（计算机软件与理论专业论文）基于cbr的三峡库区高切坡稳定性评估系统.pdf

武汉理工大学硕士学位论文 摘要 本文结合国土资源部三峡库区专项基金( s x k y 4 - 0 4 1 ) 等项目，采用范例 推理技术c b r ( c a s eb a s e dr e a s o n i n g ) 结合其他人工智能技术作为边坡稳定性 评估的理论基础，针对三峡库区( t h r e eg o r g e sr e s e r v o i ra r e a ) 高切坡稳定性评价 俗l o p es t a b i l i t ye v a l u a t i o n ) ，使用m a t l a b 与v c 混合编程来开发一个面向对象的 边坡智能评估系统( 1 g s b c b r ) 。 首先，综述了范例推理技术的研究现状和发展趋势，阐述了范例推理的基 本工作原理及工作过程，详细给出了当前应用较广泛的范例表示方法、范例检 索方法与范例组织方法，另外简单介绍了目前国内外有一定影响的基于范例推 理的系统。 接着，针对三峡库区高切坡的特点，采用面向对象的表示方法，构造了高 切坡的案例表示方法；建立了基于径向基函数r b f ( r a d i u sb a s e df u n c t i o n ) 神 经网络和基于贝叶斯( b a y e s ) 网络两种边坡范例检索方法，并把粗糙集理论知 识引入到范例检索中；引入模拟退火算法优化特征属性权重，应用基于域理论 的自适应谐振网络学习方法进行范例学习。 最后构建了基于范例推理的边坡稳定性智能评估系统的框架，对边坡系统 作了详细的需求分析，论述了系统的设计思想和流程，介绍了系统各个功能模 块，系统后台数据库采用关系数据库s q ls e r v e r 2 0 0 0 建立了边坡范例库，检 索模块代码在m a t l a b 7 0 4 中实现，并在m i c r o s o f tv i s u a lc + + 6 0 平台上开发出 了该智能评估系统。 论文采用了面向对象方法进行边坡范例表示，运用基于径向基函数的神经 网络和贝叶斯网络的两种范例检索方法，并在范例检索过程中引入粗糙集知识， 同时结合边坡工程领域特点，建立了相应的边坡范例检索机制，并进行了实例 应用，最后分析评估结果表明，该系统能为实际边坡工程提供有效的指导信息， 具有十分重要的意义。 本文的研究获国土资源部三峡库区专项基金( s x k y 4 - 0 4 1 ) 、教育部科学技 术研究重点项目( 1 0 4 1 3 5 ) 项目资助。 关键词：c b r ，混合编程，r b f ，b a y e s ，r s ，稳定性评估，边坡 武汉理工大学硕士学位论文 a b s t r a c t c o m b i n e dw i t hs o m er e l a t e ds u b j e c t ss u c ha st h es p e c i a lf u n do nt h r e eg o r g e s r e s e r v o i ra r e ao ft h em i n i s t e ro fl a n da n dr e s o u r c ep r c ( s x k y 4 - 0 4 1 ) ，t h et h e s i s a d o p t st h ec a s eb a s e dr e a s o n i n gt e c h n o l o g ya n do t h e ra r t i f i c i a li n t e l l i g e n c e ( a i ) t e c h n o l o g yt of o r mt h e o r e t i c a lb a s i st o e v a l u a t es l o p es t a b i l i t yi nt h r e eg o r g e s r e s e r v o i ra r e a i ti su s i n gm a t l a bm i x e dw i t l lv cp r o g r a m m i n gt od e v e l o po n e o b j e c t - o r i e n t e d ( o o ) i n t e l f i g e n ts y s t e m ，i ti sc e l l e dt g s e - c b rs y s t e m f i r s t l y , t h i st h e s i si n c l u d e sa sf o l l o w s , s u m m a r i z i n gt h er e s e a r c hp r e s e n ts t a t u s a n dt r e n di nd e v e l o p m e n to ft h ec b r ，e x p o u n d i n gt h eb a s i co p e r a t i n gp r i n c i p l ea n d w o r k i n gp r o c e s so fc b r , g i v i n gi nd e t a i l e d s er e p r e s e