知识基础工程与应用 3

第二章知识获取同济大学“智能制造工程专业联盟”教材编委会概述数据挖掘主要内容机器学习Web挖掘文本挖掘图挖掘应用案例概述第一节概述一、知识获取的概念

二、知识获取的来源三、知识获取的过程四、知识获取的主要方法五、基于神经网络的知识获取方法概述一、知识获取的概念

知识获取是将某种知识源的专门知识转换为计算机中知识采用的表示形式。这些专门知识是关于特定领域的特定事实、过程和判断规则，而不包括有关领域的一般性知识或关于世界的常识性知识。

知识获取是构造知识系统的关键和主要工作，包括获取事实和规则、从规则中演绎新的事实，精炼和维护知识，构建知识系统需要的完整的、一致的知识库。概述通常情况下，知识获取工作的完成需要由相关专家和知识工程师（分析员）全力配合，共同完成。20世纪七八十年代的传统知识工程时期所采用的知识都是由知识工程师进行手工处理的，这就要求知识工程师具有专家的知识水平，而且知识工程师常常把推理和专家知识结合到整个程序中。如今，知识系统通常将推理过程与知识分开，并将知识放入知识库中。知识工程师的工作是帮助专家建立知识系统，其重点是知识获取。知识工程师最困难的任务是帮助专家完成知识转换，构建领域知识以及统一和形式化领域中的概念。专家也可以通过智能编辑程序将其知识直接转换为可以在计算机中运行的知识。编辑程序必须具有启发式对话的能力，并且可以将获取的知识存储在知识库中。概述

为了加快知识获取的过程，有必要选择合适的知识获取工具。知识获取工具可以是简单的程序，也可以是复杂的系统。简单的知识获取工具就是一种知识库编辑程序，其功能如下：1）简化知识库的输入并自动进行一些记录工作。2）检查语法以避免输入和语法错误。3）保持知识库的一致性和完整性。复杂的知识获取工具还应有如下功能：1）根据现有知识库中的信息，协助完成知识库的输入和求精。2）直接同领域专家展开会谈并提取相关领域知识。3）能够动态地检查知识库的一致性与完整性。4）机器学习的功能。概述二、知识获取的来源1、在企业内部获取知识

（1）对现有的已掌握的知识进行收集整理

1）面向人的知识源来做收集工作

2）面向文献资料的知识源来做收集工作

（2）对未来日常工作所产生的知识进行收集整理2、从企业内网服务器挖掘文档资料3、从外购专利库中获取知识4、互联网上获取知识5、从电子布告栏（BBS）中获取知识概述三、知识获取的过程

知识获取的整个过程可以大致分为四个阶段，这四个阶段之间存在着重叠和反复。1、明确问题的性质，建立问题求解模型

此阶段的目的是建立一个粗略的问题解决模。在此阶段，知识工程师和领域专家应密切合作，以确定问题的性质、系统的作用，并梳理解决问题的专家思路。

以下问题通常在这一阶段需要着重考虑：

（1）问题求解的目标及其类型；

（2）问题是如何划分成子问题的；

（3）问题求解中涉及的主要概念及它们的关系；

（4）信息流的特征，哪些信息是由用户提供的，哪些信息是应当导出的；

（5）问题求解策略。

在此阶段，知识工程师利用与领域专家的联系来熟悉领域知识并建立该领域的重要概念，从而为下一步工作做好准备概述2、确定知识表示形式，建立问题求解的基本框架

此阶段是形式化领域知识的过程。在此过程中，有必要对关键概念、信息流特征和子问题进行形式化，并根据问题的性质选择合适的系统框架或专家系统构建工具。形式化过程中有三个主要因素：假设空间、基本过程模型和数据表征。为了理解假设空间的结构，必须对概念进行形式化，确定它们之间的关系，并确定概念的粒度和结构。因此应该关注以下问题：（1）将概念描述为结构化对象或将其视为基本实体；（2）概念之间的因果关系或时空关系是否重要，是否应明确表达，以及假设空间是否有限；（3）假设空间由预定类型组成或通过某种过程生成；（4）是否应考虑假设的层次；（5）是否存在与最终假设和中间假设有关的不确定性或其它决定性因素；（6）是否应考虑不同的抽象级别。概述3、实现知识库，建立原型专家系统

