鲁大学r o g e rs c h a n k 探索了记忆 中的事例在解决问题和学习中的作用，于1 9 8 2 年在 d y n a m i cm e m o r y 一书中提 出了c b r 认知模型，在此基础上k o l o d n e r 开发了第一个实际c b r 应用系统 c y r u s 5 】【6 】。在8 0 年代后期，美国的d a r p a 项目导致了r e m i n d 系统的产生。这被 认为是c b r 从认知科学向人工智能方向转变的标志。如今c b r 逐渐成为人工智能 的一个研究热点，有很多知名的学者和学术团体在致力于c b r 的理论和方法研究， 如r o g e rs c h a n k ，j a n e tk o l o d n e r ，d a v i dwa h a ，b a r r ys m y t h ，m i c h a e l m r i c h e r ，d a v i dw i l s o n d 等学者和德国政府资助的k a i s e r s l a u t e r n 大学人工智 能和知识系统研究小组、美国海军智能实验室的智能决策辅助研究小组等团体1 7 1 我国对于基于事例推理技术研究也取得很大的发展，中国科学院计算技术研 究所智能信息处理重点实验室等科研单位、学术团体在基于事例推理方面进行了 一系列研究，在很多领域研制了一批基于事例推理的专家系统，取得了明显的社 会经济效益。1 9 9 1 年史忠植、李宝东提出了记忆网模型和事例检索算法：1 9 9 3 年周涵研制了基于事例学习的内燃机油产品设计系统e o f d s ：1 9 9 4 年徐众会开 发了基于事例推理的天气预报系统；1 9 9 6 年王军丌发了基于事例推理的淮河王家 坝洪水预报调度系统f o r e z ! 。 9 9 8 年，南京航空航天大学的史永胜和宋云雪在关丁设计型专家系统中的基 p 事例推理技术研究【9 】文中，结合飞机起落架设计过程详细地讨论设计类与家 系统的枣例表示、组织与检索策略及事例修改等几个方面的内容，为将基于事例 推塌! 技术戍用至i 设计类专家系统- ，作了一些尝试。 武汉理_ 【大学硕士学位论文 1 9 9 9 年，西北工业大学的孙中伟、蔡青与华侨大学机电工程系的刘雄伟在“一 个基于事例推理的可视化智能映射系统”一文中，提出了一种基于事例推理的可 视化智能映射方法并建立了相应的系统结构。在集成人工神经网络与模糊认知图 的基础上，详细讨论了可视化映射事例的表示、索引模式、事例的匹配以及最佳 事例的选择等关键问题。 2 0 0 1 年，上海交通大学的雷永刚、彭颖红、阮雪榆在“基于事例推理的冷挤 压工艺规划专家系统模型的研究”【1 0 】一文中，提出基于事例推理的冷挤压工艺规 划模型c f c b r ，和包含基于特征的冷挤压件产品模型和基于逻辑分层的冷挤压工 艺规程模型的事例表示方案、分层事例检索方案、基于知识的多事例集成的事例 修改方案等一系列关键技术和思想。 2 0 0 3 年，东北大学信息科学与工程学院的曾文、杨涛等“基于事例推理在罪 犯个性分析系统中的研究”一文中，研究了基于事例推理在罪犯个性分析系统中 的应用，给出了该系统的关键技术，如事例的知识结构表达方式、事例的检索匹 配算法及事例的修改与学习策略等，应用结果表明，使用基于事例推理的罪犯个 性分析系统是比较成功的。 2 0 0 4 年，西北工业大学杜启星在其硕士论文一“基于事例推理的知识发现” 中将c b r 应用到质量信息管理原型系统中，为基于事例推理开辟新的应用领域。 1 2 3 棉纺工艺 虽说专家系统已处于较成熟的发展期，但其应用领域还有待进一步拓宽，以 使其完成大量的需要依靠手工完成的智力工作。