n t a t i o na n dc a s er e t r i e v a l m e t h o da n dc a s ef a b r i cm e t h o dw h i c ha r eu s e dw i d e l ya tp r e s e n li n t r o d u c i n gs i m p l y t h ec b r s y s t e mw h i c hi sa p p e a r e db o t hh e r ea n da b r o a d s e c o n d l y , t h i st h e s i si n c l u d e sa sf o l l o w s ：c o m p a r i n gi nb r i e f l yc o n v e n t i o n a ls l o p e s t a b i l i t ye v a l u a t i o ns y s t e mw i t ht h ee x i s t i n gp o p u l a ra im e t h o d s ，g i v i n gt h e i rm e r i t s a n d f a u l t s ，l e a d i n g - i nc a s er e t r i e v a lf r o mr o u g hs e t s ( r s ) t h e o r ya d o p to b j e c t - o r i e n t e d r e p r e s e n t a t i o n m e t h o d a c c o r d i n g t ot h ec h a r a c t e r so fs l o p ef i e l d , m e a n w h i l e ， i n t r o d u c i n gs o m eb a s i cc o n c e p t i o no fr st h e o r ya n di t st h ea p p l i c a t i o ni nc b r , d i s c u s s i n gm a i n l ya n di nd e t a i l e dt w o k i n d so fs l o p ec a s er e t r i e v a lm e t h o d sb a s e do n r a d i u sb a s e df u n c t i o na n db a y e sn e t w o r k , a n di n t r o d u c i n gh o wt of o r mr a d i a l p r i m a r yn e u r a ln e t w o r ka n db a y e sn e t w o r k , g i v i n gt h ee x a m p l ew i t hs i m u l a t ea n n e a l a r i t h m e t i ct oo p t i m i z i n gc h a r a c t e r i s t i ca t t r i b u t ew e i g h t sa n dt h ee x a m p l ew i t hf i e l d t h e o r yb a s e da d a p t i v er e s o n a n c et h e o r yt ol e a r n i n gc a s e f i n a l l y , t h ef r a m eo ft h es y s t e mi sc o n s t r u c t e da n dd e v e l o p e di nm i c r o s o f tv i s u a l c + + 6 0a n dm a t l a b7 0 4e n v i r o n m e n t s m e a n w h i l e i tg i v e st h ed e t a i lo ft h e s y s t e m sr e q u i r e m e n ta n a l y s i s ，d e s i g ni d e aa n df l o w , a n di n t r o d u c e se a c hf u n c t i o n a l m o d u l e t h ec a s er e p r e s e n t a t i o na d o p t so or e p r e s e n t a t i o nm e t h o dt h a ti so n es l o p e i n s t a n c er e p r e s e n t i n go n ec a s e a n dt h ed a t ab a s ei sc o n s t r u c t e di nr e l a t i o n a ld a t a b a s e s q ls e r v e r 2 0 0 0 t h i st h e s i si n t r o d u c e s0 0m e t h o df o rc a s er e p