在形式化阶段，已经明确了知识表示形式和问题求解策略，同时也已经选定了系统框架或构造工具，接下来便是把前一阶段形式化的知识映射到选定的表示框架中。前一阶段产生的形式化知识与选定的表示框架所要求的数据结构、推理规则与控制策略可能有不匹配之处，这一阶段要消除这些不匹配实现原型知识库。如果这些不匹配不能消除，则要考虑重新选择系统框架或构造工具。4、测试与精炼知识库这一阶段的任务是通过运行实例发现知识库和推理机制的缺陷。通常出现的导致性能不佳的因素有以下几种：（1）输入输出特性，即数据获取与结论表示方面存在缺陷。例如：含义模糊、提问难于理解，使得存在错误或不充分的数据进入系统。结论过多或者太少，没有适当地组织和排序，或者详细的程度不适当。（2）推理规则有错误、不一致或不完备。（3）控制策略有问题，不是按专家采用的“自然顺序”解决问题。概述

在测试过程中，实例的选择应考虑到所有方面，包括“典型”情况和“边缘”情况。根据测试结果，确定是否修改原型系统。修改过程包括重新实现、重新形式化，甚至重新定义问题的性质。测试和修改过程可以重复进行，直到系统达到令人满意的性能，这一过程被称为求精。求精过程可大致分为五个步骤，如下图所示。概述四、知识获取的主要方法

知识获取是知识工程师和领域专家共同合作的过程，可以分为交互式和非交互式知识获取过程。交互式（也称为主动式）是当知识工程师提出询问时，领域专家回答，在交互中获取领域知识。非交互式（也称为被动式）中知识工程师不会干扰领域专家的工作，而是以观察方式获取领域知识。这种获取知识的方式比交互式更难，但在某些情况下只能用这种方式完成。以下是知识获取的一些主要方法。

1、面谈法

2、模拟法

3、口语记录分析

4、多维度量法

5、概念分类法

上述每种方法都有其自身的特点，但也有其局限性。由于人类专家知识的多样性和复杂性，经常需要采用多种不同的方法来提取专家知识。概述五、基于神经网络的知识获取方法

常用的实现知识自动获取的方法是基于神经网络的知识获取方法，该方法能够有效解决专家系统的知识获取瓶颈问题。人工神经网络是一种具有自组织、自学习和自适应特点的大规模信息并行处理系统，能够在智能系统中很好地自动获取知识，即通过实例学习获取知识，基于神经网络的知识求精以及从神经网络提取规则知识。1、通过学习获取知识

神经网络通过学习训练实现知识获取。学习过程是先根据应用问题选择神经网络的模型和结构，再选择学习算法，对求解问题有关的样本进行学习，通过学习调整神经网络的联接权值，完成知识的自动获取。

目前，知识获取最常用的神经网络是采用BP算法的多层前馈神经网络，它由输入层、隐含层和输出层构成。其中隐含层可以有一层或多层，相邻层的神经元之间相互连接，但同一层的神经元之间不相互连接。输入信号从输入层向前传播到输出层，成为输出信号，这种神经网络也常被称为BP神经网络。概述概述2、基于神经网络的知识求精

知识求精是知识获取不可缺少的一步。通常情况下，得到的初始知识库常常存在一些问题，比如知识不完全、知识之间不一致、有的知识不正确等，因此需要对初始知识库调试、修改与补充。

基于神经网络的知识求精方法的流程如图2-3所示，图中的初始规则集即初始知识库，训练样本即专家例证，由3个步骤组成：第1步：将初始规则集转化为初始神经网络。第2步：用训练样本和学习算法训练初始神经网络，也就是知识的求精过程。第3步：提取求精后的规则知识。概述3、从神经网络中提取规则

通过神经网络获取的知识是分布式的、隐式的、难于理解的，因此从神经网络提取规则十分重要，下面介绍一种用神经网络来获取规则知识的典型方法。首先用如图2-4

所示的三层BP神经网络来学习训练样本，并用公式（2-1）获取输出节点b和输入节点a之间的逻辑相关程度度量（越小，a和b之间相关程度越大）

式中，是原始输入节点a和隐含层节点j之间的连接权值，是附加输入节点b（对应于某个输出节点）和隐含层节点j之间的连接权值。

然后用一个如图2-5所示的单层神经网络对样本进行学习，获取输出节点b与输入节点a之间的逻辑不相关（无关）程度度量Weightab；最后将Weightab和SSEab的乘积Productab作为a和b之间的因果关系度量。若Productab接近于0，则a是b的逻辑前提，将b的所有逻辑前提（ai）进行“逻辑与”，得到如下的逻辑规则：概述数据挖掘第二节数据挖掘一、