棉纺工艺专家系统就是e s 应用的 一个新拓展。棉纺是传统的老工业，棉纺工艺专家系统知识结构复杂，信息量大， 不确定因素很多，知识的归纳，推理的设计所涉及到的因素较多，有些问题难以 分解( 而比较成熟的诊断型专家系统所处理的问题大多可以分解) 。从所收集到的 信息来看，纱线、织物设计c a d 系统在国内已有十几年的研究历史，并产生了一 批有使用价值的c a d 系统。其中，浙江工程学院z i s 素织物c s d 系统，具有主要 的花色纱线及组织设计功能；中国纺织科学研究院的c a d 系统出具有纱线设计、 织物组织设计及织物模拟外，还增加了与工艺相关的许多计算功能：天津纺织研 究所的c a d 系统，除具有组织设计及较强的颜色配置功能外，花式纱线的设计功 能也较强；另外还有许多纺织及服装c a d m d a 系统。国外公司的纺织c a d 软件目 前比较注重纺纵品设计与服装设计体化的功能。比较著名的有美国的g e r b e r 公 司的格伯c a d 系统、法国【j o c t r a 公司的力克c a d 系统、两班牙l n v o s t ) n i c 公1 武汉理工大学硕士学位论文 的爱维c a d 系统等。 当前有一些棉纺工艺管理系统，主要是将大量的棉纺工艺知识简单堆砌形成 知识库或者事例库，不具备专家系统的较强的推理能力和决策能力。因此，建立 一个设计型的棉纺工艺专家系统，既可促进设计型专家系统的应用，更有益于棉 纺行业的信息化建设。 1 3 课题研究的内容 本课题研究的内容主要是基于事例推理方法在棉纺领域的具体应用，结合棉纺 工艺的特点，着重探讨了基于事例推理方法中检索算法的研究。在建立了知识表示 方法后，一个推理系统成功与否的关键可以说集中体现在两个方面集中在两个方面： 一是事例检索的速度，二是事例检索的精度。对于在基于事例推理方法中通常使用 的最近邻法检索，在知识库比较庞大时，会造成检索时间长，而关于事例属性权重 的设置则影响系统的检索精度，这些都是本文研究的重点。同时，本文对事例的表 示以及系统最后的实现也进行了探讨，并给出了一个应用的原型。 武汉理工大学硕士学位论文 第二章基于事例推理方法 2 1 基于事例推理方法概述 基于事例推理方法是从英文“c a s e b a s e dr e a s o n i n g ”直接翻译而来，也有的 翻译为基于案例的推理或者是基于实例的推理。它以事例来表示以前获取的经验和 知识i l ”，采用类比推理的方法，将当前需要解决的问题和事例库中存储的各种问题 进行类比，寻找相似的案例，并将处理的方法进行重用以解决现有问题【1 2 】。而“事 例”一词则在“c a s e b a s e dr e a s o n i n g ”一书中由k o l o d n e r 给出了一个比较明确的 定义：“事例是一段带有上下文信息的知识，该知识表达了推理机在达到其目标的过 程中能起关键作用的经验”。【1 3 】 从定义可以看出，事例表示了与某个上下文有关的具体知识，这种知识具有可 操作性；事例可以是各式各样的，可能有不同的形状和粒度，可涵盖或大或小时间 片，可带有问题的解答或动作执行后的效应：事例记录了有用的经验，这种经验能 帮助推理机在未来更容易地达到目标，或提醒推理机失败发生的可能性有多大。 2 2 事例的获取和组织 2 2 1 事例的获取 事例在基于事例推理方法中占有比较重要的地位，整个的推理过程也是以此为 基础而展开的。但要事例为计算机所用，还需要让计算机能够识别事例的内容，也 就是说，要通过一定的方法将人类处理问题的知识和经验转换为在计算机中存储的 能够被计算机使用的信息。