r e s e n t a t i o n ，a n da d o p t st h er b f n e t w o r ka n dt h eb a y e sn e t w o r kf o rc a s ei n d e xr e s p e c t i v e l y , w h i l er st h e o r yi s 武汉理工大学硕士学位论文 a p p l i e dd u r i n gt h ei n d e x i n gp r o c e s s a c c o r d i n gw i t ht h ec h a r a c t e r so fs l o p ef i e l d , c o r r e s p o n d i n gs y s t e mi sc o n s t r u c t e d , b ya p p l y i n gw i t ht h ep r a c t i c a ls l o p ef o rs t a b i l i t y e v a l u a t i o n , t h er e s u l ts h o w st h a tt h es y s t e mh a sv e r yi m p o r t a n ts e n s ef o rp r o v i d i n g e f f e c t i v ei n s t r u c t si ne n g l n e e r i n gp r a c t i c e t h er e s e a r c hi ss p o n s o r e db yt h es p e c i a lf l l n do nt h r e eg o r g e sr e s e r v o i ra r e ao f t h em i n i s t e ro fi , a n da n dr e s o u r c ep r c ( s x i c y 4 - 0 4 1 ) a n dg r a n t so nr e s e a r c ho f m a j o rs c i e n c ea n dt e c h n o l o g yp r o j e c to ft h em i n i s t r y ( 1 0 4 1 3 5 ) k 昭w o r d s ：c b r ，m i x e dp r o g r a m m i n g ，r b f , b a y e s ，r s ，s t a b i l i t ye v a l u a t i o n , s l o p e i 此页若属实请申请人及导师签名。 独创性声明 本人声明，所呈交的论文是我个人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果， 也不包含为获得武汉理工大学或其它教育机构的学位或证书而使 用过的材料与我一同工作的同志对本研究所做的任何贡献均已 在论文中作了明确的说明并表示了谢意 研究生签名：辫日 关于论文使用授权的说明 本人完全了解武汉理工大学有关保留、使用学位论文的规定， 即：学校有权保留送交论文的复印件，允许论文被查阅和借阅； 学校可以公布论文的全部内容，可以采用影印、缩印或其他复制 手段保存论文。 ( 保密的论文在解密后应遵守此规定) 研究生签名：莲丛生鞋一导师签名： a 讧 注：请将此声明装订在学位论文的目录前 日期业j i 武汉理工大学硕士学位论文 1 1 范例推理简介 第1 章绪论 基于范例的推理技术( c a s e b a s e dr e a s o n i n g ，简称c b r ) ，是近些年来发展起 来的一项人工智能技术，是一种用以前的经验和方法，通过类比和联想来解决 当前相似问题的求解策略，也可称为类比推理【n 。它首先根据问题的特征，访 问知识库中过去同类问题的求解策略，从中检索出相似的范例。当该范例满足 问题要求时，该范例就是问题的解答，否则将以领域知识和经验为指导，根据 问题的实际情况对检索到的范例加以调整、综合使之符合当前问题的需求。基 于范例的推理技术具有基于规则的推理技术无法比拟的优越性。 1 2 课题研究的目的、意义 基于范例推理的方法( c b r ) 已在许多领域获得成功而广泛的应用，它通 过回忆已有实例来获得蕴含在各参数中的知识和经验，这与很大程度上依赖于 工程实践经验的边坡工程有相似之处，因边坡工程常依赖于经验，而长期的工 程实践已形成了大量的边坡工程实例，故充分挖掘和利用大量的、其稳定状态 己被研究清楚的边坡的成功经验有着重要的实际的意义。边坡知识和经验的传 统规则表示很困难，但c b r 通过回忆避开了知识规则表示的瓶颈问题，因此， 将基于范例推理技术引入边坡工程中，利用已有边坡工程的稳定和失稳实例来 建立系统，即利用蕴含在工程实例各参数等基本资料中的知识和专家经验，尽 可能充分地考虑多方面因素影响，研究基于范例推理的边坡稳定的综合评价系 统，对边坡工程稳定性评价工作将具有较大的可行性和参考价值。对于边坡稳 定性评价这样的复杂问题，其知识获取本身就是一件非常不容易的事情，所以 范例推理方法为边坡稳定性评价提供了一条可行的新途径。长期以来，研究人 员已经对大量的边坡稳定性状况进行过比较深入的研究，获得了比较明确的结 论。