数据挖掘概述

二、

数据挖掘的构成和分类

三、

数据挖掘的方法四、

数据挖掘的过程五、

数据挖掘的发展数据挖掘一、数据挖掘概述数据挖掘起源于知识发现（KnowledgeDiscoveryinDatabase，KDD），是知识发现的一个关键步骤。1989年8月，GregoryI.Piatetsky-Shapiro等人在美国底特律的国际人工智能联合会议首次提出知识发现和数据挖掘的概念。知识发现的过程是一种以知识用户为中心的人机交互探索过程，通过从数据中识别有效的、潜在有用的、最终可理解的模式。它包括数据清理、数据集成、数据过滤、数据转换、数据挖掘、模式评估、知识表示和其他处理过程。每个步骤相互影响并形成一个螺旋上升的过程。数据挖掘是知识发现最重要的一步。有时可以不加选择地使用知识发现和数据挖掘。数据挖掘数据挖掘二、数据挖掘的构成和分类一个典型的数据挖掘系统由以下主要部分组成：（1）数据仓库或其他信息库：这是一个或一组数据库、数据仓库、展开的表或其他类型的信息库，可以在数据上进行数据清理或集成。（2）数据库或数据仓库服务器：根据用户的数据挖掘请求数据库或数据仓库服务器负责提取相关数据。（3）知识库：领域知识，用于指导搜索或评估结果模式的兴趣度。（4）数据挖掘引擎：这是数据挖掘系统最基本的部分，由一组功能模块组成，用于特征、关联、分类、聚类、演变和偏差分析。（5）模式评估：该部分通常使用兴趣度度量，并与数据挖掘模块交互，以便将搜索聚焦在有趣的模式上，它是使用兴趣度阈值过滤发现的模式。（6）图形用户接口：该模块使用户和挖掘系统对接，允许用户与系统进行交互，制定数据挖掘查询或搜索聚焦，根据数据挖掘的中间结果进行探索式数据挖掘。此外，该成分还允许用户浏览数据库和数据仓库模式或数据结构，评估挖掘的模式，以不同的形式对模式进行可视化处理。数据挖掘三、数据挖掘的方法

利用数据挖掘进行数据分析常用的方法或关键技术主要有：关联分析、时序模式、聚类、分类、偏差检测和预测等6项，它们分别从不同的角度对数据进行挖掘，用于描述对象内涵、概括对象特征、发现数据规律、检测异常数据等。1、关联分析关联分析是从数据库中发现知识的一种重要方法。若两个或多个数据项的取值之间重复出现且概率很高时，那么就可以断定它们之间存在着某种关联，因而可以建立起这些数据项的关联规则。2、时序模式通过时间序列发现具有高重复概率的模式，并在此强调时间序列的影响。在时序模式下，有必要找出一个规则，即在一定的最短时间内该比率始终高于一定的最小百分比（阈值）。数据挖掘4、分类

分类在数据挖掘中使用最广泛。在聚类的基础上，分类是找出所确定类的概念描述，该类描述表示此类数据的整体信息。通常，它由规则或决策树模式表示，可以将数据库中的元组映射到给定类别。5、偏差检测

数据库中可能存在很多异常情况，因此找到这些异常情况以引起人们的注意也很重要。偏差包括以下内容：分类异常示例、模式异常、观测结果与模型预测的偏差、量值随时间变化。6、预测预测是使用历史数据找出变化规律，建立模型，并使用该模型预测未来数据的类型和特征的手段。3、聚类

数据库中的数据可以根据其内部的距离关系划分为一系列有意义的子集，即类。简而言之，就是在原本没有划分类别的数据集中，根据其内容的“距离”的概念集成了多个类别。在同一类别中，个体之间的距离较小，而在不同类别中的个体之间的距离较大。数据挖掘四、数据挖掘的过程一般来说，数据挖掘过程有五个步骤：确定挖掘目的、数据准备、进行数据挖掘、结果分析、知识的同化。图2-7

