案例推理方法范文-盘古文库

案例推理方法范文（精选10篇）

案例推理方法第1篇

关键词：应急案例,相似度,消防安全,属性距离

突发事件是指可能造成重大人员伤亡和经济损失的突然发生的事件。近年来,我国突发事件频频发生,给人类的生命和财产造成了巨大损失,如仓库火灾、电动车火灾、高层建筑火灾等。因此,在突发事件即将发生或刚刚发生时,如何快速做出应急响应,以最大限度地减轻突发事件造成的损失,是目前的研究热点。

由于突发事件的突发性、紧迫性、严重性以及决策者经验和理性的有限性,借鉴以往发生的突发事件的解决方案进行应急决策,是提高决策有效性的重要方法。案例推理正是借鉴历史案例来解决当前问题的方法。因此,基于案例推理的应急决策方法研究引起了国内外学者的关注。廖振良等将其应用到环境应急预案系统中,袁晓芳将其应用到重大瓦斯爆炸应急决策中,Krupka等将其应用于火灾救援中等等。已有研究为应急管理提供了理论与方法层面的借鉴和指导,但大多从客观角度进行研究,在目标案例与历史案例相似度测算过程中并没有考虑正负距离的不同效果,也没有考虑决策者的偏好,认为决策者是完全理性的,而现实决策过程中,大多数决策者是有限理性的,具有个人的决策偏好。笔者针对突发事件应急决策的问题,提出了一种考虑决策主体偏好的应急决策方法。

1 考虑主体偏好的应急案例相似度测算模型

考虑应急决策问题,为方便起见,记C=(C0,C1,…,Cm)表示m个历史案例与1个目标案例,其中C0表示目标案例,Ci表示第i个历史案例;X=(X1,X2,…,Xn)表示n个属性集,其中Xj表示第j个属性;xij表示案例Ci关于指标Xj的原始数据;w=(w1,w2,…,wn)表示属性的权重向量,其中wj表示属性Xj的权重。笔者要解决的问题是:在考虑决策者的偏好的情境下,依据有关决策信息C、X和w,如何通过一个有效的决策方法来生成一个有效的应急方案。

1.1 计算目标案例与历史案例的属性相似度

(1)计算目标案例C0与历史案例Ci关于属性Aj的距离di0j。当属性值为精确数时,根据文献[7]的公式(2)计算属性距离di0j;当属性值为区间数时,根据文献[7]的公式(4)计算属性距离di0j。

(2)计算目标案例与历史案例的属性相似度。考虑到突发事件的危害性,决策主体即便消耗一定的应急资源,也要尽快控制住突发事件。那么,在一定的属性相似度范围内,决策者偏好更加恶劣的属性,因为相对恶劣的属性集所对应的应急方案的力度也相对更强。例如,某高层建筑发生火灾,火势等级为2,人员伤亡为18人,烧毁面积为20m2。

案例库中有2个历史案例,案例1的火势等级为1,人员伤亡为16人,烧毁面积为18m2;案例2的火势等级为3,人员伤亡为21人,烧毁面积为23m2。显然,案例1的情形比目标案例乐观,若采用案例1的应急方案进行响应,有可能造成救援力度不够,导致更严重的生命财产损失。因此,选择案例2作为应急方案更有效。当然,决策者也不是一味地采用更加恶劣的历史案例的方案作为目标案例的应急方案,只是在可以容忍的相似度范围内偏好相对恶劣的历史案例。

根据决策者对属性距离的偏好,设δ为决策主体对属性距离的偏好,δ∈[0,max{|di0j|}],δ越小,表明决策者对属性相似度的偏好越高。通常δ的取值由决策者根据经验和历史数据来确定。当属性为成本型时,决策者偏好阈值内的正向距离;当属性为效益型时,决策者偏好阈值内的负向距离。基于此,当属性为效益型时,属性距离在[0,δ]时,属性相似度Simj(C0,Ci)为(2-di0j);属性距离在[-δ,0]时,属性相似度为Simj(C0,Ci)为(2+di0j-δ)。当案例属性为效益型时,决策者的偏好正好相反,属性距离在[-δ,0]内时,属性相似度Simj(C0,Ci)为(2-di0j);属性距离在[0,δ]内时,属性相似度Simj(C0,Ci)为(2+di0j)。对于其他情况,属性相似度为Simj(C0,Ci)为(2-|di0j|-2δ)。

(3)利用指数函数对属性相似度进行转换,Sej(C0,Ci)=exp(Simj(C0,Ci))。由于基于指数函数的属性相似度能更好地与决策者观念中的相似度吻合,因此采用指数函数对属性相似度进行转换。

(4)通过计算属性相似度Sej(C0,Ci)与在属性Xj上最大属性相似度的比值,将相似度进行归一化为。

1.2 最优属性权重的确定

为了利用简单加权法求解案例的综合相似度值,必须知道案例的属性权重。由于应急决策时获取到的信息存在一定的局限性,因此需要考虑决策者的偏好。设决策者对属性权重的偏好表示为A=[aij]n×n。其中aji=1/aij>0,aii=1(i,j=1,…,n)根据文献[10],当矩阵A是一致成对比较矩阵时有Aw=nw。同时,决策者希望案例相似度总和越大越好。由于同时满足案例相似度极大和特征根法两个条件存在一定的困难,令|Aw-nw|≤ξ,其中,ξ=(ε1,…,εn)T,为了计算方便,去掉绝对值。建立求解权重优化模型,见式(1)~式(5)。

式(1)、式(2)为目标函数,式(1)的含义是最大化案例的相似度之和,式(2)的含义是最小化偏差向量,式(3)的含义是权重之和为1,式(4)和式(5)是|Aw-nw|≤ξ去掉绝对值后的表达式。

上述多目标问题可以通过线性加权法将目标函数转换为单目标优化问题,如式(6)所示。

式中:θ为决策者在实际决策中对z1和z2的偏好程度,通常由决策者决定,若考虑到决策者对z1和z2的同等重视,则取θ=0.5。

求解优化模型可得到最优解w*=(w1*,w2*,…,wn*)。

通过简单加权法求解案例相似度Vi*。显然,Vi*越大,表明该案例与目标案例的相似度越大。因此,根据Vi*的大小,选择最优的备选方案。

2 算例分析

某住宅发生火灾,当前火力(xi1)为1级,人员伤亡(xi1)为24~28人,烧毁面积(xi3)为80~85 m2,人口密度(xi4)为13人/km2,财产损失(xi5)为20~25万元。该类型火灾案例库中的数据,如表1所示。