所有这些稳定性状况已经被充分研究的边坡将构成边坡稳定性评价的源范 例，为实现范例推理评价边坡的稳定性奠定了可靠的基础。 武汉理工大学硕士学位论文 1 3 课题的研究现状及存在的问题 将人们解决自然问题的心理认知过程上升到方法学的角度，就是基于范例 的推理( c a s e - b a s e dr e a s o n i n g , c b r ) 。c b r 是近些年来发展起来的一项人工智能 技术( a r t i f i c i a li n t e l l i g e n c e ，a i ) ，但它在许多方面都有别于其他的越方法。 与单独依赖于问题领域中的一般性知识，或在问题描述与结论之间建立一般性 联系的传统a i 方法所不同的是，c b r 能利用过去有经验的、具体事例的特定 知识来求解新问题。新问题的解决是通过寻找一个与之相似的以往事例，把它 重新应用到新问题的环境中来；另一个明显的不同在于，c b r 还是一个持续的、 渐进增长的学习过程，因为一旦解决了一个新问题，就获得了新的经验，可以 用来解决将来的问题。 c b r 是从经验中推理的一般规范，是相似推理( s i m i l a r i t yr e a s o n i n g ) 的 一种表现形式，也可称为类比推理( h n a l o g i c a lr e a s o n i n g ) 。 s c h a n k 和a b e l s o n 在1 9 7 7 年的工作被广泛地认为是c b r 的开端，s c h a n k 在1 9 8 2 年出版了被认为是第一本系统阐述c b r 思想的著作d y n a m i c m e m o r y ：a t h e o r yo fr e m i n d i n g a n dl e a r n i n gi nc o m p u t e r sa n dp e o p l e ) 。 j a n e tk o l o d r i e r 开发了被称为c y r u s 的第一个c b r 系统。c y r u s 以事件 的形式收集了美国前国务卿c y r u sv a n c e 的旅行及会议知识，它是s c h a n k 的动 态记忆模型( d y n a m i cm e m o r ym o d e l ) 的具体实现。 t e x a su n i v e r s i t y 的b r u c ep o r t e r 有关启发式分类( h e u r i s t i cc l a s s i f i c a t i o n ) 和 机器学习( m a c h i n el e a r n i n g ) 的研究，导致了p r o t o s 系统的产生。p r o t o s 综合了一般性领域知识和特定事例知识而形成了单一的事例组织模型，这个工 作被g r e b e 进一步采纳，它是一个运用在法律领域中的系纠m 叫。 c b r 的研究并不只局限在美国。它已逐渐在欧洲展开，最早被引述的欧洲 方面的应用研究是苏格兰a b e r d e e n 的d e r e ks l e e m a n 小组的研究工作，他们研 究了把事例用于知识获取，并开发了系统r e f i n e r ；与此同时，都柏林t r i n i t y c o l l e g e 的m i k ek e a n e 把认知科学( c o g n i t i v es c i e n c e ) 弓l a 类比推理，从而影响 了c b r 的研究。在英国，c b r 在土木工程中应用得特别多。s a l f o r du n i v e r s i t y 的一个研究小组把c b r 技术应用于建筑物的损伤诊断和修复，m o o r e 等人应 用c b r 设计公路桥。另外，在以色列、印度、日本、中国等亚洲地区也活跃着 c b r 的研究小组。随着a i 杂志上c b r 文章的日益增长和越来越多的c b r 在 2 武汉理工大学硕士学位论文 商业上的成功应用，在今后会有更多国家的科研人员投身到c b r 研究领域来。 类比推理在各个应用领域中都不同程度的存在。1 9 8 7 年以来国际研究界每 年举行c b r 研讨会，先后在通用问题求解，法律范例、医疗诊断、医药等领域 证明了c b r 方法的有效性和实用性。近年来，国际上在工程设计领域也开始在 理论上对c b r 方法进行研究，并在建筑工程、机械产品设计及决策等领域做了 有益的探索。相信在不久的将来，c b r 方法会应用到更多的领域之中。 在国内计算机应用领域，有关c b r 的研究也是逐渐成熟起来，而在岩土 工程界的应用比较少，但它非常适合岩土工程中因不确定性必须以工程师的工 程判断能力和工程经验发挥主要作用的现状，具有很好的发展前景和实用意义。 张清与田伟涛率先在国内岩土工程界开展c b r 的应用，并开发了“隧道支护经 验设计系统”。姚建国将c b r 方法引入采矿工程c a d 的应用，实现了基于事 例推理的矿山支架智能c a d ”l 。刘沐宇博士在他的博士论文中也进行了c b r 在边坡稳定性分析中的研究，并提到了运用粗糙集理论知识进行知识属性简约 1 1 2 1 。