数据挖掘过程有五个步骤数据挖掘五、数据挖掘的发展目前，对KDD的研究主要围绕理论、技术和应用这三个方面展开。多种理论与方法的合理整合是大多数研究者采用的有效技术。

21世纪以来国内外数据挖掘的新发展主要是对发现知识的方法的进一步研究，如近年来注重对Bayes(贝叶斯)方法以及Boosting方法的研究和改进提高；KDD与数据库的紧密结合；传统的统计学回归方法在KDD中的应用；对海量数据的处理；将粗糙集和模糊集理论融合用于知识发现；以及研究中文文本挖掘的理论模型与实现技术等。

在应用构造智能专家系统方面主要体现在KDD商业软件工具从解决问题的孤立过程转向建立解决问题的整体系统，主要用户有保险公司、大型银行和销售业等。许多计算机公司和研究机构都非常重视数据挖掘的开发应用，IBM和微软都相继成立了相应的研究中心。使用数据挖掘技术解决大型或者复杂的应用问题是数据挖掘研究领域重要的任务。机器学习第三节机器学习一、

机器学习概述二、

机器学习的发展三、

机器学习的方法四、

机器学习的过程五、

机器学习在数据挖掘领域的应用机器学习一、机器学习概述

机器学习(MachineLearning)是一种研究学习的理论，其通过计算机模型，模拟或实现人类的学习行为，给予计算机学习能力，进而获取新的知识或技能，或者重新组织已有的知识结构，使之不断改善自身性能的过程、原理和方法。机器学习是人工智能的研究核心，是计算机具有智能的重要标志。机器学习也是一种知识获取手段，由计算机取代部分知识工程师和领域专家的工作。

人们研究机器学习的目的主要是希望理论上能够从认知科学的角度研究人类学习的机理，工程上开发具有学习能力的计算机系统。二、机器学习的发展数值表示和参数调整概念学习和语言获取归纳学习、类比学习等神经网络知识发现和数据挖掘20世纪50年代中期20世纪60年代初期20世纪70年代中后期20世纪80年代中后期21世纪初期机器学习三、机器学习的方法

与人类有着多种多样的学习方法一样，机器学习也有很多方法。根据机器学习所采用的学习策略、知识表示方法及其应用领域，可把机器学习方法划分为6类：1、机械学习（rotelearning）2、通过采纳建议学习（learningbyadvicetaking）3、通过例子学习（（learningfromexamples）4、通过类比学习（learningbyanalogy）5、基于解释的学习（explanation-basedlearning）6、通过观察学习（（learningfromobservationanddiscovery）机器学习四、机器学习的过程机器学习系统的一般结构。机器学习五、机器学习在数据挖掘领域的应用

在大数据环境中，机器学习算法的设计与实现涉及很多方面，包括分布式计算，数据流技术，云技术等。结合这些技术，机器学习算法可以有效地处理数亿个数据对象，并快速训练模型，从而获得有价值的知识。机器学习技术已广泛用于企业数据挖掘中，例如推荐系统、智能语音识别、搜索引擎等。大数据的发展，关键技术和评估指标的开发与研究对机器学习方法的研究工作提出了新的挑战和要求。

当前，大数据技术已广泛应用于电信、金融和医疗保健等许多行业和领域。在实际应用中如何从高维、稀疏、异构和动态的大数据中获取模式，迫切需要深层机器学习的理论和技术来进行指导。由此，可以预见，以下几个领域必然会受到未来的机器学习研究的关注：（1）超高维数据采样和特征提取。（2）借助Hadoop和Spark等分布式计算平台设计和实现分布式机器学习算法。（3）研究机器学习算法的泛化能力，执行效率和可理解性。Web挖掘第四节Web挖掘一、

Web挖掘概述二、

Web挖掘的分类三、

Web挖掘的过程四、

Web挖掘技术的应用Web挖掘一、Web挖掘概述

随着Internet/Web技术的快速普及和发展，如何在这个全球最大的数据集合中发现有用信息，成为数据挖掘研究的热点，由此产生了Web挖掘。Web挖掘是指通过数据技术在万维网（WWW）数据中发现潜在和有用的模式或信息。Web挖掘研究涵盖了许多研究领域，包括数据库技术、信息获取技术、统计、机器学习和神经网络等。与传统的数据和数据仓库不同，Web上的信息是半结构化或非结构化的，并且是动态的，易于混淆。它必须经过必要的数据处理，否则很难直接从网页上进行数据挖掘。二、Web挖掘的分类