表1 火灾案例库数据

案例库中的案例属性与目标案例属性之间的距离,如表2所示。

表2 目标案例与历史案例的距离

决策者根据经验给出属性距离的阀值δ为0.5,计算目标案例与历史案例的属性相似度。进一步计算目标案例与历史案例的指数属性相似度,并进行归一化,结果如表3所示。

在此基础上,决策者给出对决策属性的偏好矩阵A。

依据目标案例与历史案例的相似度价值V=[vij]m×n和偏好矩阵A,构建权重优化模型,根据线性加权法,把双目标函数转化为单目标函数,通过Lingo11.0求解该模型,得到最优属性权重w=(0.536 6,0.068 3,0.227 5,0.093 7,0.073 9)。

根据得到的权重,计算每个历史案例与目标案例的相似度Vi*,结果如表4所示。

根据文献[7]的方法计算目标案例与历史案例的相似度,并进行排名,结果如表4所示。

表4 两种计算方法的相似度及排名

由表4可知,应用此方法得到最相似的案例是C5,而应用传统方法得到最相似度的案例为C1。由表1可知,案例1中人员伤亡、烧毁面积、人口密度和财产损失属性值都比目标案例中的属性值小,而案例5中只有人员伤亡属性值比目标案例小。由表2可知,案例1与目标案例的属性距离均小于属性距离阀值δ=0.5,且案例5与目标案例的属性距离也均小于属性距离阀值,意味着决策者认为案例1与案例5的属性相似度均为收益的。因此,C1和C5都是与目标案例很相似度的案例,但是由于决策者期望能更快更有效地控制住突发事件,更偏向于属相值更加恶劣的C5。

3 结论

笔者针对决策主体期望能更快更有效地控制住突发事件的心理,根据决策主体对正负属性距离的偏好,计算历史案例与目标案例的属性相似度,并通过指数函数对属性相似度进行转换,在此基础上构建最优权重模型,通过求解该模型获得权重,并计算历史案例与目标案例的相似度。主要结论有:

(1)主体心理因素的引入丰富了应急案例生成方法的相关理论。

(2)主体对属性距离的偏好对案例选择结果有着重要的影响作用。

统计案例和推理与证明练习题第2篇

一．选择题：

1、下列表述正确的是（）.①归纳推理是由部分到整体的推理；②归纳推理是由一般到一般的推理；③演绎推理是由一般到特殊的推理；④类比推理是由特殊到一般的推理；⑤类比推理是由特殊到特殊的推理.A．①②③；B．②③④；C．②④⑤；D．①③⑤

2．下列属于相关现象的是（）

Ａ．利息与利率Ｂ．居民收入与储蓄存款

Ｃ．电视机产量与苹果产量Ｄ．某种商品的销售额与销售价格

3．如果有95%的把握说事件A和B有关，那么具体算出的数据满足（）

Ａ．K23.841Ｂ．K23.841Ｃ．K26.635Ｄ．K26.6354、下面使用类比推理正确的是（）.A.“若a3b3,则ab”类推出“若a0b0,则ab”

B.“若(ab)cacbc”类推出“(ab)cacbc”

C.“若(ab)cacbc” 类推出“

nnnabab（c≠0）” cccnnn（ab）ab” 类推出“（ab）ab D.“

5、有一段演绎推理是这样的：“直线平行于平面,则平行于平面内所有直线；已知直线b平面，直线a平面，直线b∥平面，则直线b∥直线a”的结论显然是错误的，这是因为（）

A.大前提错误B.小前提错误C.推理形式错误D.非以上错误

6、用反证法证明命题：“三角形的内角中至少有一个不大于60度”时，反设正确的是（）。

(A)假设三内角都不大于60度；(B)假设三内角都大于60度；

(C)假设三内角至多有一个大于60度；(D)假设三内角至多有两个大于60度，2)，7．已知回归直线方程其中a3且样本点中心为(1则回归直线方程为（）ybxa，Ａ．yx3Ｂ．y2x3Ｃ．yx3Ｄ．yx

38.在画两个变量的散点图时，下面哪个叙述是正确的()

(A)预报变量在x轴上，解释变量在y轴上(B)解释变量在x轴上，预报变量在y轴上

(C)可以选择两个变量中任意一个变量在x轴上(D)选择两个变量中任意一个变量在y轴上

9、黑白两种颜色的正六形地面砖块按如图的规律拼成若干个图案，则第五个图案中有白

色地面砖（）块.A.21B.22C.20D.2310、两个变量y与x的回归模型中，分别选择了4个不同模型，它们的相关指数R2如下，其中拟合效果最好的模型是()

A.模型1的相关指数R2为0.98B.模型2的相关指数R2为0.80

C.模型3的相关指数R2为0.50D.模型4的相关指数R2为0.2511、在吸烟与患肺病这两个分类变量的计算中，下列说法正确的是（）

A.若K2的观测值为k=6.635,我们有99%的把握认为吸烟与患肺病有关系，那么在100个吸烟的人中必有99人患有肺病;

B.从独立性检验可知有99%的把握认为吸烟与患肺病有关系时，我们说某人吸烟，那么他有99%的可能患有肺病;

C.若从统计量中求出有95% 的把握认为吸烟与患肺病有关系，是指有5% 的可能性使得推判出现错误;

D.以上三种说法都不正确

12、下面几种推理是合情推理的是（）

（1）由正三角形的性质，推测正四面体的性质；

（2）由平行四边形、梯形内角和是360，归纳出所有四边形的内角和都是360；

（3）某次考试金卫同学成绩是90分，由此推出全班同学成绩都是90分；

（4）三角形内角和是180，四边形内角和是360，五边形内角和是540，由此得凸多

边形内角和是n2180

A．（1）（2）B．（1）（3）C．（1）（2）（4）D．（2）（4）

二．填空题：

13、“开心辞典”中有这样的问题：给出一组数，要你根据规律填出后面的第几个数，11315现给出一组数： , ,它的第8个数可以是。22843214、一同学在电脑中打出如下若干个圈:○●○○●○○○●○○○○●○○○○○●„若将此若干个圈依此规律继续下去,得到一系列的圈,那么在前120个圈中的●的个数是。

15、若一组观测值（x1,y1）（x2,y2）…（xn,yn）之间满足yi=bxi+a+ei(i=1、2.…n)若ei恒为0，则R2为

16、类比平面几何中的勾股定理：若直角三角形ABC中的两边AB、AC互相垂直，则三

222角形三边长之间满足关系：ABACBC。若三棱锥A-BCD的三个侧面ABC、ACD、ADB两两互相垂直，则三棱锥的侧面积与底面积之间满足的关系为.三、解答题

17, 求证6+7>22+

18、若两个分类变量X与Y的列联表为：

则“X与Y之间有关系”这个结论出错的可能性为多少？

案例推理在汽车故障诊断中的运用第3篇

关键词：案例推理；汽车故障诊断；汽车故障类型；故障排除；汽车检测文献标识码：A

中图分类号：TP182 文章编号：1009-2374（2016）19-0058-02 DOI：10.13535/j.cnki.11-4406/n.2016.19.027