李梅博士在她的硕士毕业论文中对范例推理技术在边坡稳定性评价中作了 全面的理论研究，在其博士毕业论文中提出了“首先用动态聚类方法组织索引范 例库，接着用遗传算法优化边坡范例各属性的权重，然后用类比分析的距离计 算公式搜索出最佳源范例”1 13 1 4 1 。郭社锋在他的硕士毕业论文中运用范例推理法 应用在黄土高边坡稳定性分析上【”】。 近年来，粗糙集理论在知识发现( k d d ) 中的应用取得了较大的进展，基于 租糙集理论的方法已逐渐成为k d d 主流方法之一，知识发现或数据库的数据 挖掘是人工智能的一个相对新的子领域，它涉及到从不断增长的信息、数据库 中挖掘出额外的非平凡的知识，在这方面，主要任务之一是内部数据之间的关 联和关系。粗糙集理论作为一种处理具有信息不确定、不精确、不完善系统的 新数学工具，是目前被使用较多的一种归纳学习方法，也是解决“数据庞杂，信 息稀缺”的一种有效的方法，因而被广泛地运用于机器学习、模式识别、专家系 统、冲突分析等领域1 1 6 j 。它可以为从这些领域数据中所产生的范例库处理，提 供智能信息处理技术，从而可以为我们有效地解决基于范例推理中的一些难题。 粗糙集理论的主要优势之一，是不需要任何预备的或额外的有关数据信 息。与上述四类不确定理论不同，粗糙集中的不精确性的数值不是事先假定的， 而是通过表达知识不精确性的概念近似计算得到的，不精确性的数值表示的是 有限知识( 对象分类能力) 的结果，我们不需要用一个机构来指定精确的数值去 3 武汉理工大学硕士学位论文 表达不精确的知识，而是采用量化概念( 分类) 来处理，不精确性的数值特征用 来表示概念的精确度。 其中，李梅博士在她的硕士论文中对运用c b r 进行边坡稳定性评估做了个 系统的研究，但主要是就方法上进行理论上的探讨，在她的博士论文里开发出 了一个小型的系统，但是她的系统局限于定量变量研究，在实际的边坡稳定性 研究中还不是很完善；刘沐宇博士在他的博士论文中引进了粗糙集进行知识简 约，但是他的实例表示中也是仅局限于有限的定量变量研究。 从国内外的边坡稳定性评价研究以及c b r 方法在岩土工程方面的应用情 况来看，c b r 虽然在国外其他产业应用已经相当成熟，但目前应用c b r 方法 来研究边坡稳定性评估问题处于初期阶段。因此，需要进行更深入的研究。本 文将在c b r 方法的基础上结合多种智能方法的应用研发一个系统性的边坡稳 定性智能评价软件：知识表示方法采用面向对象技术，即范例的表示方法将采 用面向对象的表示方法，面向对象技术主要包含封装性、重载性、继承性和多 态性i 切，运用这种范例表示法对c b r 方法的范例检索起到十分关键的作用；采 用模拟退火算法对边坡范例特征属性进行优化；范例检索过程中使用r b f 网络 和贝叶斯网络方法，并结合粗糙集进行知识简约；范例学习阶段使用基于域理 论的自适应谐振网络的方法，从而使得每次入库的边坡稳定性评估效果更符合 实际。 1 4 论文主要研究内容 论文的主要研究内容如下： ( 1 ) 在边坡稳定性评估和基于范例推理技术的国内外研究现状综述基础 上，分析c b r 应用于边坡稳定评估问题的可能性，将c b r 引入边坡稳定评估 中。 ( 2 ) 介绍c b r 方法对区域存在大量边坡工程时，其作为初期评价方法的 用途与意义。 ( 3 ) 深入分析粗糙集( r s ) 理论基础知识，将r s 引入到c b r 技术中， 从而得到更有效的范例检索机制；边坡范例的修改过程中也将应用粗糙集理论 知识。 ( 4 ) 介绍基于范例推理技术的历史和基本工作原理，包括范例表示、范例 4 武汉理工大学硕士学位论文 库的组织、检索、范例调整和范例学习方法。可归纳为：对范例进行特征分 析，选用合适的表示方法；选用合适的检索方法，从范例库中检索出与待评 范例最相似的范例；对检索出的范例进行调整，得出问题的解；进行范例 学习和存储。 ( 5 ) 采用了面向对象的范例表示方法，并提出了将模拟退火算法应用到权 重优化中，同时给出了模拟退火算法程序；建立了基于径向基函数的神经网络 和基于贝叶斯网络的边坡范例检索方法，简单介绍了粗糙集理论中的一些基本 概念以及粗糙集理论知识在边坡范例检索过程中的应用；同时给出了基于域理 论的自适应谐振( f i e l dt h e o r yb a s e da d a p t i v er e s o n a n c et h e o r y , f t a r t ) 网络学 习方法的工作原理及f t a r t 算法。对每种检索方法，介绍其理论基础和在边坡 稳定性评估系统检索中的具体做法。 ( 6 ) 根据对三峡库区的高切坡作了详细的需求分析及对高切坡稳定性影响 因素分析后，给出了基于范例推理的边坡稳定评估系统的框架设计，阐述了整 个系统的设计思想、设计方法和设计流程；介绍了系统的模块组成和各个模块 的功能；利用关系数据库，建立结构范例库，通过主从库和各个基本表之间的 联系，提出了范例组织方法。利用关系数据库的s q l 语句和表间的联系，提出 范例索引方法，即通过表中和记录中特征属性项对范例库进行索引。然后，提 出边坡范例调整修改的方法。此外，对系统中范例的学习和管理，提出采用关 系数据库的d b m s 进行维护。 ( 7 ) 给出了系统开发过程中需要解决的关键技术问题。