这涉及到两个方面，一是事例的获取，一是如何对获取 的事例进行组织。 事例的获取可以分两步进行，一是广泛搜集阶段，主要是搜集大量的、能够覆 盖其应用领域的原始资料。二是对收集来的资料进行筛选，选取具有一定代表性的 内容束进行使用。对于第一个阶段，主要是和该领域专家进行沟通，对该领域的知 识和经验进行合理的划分，得到需用的信息。在这个过程中，难点是立u 果专家的知 识没有明确的定义，就无法有效地进行知识获取，需要由软件设计人员和领域专家 之问进行沟通。但一般来说，这个问题还是比较在易的，丰h 比较规则的获取，其无 疑能节省大黾的时间。对于第一阶段收集到的资料，我们不能眉毛胡了把抓，还 需要进步的选取。我们有如f 的事例比较选优规则：时效性，相似性，顶删相似性： 武汉理工人学硕士学位论文 且寸效性指：可供参考的事例中，近期的比早期的更有参考价值。相似性指：事例与当 前规划的近似程度。事例的匹配比较灵活，对某个指标，其值在一定范围内，就可 以认为事例的该指标与当前规划是匹配的。因此，对所有匹配指标可以综合处理， 得出相似性指标，来判断事例近似当前规划的程度。预测相似性指：用模型对事例和 当前规则做各种预测，根据其结论的相似程度，可以判断事例与当前规划的近似程 度。 2 2 2 知识的表示 对获取的事例，要在数据苦中进行存储，并能方便被计算机使用，这是就涉及 到我们自然语言到机器语言的转换问题，首要解决的问题就是如何表示这些事例。 一般来说，事例的内容要包含事例的特征、事例的解决方案等。对于事例的表示是 人工智能研究的热点和核心。研究的主线集中在两个方面：一是对计算机可理解 的知识表示形式进行研究，二是研究不同类知识的表达方法、度量计算等。知识 的表示就是知识的符号化，是使用计算机能够接受并进行处理的符号和方式来表 示人类的知识，通过知识的有效表示，使人工智能程序做出合理的处理。知识表 示主要包括两个过程：( 1 ) 现实世界的领域知识抽象为信息世界的概念化、形式 化模型；( 2 ) 将信息世界的概念化、形式化模型转化为机器世界的知识表示模型。 常用的知识表示方法如下： 1 语义网( s e m a n t i cn e t w o r k ) 语义网是o u i i i i a n d 等人在1 9 6 8 年提出的，它是用一种采用有向图的知识表达 方式。结点表示客体、客体性质、概念、事件和行为等、有向边则表示客体问的联 系。 2 框架( f r a m e ) 表示 框架表示法由美国著名的人工智能学者明斯基( m l m i n s k y ) 在1 9 7 5 年提出，称 为框架理论，是种理想的结构化知识表示法，是一种定型状态的数据结构。它的 顶层是框架名，用以指定某个概念、对象或事件，其下层由若干个槽( s l o t s ) 组成。 每个槽由槽名和槽值组成。槽用来描述框架表示的实体的各个属性。对f 比较复杂 的框架，每个槽又可由多个侧面( f a c e t a ) 组成，各个侧面从不同的方面来描述槽的 特性。每个侧面由侧面名和侧面值组成。无论是槽值还是侧匾值，般都事先规定 了赋值的约束条件，只有满足条件的值，4 能填进玄。槽值有列利r 填写力式：( 1 ) 靠 f ：下文提供；( 2 ) 通过默认值隐含：( 3 ) 通过属性继承获取；( 4 ) 通过附加过羁! 推 理! 得到。抠架之i b j 具有属”继承关系即下层杷紫町以继承或修改l 层父崔框架的 武汉理工大学硕士学位论文 属性值。还可以通过槽值为另一个框架名的嵌套连接成横向关系。整个框架系统由 纵、横向联系成一个具有层次的网络结构。框架推理由上下文中的数据选择候选框 架，通过上下文查询、默认、继承、附加等过程获得属性值，按照框架中各个槽的 次序填入，使候选框架具体化，以生成一个能描述当前问题的实例。 