案例推理是现代化汽车故障诊断、排除的核心组成部分，能够准确确定汽车故障类型，同时也能详细列明故障主要排除途径，从而不断提升汽车本身的运行性能。将案例推理机制充分应用在汽车故障诊断工作中，使用效率较高，具有较高的应用价值。

1 汽车故障诊断系统架构

汽车故障诊断系统主要由专业知识库、故障推理系统、案例库、数据库构成，图1为案例推理下的汽车故障诊断系统框架图：

1.1 专业知识库

专业知识库的主要内容为汽车故障问题经验及相关知识，可对汽车故障进行有效分类，并突出重点、常见故障的特征，是案例库、数据库构建的基础。

1.2 故障推理系统

该系统是案例推理系统发挥作用的核心组成部分，能够进行故障案例检索，并将案例与实际问题进行匹配，根据实际情况予以适当调整。

1.3 案例库

案例库中相关内容主要由汽车用户提供，能够对旧故障案例进行有限存储，同时也能够为新案例产生和形成创造便利条件，为故障排除提供更多参考价值。

1.4 数据库

主要负责收集各类故障征兆数据及相关信息，具有汽车故障出现的潜在特点，能够明确汽车故障出现时各装置、设备运行状态。

2 案例推理在汽车故障诊断中的主要流程

通过观察案例推理系统在汽车故障诊断、排查中的应用情况，结合多年实际工作经验认为，案例推理系统不仅具有丰富详细的诊断“经验”，同时具备智能性、高效性等应用优势，能够不断提高汽车故障诊断的正确性，并具有较高的使用效率。在采用案例推理系统时，其具备的搜索功能能够第一时间将系统中最为接近的案例查找出来，进而使汽车故障排查更具针对性和时效性。为此，通常情况下，案例推理系统包含四大功能：一是检索（搜索）；二是启用；三是数据调整；四是案例学习。用户将故障案例传达给案例推理系统后，系统可及时对案例进行处理，并生成可供检索的案例。这样一来，汽车维修人员即可快速检索，寻找最佳答案。与此同时，在进行实践操作时，若相关人员没能在案例推理系统中搜寻到相似案例或匹配答案，系统会自动抽取案例库中的关键点，并对其进行合理调整，保证案例分析能够被有效利用在故障诊断及排除中。合理调整后的解决策略会被有效记录，并存储在案例库中，为汽车故障诊断提供方便。

3 案例推理在汽车故障诊断中的实际应用

3.1 实例分析

以某汽车品牌为例，分析分析案例推理在其故障诊断、排除中的实践应用。该汽车品牌主要故障表现为：汽车点火启动后，反应时间较长，且往往不能按照规定时间进行齿轮分离。在有些情况下，齿轮虽然能够有效分离，但是速度会明显受到影响。对于此类故障，设施案例推理，并分析其实际应用情况。

3.2 案例表示

可将“案例表示”的相关内容视为故障诊断的主要数据方案，也就是说，只要案例推理系统显示实际故障与案例故障相同，即可直接采用检索出来的案例进行相应处理，详细案例表示情况见表1。

3.3 案例调整、学习

对案例进行调整，此过程能够促进案例更加满足汽车故障排查工作，并将汽车故障诊断作为基础，快速实现良好诊断。例如根据案例推理系统界面显示的信息，可进行如下排序：故障解决案例号→故障代码→损坏（损伤）位置代码→汽车品牌→汽车型号→主要故障描述→相应处理结果→详细信息。这些案例通过调整后，就具备指导其他相同类型故障的作用，且系统界面反映出来的信息已经被修正完毕，能够进一步确保案例推理的正确性。

3.4 案例推理实践

在案例推理系统中找到“人机界面”及“检索”标志，选择“关键检测”条目，准确输入汽车品牌故障位置名称。例如“点火启动系统”，点击检索，案例推理系统收到检索信息后，会对相关信息进行筛查。同时在人机界面右侧“问题描述”栏中填写汽车故障表现，即“汽车点火启动后，反应时间较长，且往往不能按照规定时间进行齿轮分离。在有些情况下，齿轮虽然能够有效分离，但是速度会明显受到影响”。所描述的信息必须以实际故障为主，不要填写与故障部件无关的信息，有效防止对案例检索及同类型故障分析产生影响。

正确执行上述案例推理过程后，“人机界面”中会搜索出与问题相对应的故障解析内容。若观察故障诊断结果过多，且一时之间难以做出最准确的判断，则要返回至“问题描述”栏，对相关信息进行整合，并进行重新检索，进而搜索出诊断结果。两次检索操作完成后，系统会根据两次案例推理、检测结果，生成更为贴近的故障分析结果，并给出故障排除方式。这些内容将被完整地显示在案例推理系统的人机界面中，进而帮助维修人员及时查找故障原因及重点部位参数等，制定出与该品牌汽车相符的故障排除方案，为提高检修效率奠定良好的基础。

4 案例推理应用效益分析

4.1 关键技术注意事项

（1）案例描述：尽量避免故障部件描述不严谨，充分减少歧义，提高检索结果准确性。对信息描述进行规范，为快速诊断、排查提供方便；（2）案例检索：针对案例检索过程中常见的检索错误，要对其进行技术化约束，引进技术改进措施，完善案例推理系统，丰富检索内容。

4.2 案例推理积极作用

将案例推理系统充分应用在汽车故障诊断及排查工作中，实际效益非常显著，能够有效地解决汽车故障问题，引导汽车行业向着更高质量方向发展。根据实践经验认为，案例推理能够突出如下三点应用效益：（1）提高时间效率，直接根据智能化的推理或检索，即可及时得出最为详细准确的故障信息，避免故障诊断阶段浪费大量检修人员的工作时间；（2）强化故障维修与诊断的实践性，促使维修人员能够获取更多的实践经验，有利于推进故障维修的成熟发展，确保案例推理发挥实践能力，提升汽车故障维修的能力；（3）案例推理系统人机界面可准确反馈故障相关参数，并对故障原因进行分析，进而保证故障解决方案的科学性和可行性，提高汽车故障诊断质量及故障排除效率。

5 结语

现阶段，网络技术、计算机及信息技术不断发展，并逐渐向人们日常生产生活的各个领域延伸，为案例推理系统的不断成熟提供了技术保障。将案例推理系统充分应用到汽车故障诊断、排除中，是信息技术发展的必然，能够带动汽车故障解决的不断完善，对提高汽车维修质量及效率具有较为积极的影响。为此要科学合理地运用案例推理系统，有效节约故障诊断、排除时间，为推动汽车维修向智能化方向发展夯实基础。

参考文献

[1] 严军.案例推理和关联规则在汽车故障智能诊断中的

应用[D].合肥工业大学，2010.

[2] 李强.案例推理在汽车故障诊断中的应用研究[J].技

术与市场，2015，18（12）.

[3] 王春华.汽车维修故障诊断中案例推理的运用[J].轻

型汽车技术，2015，26（7）.

[4] 张素琪.案例推理关键技术研究及其在电信告警和故

障诊断中的应用[D].天津大学，2014.