主要是边坡属性离 散归一化处理、v c 与m a t l a b 混合编程技术、接口问题处理、数据安全问题、 系统的业务流程和其中一组基于c b r 的智能方法组合方案的工作流程，最后给 出了系统在三峡库区高切坡的实例应用。 5 武汉理工大学硕士学位论文 2 1 引言 第2 章c b r 基本理论 基于范例推理是人工智能近二十几年新发展起来的一个分支，它是一种基 于过去的实际经验或经历的推理方法。目前国内外已有大量公开的基于范例推 理的应用系统，它在不少领域中的发展已经比较成熟了。根据研究发现，把范 例推理技术与领域专业知识特点相结合，再选择合适的其他人工智能技术结合 起来应用，将会是范例推理技术发展的新趋势【1 1 7 ，伸l 。 在基于范例推理中，把当前所面临的问题或情况称为目标范例( t a r g e t c a s e ) ，而把记忆的问题称为源范例( b a s ec a s e ) 。粗略地说，基于范例推理就是 由目标范例的提示而获得记忆中的源范例，并由源范例来指导目标范例求解的 一种策略。 c b r 在许多方面都有别于其他的a i 方法。与单独依赖于问题领域中的一 般性知识，或在问题描述与结论之间建立一般性联系的传统a i 方法所不问的 是，c b r 能利用过去有经验的、具体事例的特定知识来求解新问题，新问题的 解决是通过寻找一个与之相似的以往事例，把它重新应用到新问韪的环境中 来：另一个明显的不同在于，c b r 还是一个持续的、渐进增长的学习过程，因 为一旦解决了一个新问题，就获得了新的经验，可以用来解决将来的问题。 长期以来，研究人员已经对大量的边坡稳定性状况进行过比较深入的研究， 获得了比较明确的结论。所有这些稳定性状况已经被充分研究的边坡将构成边 坡稳定性评价的源范例，为实现范例推理评价边坡的稳定性奠定了可靠的基础。 2 2c b r 的工作原理 基于范例的推理是人的一种认知行为，是基于记忆的推理。在c b r 中，范 例库模拟了人脑的记忆，其中存储了一些过去的一个经历、事例，这些事例按 一定方式组织，以便在需要的时候能被迅速取出。回忆过程对应了c b r 从c a s e 库中检索出相关事例的过程。被检索出的相关事例可能与新的情形不完全一致， 这时需要对旧的事例的某些特征进行修改，使它适合新的情况，以得到对新情 况的预测或新问题的解。对新情况的预测或新问题的解不一定完全适合实际情 6 武汉理工大学硕士学位论文 况，它们还需得到检验。如果检验发现它们与实际情况不符，则需要对它们加 以修正，最后新的c a s e 被存入c a s e 库中，同时新的c a s e 的索引也被建立和存 储，这时系统学到了新的知谚 【捌，这整个过程就是事例的推理和学习过程，其 学习过程可以用下面的图2 1 表示。 2 3 范例表示 图2 - 1 c b r 工作原理图 基于范例的推理技术主要包括范例的表达、范例的检索和范例的修改三个 关键的技术。范例的表达是首要问题，它直接关系到后续的范例检索和范例修 改。 描述范例的诸特征属性在内容上可分为以下几部分：( 1 ) 问题描述或问题 情景描述：即范例发生时的状态及需要解决什么。( 2 ) 求解。( 3 ) 最后结果。 这三个部分不一定全部包含于一个范例中，根据各领域实际情况可只包含其中 一部分，包含的那些部分，决定了范例可用于解决的那部分问题。 知识的组织策略在相当程度上决定了范例的检索策略，于是表示方法的选 7 武汉理工大学硕士学位论文 定通常是随领域知识而确定。常用到的方法有产生式规则表示方法、语义网络 表示方法、框架表示方法和关系数据库表示方法等等。在本文中将采用面向对 象的范例知识表示方法。 2 4 范例索引与范例检索 c b r 系统的核心是范例的检索过程，范例的检索过程分为范例的索引和检 索，这两个过程是相辅相成且一体的。范例库检索和索引过程的目的是建造一 个结构或过程来得到最适当的范例。一个c b r 系统的效率很大程度上决定于快 速准确地从范例库中检索出合适范例的能力【笠1 。为此必须对范例库中的范例进 行适当的索引。范例的索引技术通常有三种：最近邻法、归纳推理法和知识引 导法。 范例索引对于检索或回忆出相关的有用范例非常重要。索引的目标是：在 对已有范例库进行索引后，当给定一个新的范例时，如果范例库中有与该范例 相关的范例，则可以根据索引找到那些相关的范例。 建立范例索引有三个原则：索引与具体领域有关。数据库中的索引是通 用的，目的仅仅是追求索引能对数据集合进行平衡的划分从而使得检索速度最 快，而范例索引则要考虑是否有利于将来的范例检索，它决定了针对某个具体 的问题哪些范例被复用。索引应该有一定的抽象或泛化程度，这样才能灵活 处理以后可能遇到的各种情景，太具体则不能满足更多的情况。索引应该有 一定的具体性，这样才能在以后被容易地识别出来，太抽象则各个范例之间的 差别将被消除。 知识丰富的范例库组织策略常用语义网或层次结构，这种表达方式能将表 层与深层的知识紧密地结合起来。数据挖掘中的分类与聚类方法提供了一个适 当的机制，以生成其中的概念与关系，并充分表达基于语义网或层次结构的范 例库组织结构。 范例检索是关键，只有检索算法能成功高效地处理成千上万事例时，c b r 才能得到广泛地应用。但是，上面这几种检索方法都有它的优缺点。