根据在挖掘过程中使用的数据类别不同，Web挖掘通常可以被分成如下三种类别：Web内容挖掘、Web用法挖掘、Web结构挖掘。

Web内容挖掘是一个从Web内容、数据、文档中获取潜在的、有价值的知识或模式的过程。Web用法挖掘是挖掘用户访问时Web在服务器留下的访问记录，挖掘的对象是保留在服务器上的日志信息，也称Web访问信息挖掘。Web结构挖掘是从WWW的组织结构和链接关系中获取知识，主要通过对网站结构的分析、变形和归纳，对网页进行分类，以方便信息搜索。Web挖掘三、Web挖掘的过程

1.查找资源：从目标Web文档中得到数据，除了在线Web文档，还包括电子邮件、电子文档新闻组以及网站的日志数据，甚至是通过Web形成的交易数据库中的数据。

2.信息选择和预处理：从取得的Web资源中剔除无用信息，并对信息进行必要的整理。例如，从Web文档中自动去除广告链接，去除多余格式标记、自动识别段落或字段并将数据组织成规整的逻辑形式甚至是关系表。

3.模式发现：在同一个站点内部或在多个站点之间自动进行模式发现。

4.模式分析：验证、解释上一步骤产生的模式。该任务可以是机器自动完成，也可以是与分析人员进行交互完成Web挖掘四、Web挖掘技术的应用当前，Web数据挖掘的研究重点已从理论转向应用，Web数据挖掘在以下实际生活领域被普及：（1）电子商务（2）网页搜索（3）知识定向服务（4）政府部门文本挖掘第五节文本挖掘一、

文本挖掘的概述二、

文本挖掘的发展三、

文本挖掘的方法四、

文本挖掘的过程五、

文本挖掘的研究与应用文本挖掘一、文本挖掘的概述

文本挖掘是指从文本文件中提取有价值的知识，并利用它更好的组织信息的过程。通过使用基于案例的推理，可能性理解和其他神经网络智能算法，并结合文字处理技术，通过分析大量非结构化文本源（例如文档、电子表格、客户电子邮件、网页等），提取或标记关键字的概念以及文字之间的关系，根据内容对文档进行分类，从而发现和提取隐藏的未知知识，最终形成用户可以理解的有价值的信息和知识。文本挖掘是知识获取的一个分支，是人工智能研究领域中自然语言理解和计算机语言学的结合用于基于文本信息的知识发现，是一个跨学科领域，涉及许多技术，例如数据挖掘、信息检索、机器学习、自然语言处理、计算语言学、统计数据分析、线性几何、概率论和图论等。二、文本挖掘的发展

文本挖掘的产生主要是人们发现传统的信息检索技术不能满足海量数据的处理需求。特别是随着互联网时代的到来，用户可以获得大量的非结构化文本数据，包括技术数据、业务信息、新闻报道、娱乐信息和其他类别的文档，这些数据构成了一个巨大的异构开放的分布式数据库。文本挖掘三、文本挖掘的方法

目前，对于自然语言处理的方法主要包含三类：基于语言学和人工智能的方法、基于语料库和统计语言模型的方法、混合的方法。第一种方法是一种理性主义方法，又称为基于规则的方法；第二种方法是一种经验主义方法，又称为基于统计的方法；混合的方法是指理想主义方法和经验主义方法的有机结合。从语句分析的角度讲，文本知识获取的方法主要有两种：基于语句分析的方法和基于语境的方法。文本分析法首先对文本进行词性标注，然后将出现频率高的词语识别为领域概念，最后人工验证概念以及人工标注。从学习的角度讲，文本知识获取方法主要有机器学习方法和基于记忆的方法。采用的机器学习算法主要有：关联学习算法和自底向上学习算法。四、文本挖掘的过程文本挖掘处理主要经过三个阶段：文档预处理、特征信息提取和数据挖掘。文本挖掘五、文本挖掘的研究与应用