案例推理方法第4篇

随着知识经济时代的来临和企业间竞争的不断加剧,越来越多的企业意识到知识管理对其发展的重要性。知识管理系统作为实施知识管理这一系统工程的必要技术支柱,已经有很多的企业和研究机构对其进行了研究[1]。然而目前的知识管理系统中的推理功能还十分有限,从而在企业创新性设计领域不能发挥应有的重要作用。

同时,在一些专家系统、决策支持系统中也采用了基于案例和基于规则的推理技术[2,3,4],但是现在的集成推理技术普遍存在两个问题:一是通用性不强,往往结构固定,扩充性和移植性比较弱。二是案例库和规则库往往脱离,缺乏交互能力,导致案例推理和规则推理不能很好地取长补短,协同工作。

为了解决上述问题,我们提出了一个基于本体技术的可重构知识管理系统,该系统允许企业根据自身的特点来定制(包括改变和扩充)知识结构,而相应的知识处理过程可以自动调整,保证了系统的通用性和扩展性[5]。同时,该系统采用了基于案例和基于规则的集成推理技术,通过案例自动学习生成规则的策略,结合了演绎和启发式的学习过程,将案例推理与规则推理进行了有机的结合,避免了每次推理只基于一个库的问题。而且,由于系统是基于本体的,通过在本体中定义知识类别之间的语义关系,并应用于集成推理技术中的规则定义和案例相似度算法,从而显著地提高了系统的推理效率。

1 可重构知识管理系统

传统的知识管理系统大多是局限于特定的企业知识结构进行开发,这种系统的适应性比较差,往往离开特定的问题背景就无法使用,不能满足企业知识的发展和跨企业平台应用的需求。在可重构知识管理系统中,企业知识结构通过本体进行定义,通过改变企业本体来实现系统重构,这种本体表示和建模技术能够促进领域知识的共享和重用。

在该系统下,企业知识概念、概念的特征及其关系构成了企业本体。知识作为本体中类别定义的实例进行存储,这些类别的实例和本体一起构成了企业知识库,不同企业知识管理系统的差别从而转化为本体之间的差别。基于本体的可重构知识管理系统的体系结构如图1所示。它采用了三层结构,分别为应用层,本体层和数据层。

本体建模工具用来建立本体模型,企业用户根据实际应用需要定义知识类别及其属性,知识类别之间的依赖关系可以通过实例属性的引用关系实现。比如飞机故障类别定义有故障发生部件属性和故障发现人属性等等,这些实例属性的取值可以分别是部件类别和员工类别的实例。知识类别之间通常需要定义关系,比如父子类关系就是最常用到的关系之一,这种关系可以用本体树的结构表示,子节点会继承父节点的所有属性。本体定义方式能够避免数据的冗余和不一致问题,同时也方便了知识录入、检索和推理的过程。企业本体是整个知识管理系统的基础,其他各个管理模块都依赖于企业本体来建立。

本体定义了知识的结构框架之后,通过知识处理模板,用户可以对不同的知识类型进行不同的处理,比如允许用户针对每个知识类别定制其录入、显示和统计的界面,也可以对不同的知识类别定义不同的检索推理方式。这样当知识结构发生变化时,相应的处理界面也能自动调整,体现了系统的可重构性。对用户没有定义处理模板的知识类别,系统也会提供通用的知识处理方式。个人工作台是用户接收任务和知识处理的接口,每当有用户相关的个人任务时,工作台上都会提供相应的操作,启发式地引导用户完成知识处理的过程。用户也可以根据个人喜好方便地实现工作台的个性化定制。

2 集成推理方法

有效管理企业知识的最终目的必然是要合理利用这些知识来指导设计和创新,因此知识检索与推理技术是直接关系到企业知识管理系统的效率和成败的关键因素。同时在人工智能和数据挖掘领域存在许多比较成熟的推理方法,比如基于实例/案例推理、基于规则推理和基于贝叶斯网络推理等等,这些都为知识管理系统的集成推理方案奠定了理论基础。

2.1 基于案例推理

基于案例推理是一种利用以前的经验知识来解决当前问题的方法。其基本思想是通过相似度算法对特定案例和特定问题进行匹配,如果案例相似度足够好的话,则直接给出检索案例对应问题的解;否则,根据问题描述对案例进行修改和评估,并将改进过的解决方案作为新增案例加入到案例库中,如此形成良性的知识积累循环过程。通常基于案例推理的过程如图2所示。

如何通过有效的相似度算法来快速准确地检索出与当前问题相似的案例,是基于案例推理技术的关键所在。在可重构的知识管理系统中,知识结构通过本体进行定义,针对每一个知识类别分别定义其描述属性,知识就作为类别的案例存储在知识库中。由于案例对象是由若干属性描述的,而且各个属性的权重各不相同,因此案例对象之间的相似度可以通过计算各属性之间相似度的加权和来度量:

Sim $(Ι_{i} ‚ Ι^{'}_{i}) = \sum_{j = 1}^{n} W_{j} * S i m$ (Ii,aj,I′i,aj)

其中,Sim(Ii, I′i)表示案例对象之间的相似度;Wj表示案例属性aj在检索推理过程中的权重因子,0Wj1,并且满足W1+W2++Wn=1;Sim(Ii,aj, I′i,aj)表示案例对象的基本属性之间的相似度。由此,根据各个属性的权值和属性取值的匹配检索就可以确定案例之间的相似度。确定属性的权值通常有两种方法,一是根据属性取值在相似案例上发生的频度来衡量,二是采用循环迭代的方法,逐次逼近最适合的权值。当然也可以由用户根据以往的经验和检索推理的结果来调整权值大小。检索出的相似案例可以按照相似度从高到低的顺序输出,对于相似度很低的案例也可以选择舍弃。

然而在系统经验案例存储还不够丰富的情况下,往往直接检索到的案例并不能满足用户求解当前问题的要求。特别是对于设计类问题的求解过程,人们常常既要依赖领域知识来求解问题,同时也要依靠其丰富的设计经验来推理。因此,可以将基于案例推理与基于规则推理这两种推理方法集成为一体,用于求解这类既有演绎信息又有类比信息的问题。

2.2 集成推理方法

基于案例推理和基于规则推理有着各自的优势。基于规则推理最大特点在于较之基于案例推理而言占用少得多的存储空间,而且,一旦规则建立起来,能够很快地给出问题的答案。然而在一些规则不明确的领域,往往需要基于案例推理,它对于经验知识积累和指导创新规则的形成都具有重要的作用。显然,这两种推理方法是互补的,基于案例推理扩展了领域中规则不能覆盖的例外,而基于规则推理能够有效地验证案例和指导创新。因此,将两者结合起来使用已经成为一种问题求解的新方法。