因此，研 究新的检索方法如神经网络方法、灰色关联方法、模糊相似优先等以及将多种 方法有效地结合在一起，使之取长补短，是仍需进一步探讨的问题。 范例的检索是在相似度的基础上进行的，相似度也叫距离。c b r 应用成功 8 武汉理工大学硕士学位论文 与否的前提是范例检索过程得到的相似范例应该尽可能相似。由于范例检索是 在相似比较的基础上进行的，要检索到相似的范例完全就要靠“什么算是相似” 这种定义和计算方法。因此，相似度的度量很重要。讨论两个范例的相似，要 涉及两个方面：( 1 ) 范例的各个属性的不同属性值间的相似性；( 2 ) 从整个范 例的整体上看，由各属性值的相似综合而成整体相似。对于相似度计算，通常 的方法是取两个范例相应属性的相似度的加权和为两个范例的相似度。 范例是由很多属性( 特征) 组成的，范例的相似度就是根据特征之间的相似 程度来定义的。目标范例与源范例之间的相似性有语义相似、结构相似、目标 相似和个体相似。它们的具体含义这里不再赘述。 属性的相似度，可以分为以下三种情况进行讨论田j ： ( 1 ) 对于数值属性，常用的距离计算方法有绝对距离、欧式距离、t v e r s k y 对 比匹配函数、n n 匹配函数等。这些方法各有优缺点，需要进一步探讨新的相 似计算方法。 ( 2 ) 枚举属性的相似度。枚举属性的相似度一般有两种：一种是严格相似， 即只要两个属性值不同，就认为两者相似度为0 ，否则为l ；另一种是依具体情 况，事先人为地对于不同属性值之间的关系给出具体的定义。 ( 3 ) 有序属性的相似度。有序属性是介于数值和枚举属性之间的，也是介 于定性和定量之间的。属性值有序就可以对其赋予不同的等级值，不同等级之 间的属性有不同的相似度。与枚举属性相比，有序属性的规整性更强。 2 5 范例重整 范例重整包含了范例修改和范例学习及存储这三层意思。案例匹配的修改 是指一个检索到的与当前情况大部分匹配的案例改写成完全匹配的案例。系统 通过案例的检索从案例库中找到的与输入情况最相似的案例，通常会与新情况 有很多差异，这时需要对旧案例的某些部分进行修改，以得到新情况的解，由 于案例的修改步骤与问题的领域有关，故难以规定统一的方法。 范例的学习是扩充和更新范例库的一种手段，也是确保所建立的c b r 系统 能够有效、可靠地被应用的重要条件。范例学习有两种方式：一是根据所给的 问题条件，通过对范例检索及范例修正后所得到的范例进行加工，并作为新范 例存入范例库，范例库规模由此扩大；二是通过范例检索及范例修复后，将所 9 武汉理工大学硕士学位论文 得到的范例进行加工后，取代原来的范例存入范例库，范例库规模保持不变。 2 6 本章小结 本章重点介绍了c b r 的工作原理，可以归纳为以下五个步骤： ( 1 ) 对案例进行特征分析，选用合适的表示方法： ( 2 ) 建立案例，采用合理的组织方法； ( 3 ) 选用合适的检索方法，从案例库中检索出与待求案例相似的案例； ( 4 ) 对检索出的案例进行调查( 得出问题的解) ； ( 5 ) 进行案例学习和存储。 同时，根据高切坡的工程特点，对步骤( 1 ) 和( 3 ) 中所要采用的方法进 行了理论上研究，并给出了更加具体的应用方法，所采用的方法在第三章中将 会详细介绍。 l o 武汉理工大学硕士学位论文 第3 章t g s e c b r 系统实现的关键技术 3 1 引言 随着社会高科技的日益发展，各类学科的研究方法和研究思路都不再是过 去的单路线发展，而是旨在不同学科之间交叉应用研究，融合发展。目前已有 不少领域结合生物科学进行综合应用，并取得了非常好的研究成果【2 5 侧。本文 的主要内容就是结合范例推理、神经网络、径向基函数网络、贝叶斯网络、粗 糙集理论等与边坡稳定性评价问题进行综合研究，通过理论上分析研究加上实 际开发出来的智能决策系统，最后通过分析实例应用结果表明人工智能是多学 科的综合研究结果。 范例推理方法作为一种特殊的类比推理分析方法，经过许多学者把它作为 一种新的智能发展方向引进到许多领域进行应用，通过经验研究应用表明，虽 然已经有很多新的方法元素已被注入到范例推理方法中，但是把面向对象表示 方法、粗糙集理论、r b f 神经网络以及贝叶斯网络这些已经成熟发展起来的技 术引进到c b r 中，并应用到边坡稳定性评价问题还是很少的，已有开放的系统 更是少见。 本章将首先详细介绍并分析比较范例推理技术与神经网络、遗传算法和规 则推理技术之间的优点与缺点，然后将结合范例推理技术与面向对象方法、贝 叶斯网络、神经网络、径向基函数网络和粗糙集理论进行综合研究，结合边坡 工程特性，最终选择一组最优技术支持方案来实现t g s e c b r ( s l o p es t a b i l i t y e v a l u a t i o ns y s t e mb a s e d0 1 1c b rf o rt h r e eg o r g e sr e s e r v o i r a r e a ) 系统。 为了能够充分的表明选用范例推理方法在边坡稳定性评估这个问题上具有 的优势，下面将首先介绍b p 神经网络、遗传算法、专家系统、和基于规则推 理方法各自的优点与缺点【3 圳。 