框架知识库是一种基于“抽象一一具体”概念的层次型构造，上位框架为抽象 度较高的信息，下位框架表达较具体的信息，最下位框架对象对应于各个具体的事 例。由于知识库中框架之间的联系比较清晰，使一贯性的库管理得到有利的保证， 加之推理完全接近人类的认识过程，因此框架知识表示非常适合于建立比较复杂问 题的知识表示系统。 3 面向对象知识表示法 随着面向对象技术( o b j e c to r ie n t e dt e c h n o l o g y ：o o t ) 的应用和发展，面向对 象的知识表示方法已被应用于人工智能和专家系统领域。一般地，用面向对象的类或 对象表示知识的方法，都可以称为面向对象知识表示( o b j e c to r i e n t e dk n o w l e d g e r e p r e s e n t a t i o n ，简称o o k r ) 。o o k r 借助面向对象( o o ) 的抽象性、封装性、继承性 和多态性，以抽象数据类型为基础，能方便地描述复杂知识对象的静态特征和动态行 为。从本质上讲，o o k r 是将多种单一的知识表达方法( 框架、过程等) 按照o o 的设计 原则组成一种混合的知识表达形式。 4 神经网络的知识表示 神经网络中的知识表示又两种：一种是局部表示方式，这是一种直接表示法， 其每个神经元表示一个概念或符号，神经元之间的连接则与概念或符号之间的关 系相对应，它可以根据问题的需要解释成一个概念或符号对另一个概念或符号的 关联程度，或者是解释成为求解问题的中的推理规则等。另一种是分布式的表示 方法，信息，概念或符号通过多个神经网络的某些动作或动态模式来表达，即一 个概念或符号通过多个神经元来表达，而不是草个神经元来表达。 当然，除此之外，还有其他的表示方法，这里就不在一列举。 2 3 基于事例推理过程模型 一个典型的事例推理过程可以归纳如下：根据当前的问题从事例库中榆索出相 应的事例，调整该事例中的求解方案，使之适合j 二求解当前问题；求解当前问题并 形成新的事例；根据一定的策略将新事例加入到事例库中。包括_ 厂被a a m o d t 和p 1 i z f t 称为4 r 的检索( r e t r i e v e ) 、重用( r el l h p ) 、修l r ( r e v i s o ) 、保留( r e t a i n ) 这样几个 循环过程= 1 1 4 1 1 1 5 i 武汉理工大学硕士学位论文 具体可以分解为四个步骤， 。第一步：事例的检索( r e t r i e v e ) ，通过对存储在事例库中的事例进行检索找 到与新的待解决的事例最相似的一个事例或事例集： 第二步：事例的重用( r e u s e ) ，把检索过程获得的事例( 或事例集) 中的信息和 知识复用到新问题上。对于简单的分类问题，仅需要把旧事例的分类结果直接应 用于新事例，它无需考虑新旧事例之间的差别。而对于问题求解类的问题，则需 要对领域知识深入理解，根据事例之间的不同对问题进行调整，可以是对整个解 的某一项作一些调整，也可以对整个解进行调整。复用的信息内容主要有两种类 型：结果的复用和方法的复用。对于结果的复用，当旧事例的解答结果需要调整时， 它依据一些转换操作知识，把旧事例中的种种可能解转换为新事例中相应的解。 方法的复用则主要关心事例中问题的求解方法。 第三步：事例的修f ( r e v i s e ) ，根据重用的结果进行评价，并修正为满足新 事例的解决方法；当复用阶段产生的求解结果不好时，需要对其进行修正。修正 的第一步是对复用结果进行评估，如果成功，则不必修正，否则需要对错误和不 足进行修正。