可重构知识管理系统中的集成推理框架如图3所示。

对于用户提出的问题,该框架首先提交给RBR推理系统,去查找是否存在匹配的规则,并将这些规则返回给用户,如果用户认可则推理结束。否则将问题的描述属性提交给CBR推理系统,给出与当前问题最相似的案例及其解决方案。由于系统是可重构的,在推理过程中应该充分考虑到用户的反馈来调整相应的规则和案例,使推理系统具有自我学习的能力。这种集成推理技术充分结合了演绎推理和类比推理,使问题的求解按照更为智能化的方式进行。

2.3 案例规则学习

在传统的基于规则推理技术中,规则库的形成往往靠用户手工输入或整合企业已有的小型规则库,然而这种方法不仅费时、费力,而且不利于规则库自身的更新与发展。在可重构的知识管理系统的集成推理技术中,规则库的形成不仅可以依靠传统的输入方式,而且能够通过对案例数据库中不断积累的大量数据,采取数据挖掘的技术自动学习出一般泛化的规则。在求解分类问题的方法中,决策树是最有用的方法之一[6]。而目前大多数已开发的决策树学习算法都是Quinlan ID3核心算法的变体,这个基本算法采用自顶向下的贪婪搜索遍历可能的决策树空间。

决策树学习方法一旦建立好决策树,就可以将其应用于数据库中的元组并得到分类结果。决策树构建算法性能的主要因素取决于训练集的规模和如何选择最佳分支属性。选择不同的属性值会使划分出来的记录子集不同,影响决策树生长的快慢以及决策树结构的好坏,从而导致找到的规则信息的优劣。从决策树生成规则的过程比较简单,它对于决策树中的每个叶结点都生成一条规则,所有具有相同后件的简单规则通过析取规则的前件合并到一起。

利用决策树学习规则进行分类问题具有一些优点,比如生成的规则易于解释和理解,而且由于树的规模独立于数据库规模,所以决策树对于大型数据库具有很好的扩展性。然而由于案例数据是不断变化的,因此挖掘出来的规则也应该随之调整与扩充,以最大限度地适应企业知识的发展。并且当知识库案例较少时,学习出来的规则可能不够理想,这时应该提示用户规则的局限性。

2.4 本体类的语义关系

在传统的检索推理系统中,通常采用关键字匹配检索的方式,而忽略了取值之间的语义关系,这种简单的处理往往是以牺牲推理效率为代价。在本文提出的可重构知识管理系统中,知识结构是基于本体的,企业用户可以设置本体类的属性为取值为实例的引用属性,并且定义本体类之间的各种语义关系以及同一语义关系下各取值之间的相似度权值。在集成推理框架中利用本体类的语义关系可以很好地改善推理效率,下面给出试飞阶段故障诊断类别在本体中的定义片断加以说明:

<owl:ClasSrdf:ID=″试-E,阶段故障诊断″>

<rdfs:sub Class Of>

<owl:Class rdf:ID=″故障诊断″>

</rdfs:sub Class Of>

<rdfs:comment rdf:dataType=″http//wwww3.org/2001/XMLSch ema#string″>

对飞机在试飞阶段出现的各种故障进行辅助诊断

</rdfs Comment>

</owl:Class>

<owl:Object Property rdfID=″机型″>

<rdfs:range rdfre so urce=″型号″/>

<rdfs:do mainrd:fresource=″#试飞阶段故障诊断″/>

</owl:Object Property>

<owl:Object Property rdf:ID=″故障件名称″>

<rdf:dataType=″http//wwww3.org/2001/XMLSchema#string″/>

<rdfs:do main rdfresource=″#试飞阶段故障诊断″>

</owl:ObjectProperty>

<owl:ObjectProperty rdf:ID=″所属系统″>

<rdfs:range rdfresource=″#系统″/>

<rdfs:do main rd:fiesource=″试飞阶段故障诊断″>

</owl:Object Property>

<owl:Object Property rdf:ID=″故障现象″>

<rdf:data Type=″http//wwww3.org/2001/XMLSchema #String″/>

<rdrs:domain rdf:resource=″#试飞阶段故障诊断″/>

</owl:ObjectProperty>

<owl:Class rdf ID=″发动机系统″>

<owl:union Ofrdf:parseType=″Collection″>

<owl:Class rdf:about=″#发动机主体″>

<owl:Class rdf:about=″#主燃料系统″>

<owl:Class rdf:about=″#滑油系统″>

<owl:Class rdf:about=″#燃油系统″>

</owl:unionof>

</owl:Class>

<owl:Class rdf:ID=″辅机系统″>

<owl:union Of rdf:parseType=″Collection″>

<owl:Class rdf:about=″#液压系统″>

<owl:Class rdf:about=″#冷气系统″>

<owl:Class rdf:about=″#操纵系统″>

<owl:Class rdf:about=″#着陆系统″>

</owl:union Of>

</owl:Class>

从这个本体结构我们看到试飞阶段故障诊断类别及其属性的定义,而且系统定义了两个联合关系即发动机系统和辅机系统,这样在案例推理中就可以理解这些语义关系。假定存在这样几个故障案例,案例#1的所属系统的取值为主燃料系统,案例#2的所属系统为燃油系统,而案例#3的所属系统为液压系统。由于系统定义了发动机系统的联合关系,主燃料系统和燃油系统隶属于这种关系,而液压系统和其他两个取值不存在语义关系,因此在这个属性权重上,案例#1和案例#2的相似度显然要高于案例#1和案例#3相似度,这和现实应用中的故障关系也是相吻合的。通过本体类的关系我们可以增加在语义上相近的属性取值的权重,从而提高了检索的准确度和效率。

本体类的这种语义关系不仅可以改进案例推理的相似度算法,也可以应用于规则定义与学习中。仍然以上面定义的联合关系为例,假定系统中存在这样四条规则,规则前件中的所属系统分别取值为发动机主体、主燃料系统、滑油系统和燃油系统时,规则后件故障分类都得到相同的结论,那么我们依据定义的关系完全可以将这些规则做综合处理,即规则前件中的所属系统的取值为发动机系统。这样的处理能够有效地提高规则匹配的效率。

2.5 应用实例

我们以VS.NET为开发工具、SQL Server 2000为后台数据库开发了一个基于本体可重构的知识管理系统。该系统主要包括本体建模、角色管理、流程管理(包括建模和监控)、知识访问门户(包括检索和推理)和个人工作台等模块,已经成功地应用于某生物制药企业,某农科院和某飞机设计研究院等多个领域,充分体现了系统的可重构性。本文所描述的案例推理与规则推理的集成推理方案,经过在某飞机设计研究院一年多的应用,很好地满足了企业知识经验积累和创新性设计的要求。现以试飞阶段故障诊断为例,简要说明其集成推理方案的执行流程。