b p 神经网络是一种基于b p 算法的多层前馈型神经网络，虽已在许多领域 应用中取得了广泛的成功，但是由于b p 学习算法是基于梯度下降算法的，自 然不可避免的就有以下三个缺点：( 1 ) 收敛速度慢；( 2 ) 算法不完备，容易陷 入局部极小点，当学习速率高时，可能会产生振荡；( 3 ) 鲁棒性，网络性能对 网络的初始设置比较敏感。 武汉理工大学硕士学位论文 遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模 型。它的思想源于生物遗传学和适者生存的自然规律，遵循“优胜劣汰，适者生 存”的自然生存准则。遗传算法以一种群体中的所有个体为对象，并利用随机化 技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构 成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、 遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。 但是遗传算法也有其自身的缺点，那就是群体的初始值对优化搜索出的最 后结果具有十分重大的影响，并且遗传算法只有在大规模的应用领域中才会表 现出良好的性能，由于其搜索结果是一组极大相似集，因此在案例库规模局限 于中小型的时候，引用遗传算法不会得到理想的结果。 专家系统是对领域专家分析、求解复杂问题能力的模拟，是一个具有智能 特点的计算机程序，它的智能化主要表现为能够在特定的领域内模仿人类专家 思维来求解复杂问题1 4 t , 4 2 1 。专家系统通常由人机交互界面、知识库、推理机、 解释器、综合数据库、知识获取等6 个部分构成。因此，专家系统必须包含领 域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解 决实际问题。例如，一个医学专家系统就能够像真正的专家一样，诊断病人的 疾病，判别出病情的严重性，并给出相应的处方和治疗建议等等。 其中，专家系统最主要的优点表现在三个方面：( 1 ) 专家系统解决实际问 题的周密性；( 2 ) 人类专家知识的系统组织，对其应用领域的发展起到了促进 作用；( 3 ) 专家系统突出知识的价值。 然而，很多实际应用领域中知识建模是非常复杂又困难的，需要考虑许多 动态的，非结构化的知识，于是造成专家系统解决问题的局限性，使得专家系统不 能解决大型复杂问题。 传统的基于规则推理的专家系统的优点：规则的形式易于理解，知识结构 好；其缺点是规则库难于维护，知识的一致性难以保证，同时推理效率相对比 较低。 3 2 面向对象的范例表示 面向对象方法( o b j e c t - o r i e n t e dm e t h o d ) 起源于由戴尔( n a h l ) 于1 9 6 7 年提出 的s i m a u l a 程序设计语言，后来再由阿兰凯( a l a nk a y ) 于1 9 8 0 年提出的 武汉理工大学硕士学位论文 s m a l l t a l k s 0 中得到完善化，是一种把面向对象的思想应用于软件开发过程中， 指导开发活动的系统方法，简称o o 方法，是建立在“对象”概念基础上的方法 学。对象是由数据和容许的操作组成的封装体，与客观实体有直接对应关系， 一个对象类定义了具有相似性质的一组对象。而继承性是对具有层次关系的类 的属性和操作进行共享的一种方式。所谓面向对象就是基于对象概念，以对象 为中心，以类和集成为构造机制，来认识、理解、刻画客观世界和设计、构建 相应的软件系纠4 3 】。 在面向对象知识库中，知识类型包括事实、规则和过程三种。每个对象类 包含其中的1 至3 种知识类型。 ( 1 ) 事实知识表示 在面向对象的知识库中，事实知识可以有抽象和实例两种不同的方式，分 别描述如下： 抽象知识：c l a s s 实例知识：o b j e c t ( 2 ) 规则知识表示 类似于产生式系统，在面向对象的知识库中单条规则主体由i f - t h e n 两个 部分组成。规则的表示形式为： r u l e ( 3 ) 过程知识表示 过程知识是计算程序块或者人机交互信息输入程序块。 ( 4 ) 事实知识的获取 在面向对象知识库中，事实知识可以通过人机交互、特性继承和规则推理 三种方法获得。人机交互调用在对象类中的a s k 过程直接从用户那儿获取领域 知识作为实例特性值。特性继承从超类中获取特性值作为实例特性值。 ( 5 ) 规则知识的获取 规则型知识来源于专家的实践经验和书志类理论。首先将经验知识整理成 断言形式，然后再从断言变换规则。 在c b r 专家系统中，范例库是一个重要的组成部分，因此范例的表示方法 将直接影响到c b r 系统的问题求解效率。不同应用领域的问题通常具有不同的 属性和特征，从而知识库规模也会大不相同，于是选用的范例表示方法也不尽 相同。 武汉理工大学硕士学位论文 在本文中将运用面向对象的范例表示方法。按照面向对象的方法，一个范 例的定义，即一个边坡类的定义，主要涉及到两个基本问题，一个是数据的描 述，另外一个是方法的描述。一个范例的具体表示可以用如下的四元组来表示： c a s e ：= 即一个范例由标志符d 、数据结构d s 、方法集合m s 和消息接口m i 组成。 一个边坡类的结构如下所示： c l a s sh i g h s l o p e p r i v a t e ： c s t