进行结果评估，可以依据它在实际环境中运行后的反馈，也可以通 过向专家询问完成。等待反馈有时可能需要花一段时间。简单的修正只需要对过 去解中的某些组成部分进行简单的替换，复杂的修正甚至需要修改过去解的整体 结构。修f 可以在新解的形成过程中完成，也可能是当新解在执行过程中出现了 问题再来做。修正一般有这样几种形式：在旧解中增加新的内容，或从旧解中删去 某些内容，或对旧解中的某些内容进行替换，或对旧解中的某些部分进行重新变 换。修正有四类方法：替换法、转换法、特定目标驱动法、派生重演法。 替换法把旧解中的相关值作相应替换而形成新解。包括重新例化、参数调整、 局部搜索，查询、特定搜索、基于事例的替换6 种。 转换法包括：常识转换法和模型指导修补法。前者使用明白易懂的常识性启发 式从l 口解中替换、删除或增加某些组成部分，典型的常识转换法是“删去次要组 成部分”。后者通过因果模型来指导如何转换。 特定目标驱动法主要用于完成领域相关的修正，或结构修改。该法使用的各 种启发式需要根据它们可用的情景进行索引。特定目标驱动的修正启发式知识一 般通过评价近似解作用，并通过使用基于规则的产生式系统来控制。 卜述二种方法所做的修正是在i e l 解的基础土完成的。派生重演方法是使用过 去推导旧解的方法来推导出新解，这种方法关心的是解是如们求出柬的。 第p u 步：事例的保留( r e i r in ) ，将咳次获得的绰验保存 _ 来以备熏 ，返唧 武汉理工大学硕士学位论文 到第一步。其循环原理见图2 1 。 1 、检索( r e t r i e v e ) 2 、重用( r e u s e ) 3 、修正( r e v i s e ) 4 、保留( r e t a i n ) 2 4 事例的检索 图2 - 1c b r 循环过程 事例检索是从事例库( c a s eb a s e ) 中找到一个或多个与当前问题最相似的事 例。c b r 系统中的知识库不是以前专家系统中的规则库，它是由领域专家以前解 决过的一些问题组成。事例库中的每。个事例包括以前问题的一般描述即情景和 解法。个新事例入库时，同时也建矗_ r 关丁：这个事例的丰要特征的索引、。当接 受了个求解新问题的要求后，c b r 利用相似度知识和特征索引从事例席叶 找出 与当前问题相关的最佳事例，于检索所得到的事例的质萤利数量直接影u 川莆问 武汉理工大学硕士学位论文 题的解决效果，所以此项工作比较重要。它通过三个子过程来实现【1 6 2 4 1 检索过程 检索的过程主要分为三步，首先是对事例特征进行辨识，其次是按照一定的 算法进行事例的初步匹配，最后根据初步匹配的结果进行求精，得到最佳选定内 容。 1 、特征辨识 特征辨识是指对问题进行分析，提取有关特征。特征提取方式可以从问题的 描述中直接获得问题的特征。例如，以自然语言对问题进行描述，并输入系统， 系统提取关键词获得问题的某些特征；也可以对问题经过分析理解后导出特征， 如图像分析理解中涉及的特征提取；或者根据上下文或知识模型的需要从用户那 里通过交互方式获取特征，由系统向用户提问，以缩小检索范围，使检索的事例 更加准确。 2 、初步匹配 初步匹配是指从事例库中找到一组与当前问题相关的候选事例，这是通过使 用辩识获取的特征作为事例库的索引来完成检索的。由于一般不存在完全的精确 匹配，所以要对事例之间的特征关系进行相似度估计，它可以是基于上述特征的 与领域知识关系不大的表面估计，也可以是通过对问题进行深入理解和分析后的 深层估计。在具体做法上，则可以通过对特征赋予不同的权值体现不同的重要性。 相似度评价方法有最近邻法、归纳法等等。 3 、最佳选定 最佳选定是指