首先用户在个人工作台上输入需要诊断的故障信息,包括飞机的机型、编号,故障件的名称、型号、所属部件或系统,故障现象、故障原因等等,系统便开始在试飞阶段故障规则中查找相匹配的规则呈现给用户,并详细列出该故障的类型,以及故障的模式,纠正的措施和处理的结论等等。如果用户认可这项诊断信息,则推理结束,系统将这次诊断案例放入企业案例库,并由案例学习规则模块再次巩固这项规则的正确性。否则,系统根据故障描述检索企业案例库,将找到的案例按相似度从大到小的顺序呈现给用户,辅助用户作出决策。同时,相关的案例和规则都将调整以更好地适应将来的需求。

3 结论

长期以来知识管理一直都是企业和学者所瞩目的领域,而知识管理系统又是企业实施知识管理成败的关键所在,本文简要介绍了一种基于本体可重构的知识管理系统,并重点阐述了该系统中的案例推理与规则推理的集成推理方法。在具体的应用中,我们看到这种集成推理技术很好地解决了案例库与规则库的复用和交互问题,提高了系统的效率和综合推理能力。目前系统在决策规则学习方面尚存在一些不足,例如处理案例的多值属性问题。关于这方面,目前我们正在进行研究。

摘要：传统上的知识管理工具往往在设计时就固定了知识结构,这样的系统不但缺乏通用性,而且也限制了知识检索与推理的效率。介绍一个基于本体的可重构知识管理系统,知识作为本体概念的对象实例,利用本体模型的可定制性,解决了以往知识类型不能扩展的问题。详细阐述了结合案例推理与规则推理的集成推理方法,通过规则学习算法支持了规则库的动态扩充与调整,并将本体类的语义关系应用于推理方法,进一步提高了推理的效率。最后介绍了该系统在某飞机设计研究院的应用情况和今后的研究方向。

关键词：知识管理系统,基于案例推理,基于规则推理,集成推理

参考文献

[1]GALLUPE B.Knowledge management systems:surveying the land-scape[J].International Journal of Management Reviews,2002,3(1):61-77.

[2]Andrew R,Golding,Paul S.Rosenbloom.Improving accuracy by com-bining rule-based and case-based reasoning.Artificial Intelligence,1996,87(1/2):215-254.

[3]Cui Yanping,Tang Zhenmin,Dai Haibing.Case-based reasoning andrule-based reasoning for railway incidents prevention.Services Systemsand Services Management,2005.Proceedings of ICSSSM'05.2005International Conference on Volume 2,13-15 June 2005,2:1057-1060.

[4]An Liping,Yan Jianyuan,Tong Lingyun.An Integrated Rule-based andCase-based Reasoning System for Customer Service Management.E-Business Engineering,2005.ICEBE 2005.IEEE International Con-ference on,2005:266-273.

[5]Wang Yinglin Wang,Hu Tao,Zhang Shensheng.Ontology-based Recon-figurable Case-based Reasoning System for Knowledge Integration[J].Systems,Man and Cybernetics,2003.IEEE International Conferenceon,2003,5:4878-4883.

逻辑推理方法小结第5篇

5）物体与其特定空间 6）特定环境与专门人员 7）整体与部分 8）种属关系

9）同一类属下的两个并列的概念 10）同一事物的不同称谓 11）同一对象的不同表达方式 12）别称、尊称或字号 13）音译名与中文名

2、类比推理的解题方法

其一、认真审题，弄懂词义与语义。这是选对类比推理答案的前提。

其二、紧扣题干的关系找选项。违背这一原则，易找错答案,尤其是填空类题型。

其三、排除干扰选项。如只有一对修饰词，而没有被修饰的对象时应将其排除，因为这是一对干扰选项。

3、题型解析（1）主旨概括题常见的提问方式：

1)这段话的主旨是……….2）这段话主要讲述的是…………….3）这段话主要谈的是….4）对这段话概括准确的是………..5）这段话的意思是在强调…………… 6）这段文字主要介绍了…………..核心技巧

1）转折后是重点句。如：但是、可是、只是、不过、然而、却、其实、事实上、实际上等等

2）结论后是重点。如：因此、所以、因而、可见、总之、言而总之、综上所述、概而言之等。

3）递进后是重点句。如：而且、并且、并、也、还、甚至、更等。

4）观点对策—首尾句是重点句。（2）意图推断题常见的提问方式：

1）这段文字意在说明 ……………..2）这段文字意在阐述…….3）这段文字意在强调……………

4）通过这段话，作者想要表达的是……

5）本文通过这段话最想要传达给读者的观念是……… 6）上面这段话最想表达的意思是……..7）这段话主要表达的主要观点是……….8）这段文字主要想说明的是……

9）通过这段话，我们可以知道…………..10）这段话告诉我们……..11）从这段文字中可以推出的是…..12）这段文字着重抒发这样我的感慨……….核心技巧： 1）通过文段的字面语句表达推断出作者的“言外之意” 2）通常会将文段的字面表达意思设为干扰选项 3）把握作者说话的目的、意图、初衷时要结合原文进行引申，不要过度的猜忌，导致与题目无关（3）细节判断题常见提问方式： 1）下列说法中正确的一项是………..2）下列说法中不正确的一项是…….3）下列说法中错位的一项是……… 4）根据上文我们可以推出…………..5）以下哪项不能退出？ 6）从上文的表述中我们可以得出…………… 核心技巧：

1）时态上的偷换

表示将来时态：将、要

表示过去时态：已、已经、过、了表示正在进行时态：着、正在 2）数量上的偷换

为数较多的数量概念：大多数、很多、许多、广大、广泛、一片、大量、大部分为数较少的数量概念：少数、少部分、少量、一小部分、某个等 3）话题上的偷换

确保选项与原文谈论的是同一件事情 4）概念上的偷换

注意表述要见的主题与选项中的主题是否一致，表达要见的主题与选项中的是否一致，表达要见的动作描述抑或转台是否与选项相匹配。5）逻辑上的偷换

（4）言语形式的逻辑判断题目通常以这样几种设问来分类：

1）结论型：一般要求分析出文字的论点

从这段文字可以推出（或得出）…….这段话告诉我们…..上述文字的结论是….2）假设型：补充提干陈述的前提，使整个推理更加充分，也就是完善整个论证过程，让整个论证过程严密完整。

以上论断所基于的假设是…….如果上述结论成立，下列哪个选项可以解释？

《推理案例赏析》之教学片断第6篇

一、创设情景, 引入问题

数学教学应当从问题开始, 教师首先提出问题.

师:我们已经知道前n个正整数的和为 $S_{1} (n) = 1 + 2 + 3 + \dots + n = \frac{n (1 + n)}{2}$ , 那么前n个正整数的平方和S2 (n) =12+22+32+…+n2=?

二、探索发现, 合情推理

生1:S1 (n) 是关于n的二次式, 于是猜想S2 (n) 是关于n的三次式, 令S2 (n) =an3+bn2+cn+d, 只要代进4组特殊值, 如n=1, 2, 3, 4, 即可算出a, b, c, d, 得到S2 (n) 的猜想表达式.