拉丁语系国家的研究人员最早展开了对文本挖掘的研究。他们的研究主要包括了诸如文本的表示方法以及对相关模型的建立；结合自然语言理解领域的基础进行更深层次语义挖掘的相关研究；针对文本数据高维性问题的特征提取以及降维方法的研究；针对目标特点选择不同类型的挖掘算法，来解决文本的分类、聚类问题；结合不同领域的文本挖掘的应用，如应用在金融证券领域的股票预测、科学研究领域文献的挖掘以及Internet上的主题检测、Web挖掘、自动问答等。目前使用比较广泛的文本挖掘系统有KDT、IBMBusinessIntelligence、TextVis等。

国内的文本挖掘研究除紧跟国际前沿外，有相当一部分研究集中在如何充分利用中文文本特点进行更好的文本挖掘上。围绕中文文本的处理，特别是结合自然语言理解技术，找到适合中文文本的快速高效方法从而更好地设计和开发中文文本挖掘应用。中国知网的学位论文学术不端行为检测系统，拓尔思的文本检索系统TRS，香港科技大学的中文自动问答系统等都是针对不同目标实施的不同的文本挖掘应用实例。图挖掘第六节图挖掘一、

图挖掘概述二、

图挖掘的主要内容三、

图挖掘的应用四、

图挖掘的发展图挖掘一、图挖掘概述1、图挖掘的概念

图挖掘（GraphMining）是指利用图模型从海量数据中发现和提取有用知识和信息的过程。图挖掘已广泛应用于商务管理、市场分析、生产控制、科学探索和工程设计等领域。图挖掘所涉及的领域主要是图的聚类、图的分类和频繁子图（子结构）挖掘等，其中频繁子图挖掘的目的是找到在图集中频繁出现的子图集模式。2、图数据的定义

图是最常用的数据结构之一，能够描述事物之间错综复杂的关系。图是由若干节点和连接点与点之间的边所构成的结构，用于描述节点对象之间的特定关系，每一个节点代表一个对象，用边来表示节点之间的确定关系。各节点的位置可以变化，而且点与点之间的连线也可以为任意距离，并没有长短之分，具有拓扑性质。在图论中，网络是顶点和边的集合，通常用G=（V，E）表示，V表顶点，E表示边。顶点代表现实世界中的各类实体，两点的之间的边表示两个实体的关联关系。作为一种常见的数据结构，采用图论知识来描述各类实体间的数据关系，形式上更生动准确易于理解。图挖掘

边的存在可能性为1表示边一定存在。因此，确定图（定义2.1）可以看作所有边的存在可能性皆为1的特殊的不确定图。不确定图模型图挖掘右图表明了图同构与子图同构的不同。其中，图(b)、图(a)同构，图(c)、(a)子图同构图。图同构与子图同构图挖掘二、图挖掘的主要内容1、图的匹配2、图数据关键字查询3、频繁子图挖掘4、图的聚类5、图的分类三、图挖掘的应用1、社交网络2、隐私保护3、软件缺陷定位4、生物网络5、Web挖掘图挖掘四、图挖掘的发展

近年来，越来越多的图数据结构在我们的日常生活中出现，例如社交网络、生物信息学领域、Web应用等，这对图数据挖掘提出了更多的新要求：（1）如何有效、高效管理大量的图数据（图数据库）；（2）如何针对现实的数据利用图结构进行建模；（3）如何从图数据中挖掘出感兴趣的模式，如频繁模式、显露模式等。同时，在过去的数年中，图数据挖掘的相关论文在数据挖掘领域的主流会议，如ICDM、SigKDD、SiamDM等中有逐年递增的趋势；围绕图挖掘的主题展开的Workshop越来越多，包括有关链接分析和群组检测、多维数据挖掘的KDDWorkshop以及有关图、树、序列挖掘的EuropeanWorkshop。同时，越来越多的国内外重要期刊明确提出对有关图挖掘方面的文章的征集。应用案例第七节应用案例案例一、知识获取在制造业的应用：数控机床ICAID系统数控机床ICAID系统是面向机床行业提供的一种基于知识的工业设计解决方案，系统的使用者是机床的设计主体，包括工业设计师与机床工程师。其目的是针对装备制造关键共性技术-工业设计技术，进行研究、应用，发挥提升产品质量的作用，解决机床行业和制造业的设计问题。该系统以基于因特网的计算机辅助工业设计概念（InternetbasedcomputeraidedindustrialdesignICAID）为原型和研究基础，通过引入基于网络的设计和基于知识的设计等理念和技术，在网络环境下建立一个工业设计师和机床工程师共同参与的、由知识驱动的计算机辅助工业设计系统，系