即

${\begin{cases} a + b + c + d = 1 ‚ \\ 8 a + 4 b + 2 c + d = 5 ‚ \\ 27 a + 9 b + 3 c + d = 14 ‚ \\ 64 a + 16 b + 4 c + d = 30 \end{cases} \Rightarrow a = \frac{1}{3}, b = \frac{1}{2}, c = \frac{1}{6} ‚ d = 0 .$

师:该生使用了类比推理的思想, 由S1 (n) 的形式, 类比猜想了S2 (n) 的形式.大家仔细观察一下S1 (n) , 猜想的形式可以再简化吗?

生2:其实, 在S1 (n) 中不含常数项, 不妨可猜想S2 (n) =an3+bn2+cn, 从而简化计算.

师:有人说细节决定成败.其实, 在数学上, 细节在很多时候决定计算的繁简, 对S1 (n) 的形式进行细致的观察, 在待定系数的运算中就可减少一个变量, 从而简化计算.

刚才, 生1和生2观察了式子整体, 由此产生猜想, 大家考虑一下, 有其他的切入点吗?能不能从部分入手?

生3:因为S1 (n) 的分子中含有因子n, 故猜想S2 (n) 的分子中也含因子n, 所以先运算一下 $\frac{S_{2} (n)}{n}$ , 当n=1, 2, …, 6时, 这几个数据的分母分别是2, 3, 6, 所以将他们改写成 $\frac{6}{6}, \frac{15}{6}, \frac{28}{6}, \frac{45}{6}, \frac{66}{6}, \frac{91}{6}$ , 即 $\frac{2 \times 3}{6}, \frac{3 \times 5}{6}, \frac{4 \times 7}{6}, \frac{5 \times 9}{6}, \frac{6 \times 11}{6}, \frac{7 \times 13}{6}$ , 所以猜想 $\frac{S_{2} (n)}{n} = \frac{(n + 1) (2 n + 1)}{6}$ , 得 $S_{2} (n) = \frac{1}{6} n (n + 1) (2 n + 1) .$

师:生3对于S2 (n) 的分子中含因子n的问题使用的是类比推理, 而对式子 $\frac{S_{2} (n)}{n}$ 的探索使用的是归纳推理, 在他的推理过程中合情推理的两种主要形式都有应用.

大家还有其他的想法吗?

生4:我有更简单的处理方法.因为我们已经知道了 $S_{1} (n) = \frac{n (n + 1)}{2}$ , 所以用S2 (n) -S1 (n) = (12-1) + (22-2) +…+ (n2-n) =1×2+2×3+3×4+…+ (n-1) n只要求出1×2+2×3+…+ (n-1) n即可.

(全班很多同学表示赞同)

师:那么1×2+2×3+…+ (n-1) n该怎么处理?

生4:令an= (n-1) n为数列通项, 即an=n2-n, 所以 $Σ_{i = 1}^{n} a_{i} = Σ_{i = 1}^{n} i^{2} - Σ_{i = 1}^{n} i$ , 那么

$S_{2} (n) - S_{1} (n) = Σ_{i = 1}^{n} a_{i} = Σ_{i = 1}^{n} i^{2} - Σ_{i = 1}^{n} i .$

(这时, 他发现这样变形是在循环论证, 有点不好意思.)

师:对于数列求和, 考察其通项这样想并没错, 但现在似乎此路不通.让我们再把思路理一下:为了解决12+22+32+…+n2的合情推理, 我们需要处理1×2+2×3+…+ (n-1) n, 怎么办?

生5:我想, 既然是对12+22+32+…+n2的合情推理, 那么, 对于1×2+2×3+…+ (n-1) n也可以用合情推理进行猜想.设T (n) =1×2+2×3+…+n (n+1) , 则对 $\frac{Τ (n)}{n}$ 进行归纳, 当n=1, 2, 3, 4…时, 就有 $\frac{Τ (n)}{n} = \frac{6}{3}, \frac{12}{3}, \frac{20}{3}, \frac{30}{3} \dots$ , 所以可猜想 $\frac{Τ (n)}{n} = \frac{(n + 1) (n + 2)}{3}$ , 则刚才的1×2+2×3+…+ (n-1) n可由合情推理得结果 $\frac{1}{3} (n - 1) n (n + 1)$ .故按这种方法 $S_{2} (n) = \frac{1}{2} n (n + 1) + \frac{1}{3} (n - 1) n (n + 1) = \frac{1}{6} n (n + 1) (2 n + 1)$ .这与前面的推理结果是一致的.

师:大家在面对1×2+2×3+…+ (n-1) n这个问题时, 已经能主动使用合情推理进行猜想, 这是一个由“认识工具”到“有意识地使用工具”的过程.当然, 类比推理和归纳推理只是对目标进行了猜想, 是合情推理, 有个人的观察和经验在里面, 这个结果要想作为结论使用必须进行证明.

三、演绎证明

生6:在等差数列求和中我们曾得到:

左右分别相加得:

所以, 由此解出

师:这位同学开始把当前的问题与已有的知识、经验联系起来, 对结果进行累加, 求法巧妙.

四、总结和反思

基于云模型的案例推理研究第7篇

知识库中只是推理的方法各不相同，因此在设计推理机的时候也会有很大的区别，但他们的主体思想是相同的，只是推理的过程中会涉及到许多的不确定性因素。如果运用模态逻辑来处理会增加推理的复杂度。这里我们对其中的不确定数据用云模型理论来处理，使模糊信息数量化，既增加了信息的可读性又能在推理过程中更方便的处理，也减轻了推理的压力。推理按照作用的层次即AI (Artificial Intelegence) 系统的地位知识大体可分为两大类

定义设U是一个论域U={x}，T是与U相关联的语言值。U中的元素x对于T所表达的定性概念的隶属度CT (x) （或称x与T的相容度）是一个具有稳定倾向的随机数，隶属度在论域上的分布称为隶属云，简称云。

CT (x) 在[0, 1]中取值，云是从论域U到区间[0, 1]的映射，即

对于社会和自然科学的大量事实，其数据隶属云的期望曲线近似的服从正态分布，因此，通常研究正态隶属云（正态云）的性质。正态云一般表示为 (Ex, %En, %He%) ，Ex表示定性概念或理想值，它是正态云的中心；En是熵（方差），但它同时也是He的期望值或中心值，它是用来衡量概念模糊程度的尺度，是衡量带宽的唯一标准；He是超熵（熵的熵），它反映了En的不确定程度，体现了云的离散程度。这三个特征值是云理论的主要框架，利用这三个值，定性概念就可以用云模型表示。

基于云模型的对象型知识推理

随着面向对象技术的应用和发展，面向对象的知识表示和推理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进行知识推理的方法，都可以称为面向对象型

知识推理（OOKR, Object oriented knowledge reasoning）。OOKR借

助面向对象的抽象性、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。

1、对象类的定义

对象类的组成：类名、属性名、函数与其他对象的类系。如下所示：

Class<类名>：[<超类名>]

Attribute<对象的静态结构描述>

Method<对象操作方法的定义>

例如：建立车辆的知识库，可定义"卡车"对象类如下：

2、基于云模型的案例推理

案例推理是一种类比推理方法，案例知识库和推理机是案例推理专家系统的两个重要组成部分。它提供了一种了类似于人的思维模型的建造专家系统的新的方法学，这与人对自然的求解相一致，它强调这样的思维，人在解决问题时，常常回忆过去积累下来的类似情况的处理，通过对过去类似情况的处理的适当修改来解决新的问题。过去类似的情况及处理技术被称为案例，过去的案例还可以来评价新的问题及新问题的求解方案，并且对可能的错误进行预防。

对于空调调温这个案例，例如：空调的温度32度，温度太高了。"太高了"这个语句没有一个明确的界限。我们建立这个语句的云模型，对案例进行处理后，推理的效率更高。如果我们说"空调的温度24度，温度太高了"，这时，我们由"温度太高了"的云模型判断这个案例是错误的。

基于云模型的案例推理（见图1）的知识库系统有自己的推理方法，它是将过去对问题的求解案例按一定的组织方式存储在案例库中, 当用户输入待求解的新问题时，系统首先针对人机界面输入的问题进行分析，看看能否用云模型理论来处理，如果不能用云模型处理，说明此案例不存在不确定性，可信度为布尔值，直接与案例库中的检索案例进行对比，判断其对错。如果能用云模型处理则进行云模型处理，再与检索到的案例进行比较，如果可靠的话，进入正常推理，并将此案例加入到案例库。如果新案例与案例库中的案例不符，则说明此案例匹配失败，删除此项新案例。初始案例库中的案例数量是有限的，在系统投入运行后通过不断学习，加入新案例进行知识积累，最终以求获得更好的案例检索结果。

3、结束语

基于云模型的案例推理技术尝试将叙述能力、知识整理进行融合，对有关问题的事件或案例的知识进行萃取。基于云模型的案例推理从认知上来讲是一种合理的推理模式，是一种建立智能系统的方法。

摘要：本文首先介绍了基础的对象型知识推理形式, 把对象型知识推理又细分为面向框架和面向案例两种。在此基础上对这几种推理引进云模型理论, 从而使得推理过程更接近于人的思维, 虽然与原来相比在一定程度上增加了推理的繁琐度, 但得到的推理结果更符合实际要求。

关键词：云模型,框架推理,案例推理

参考文献

[1]李德毅, 孟海军, 史雪梅.隶属云和隶属云发生器.计算机研究与发展, 1995

[2]李德毅.知识表示中的不确定性.中国工程科学, 2000, 10:75-76

基于案例推理的认知自学习引擎第8篇

认知无线电技术作为无线通信领域与人工智能领域相结合的产物[1],近年来受到极大关注。认知决策引擎是认知无线电CR(Cognitive Radio)实现其智能的核心功能模块,决策引擎以CR观察到的外界无线环境、CR自身状态和用户需求信息为输入,对目标和情境进行分析,根据已有知识进行推理、决策,输出达到用户需求的优化配置,同时能够学习不同配置在新环境下的效用,从而丰富系统知识,以适应环境和需求的变化[2]。

当认知无线电可以通过观察获得需要的所有环境知识(表示为c),且用户需求u与环境c和配置d之间的定量关系u=f(c,d)已知时,将认知决策的过程建模为一个优化问题[3],即在给定的环境c下,寻找最优配置决策d,使性能u最大(或寻找某个配置决策d,使性能u得到满足)的情况。参考文献[4]使用遗传算法对CR中多目标优化问题进行了研究,参考文献[5]将粒子群优化算法应用在认知引擎的决策问题中,参考文献[6]考虑遗传算法中参数敏感度对不同目标的影响,进一步提升了优化效率。然而,在实际应用中,CR可直接观测得到的环境参数有限(比如信道统计特性等无法直接观测得到),且系统可能面临各种不同的传播环境、动态接入不同频段的信道,输入c和u与输出d的关系很复杂,函数f无法事先确知。此时,认知无线电需要通过不断地学习来理解并适应环境。目前,针对环境部分可观测、精确函数f未知下的认知决策系统研究才刚起步,参考文献[3]简单举例说明了学习在解决这类问题当中的关键作用,但尚未有相关系统的研究成果出现。

本文针对这类问题,研究基于案例的推理决策问题,提出基于案例库的认知决策引擎。文中所提决策框架具有自学习、多状态多目标通用性强、快速收敛等特点。

1 CBR简介

基于案例的推理模仿人类的思维方式,直接援引以前积累的经验和知识解决现在的问题,同时将当前问题及解决结果补充为新知识,从而实现自主学习和增量学习。

通常,CBR系统的运作过程可以概括为“4Rs”(如图1所示):

(1)检索(Retrieve):分析当前面临的新问题,定义新问题的特征或属性,在案例库中寻找对解决当前问题有最大潜在启发价值的旧案例;

(2)重用(Reuse):以相似案例为基础,通过自适应的调整,构造新问题的解决策略;

(3)修订(Revise):执行并验证当前策略;

(4)存储(Retain):将有参考价值的经验案例存储到案例库中。

其中,检索和重用属于推理阶段,修订和存储属于学习阶段,学习的过程将以往的决策经验以案例的形式进行积累,使系统知识不断丰富,以提高未来推理的效能,从而在面对新问题时能够做出更好的决策。

2 基于CBR与模拟退火的自学习认知决策算法

认知引擎的输入变量包括用户的目标需求、观测到的无线环境变量以及CR自身状态,三者共同影响认知引擎的配置决策。为了使CR通信案例库具有广泛的可借鉴性,为不同目标、不同状态的CR决策提供参考,构建如表1所示案例库。其中条件属性包括观测的无线环境特征和自身状态(如当前信道是否空闲、最大发射功率、可选的调制编码方式等),用于描述问题发生的场景或情境。决策属性为CR所作的一些反应,包括信道、发射功率、调制方式、编码方式、数据包长等配置参数。结果为在不同条件属性下,相应配置所带来的不同目标的实际性能,如误比特率、吞吐量、频谱效率、存活时间等。

2.1 分层案例检索机制

案例检索过程分析当前面临的新问题,定义新问题的特征或属性,在案例库中寻找对当前问题的解有最大潜在启发价值的旧案例。认知通信决策的新问题Pm可以用Pm={Cm,Objm}来表示,其中为条件属性集,代表当前某一项无线环境或自身状态特征的值;Objm表示当前通信目标(可以是单目标,也可以是组合多目标),表征当前的用户业务需求。

根据当前问题描述{Cm,Objm},采取如下算法寻找最优经验案例。

算法1:案例检索

第1步:统计最优信道检索

(1)对所有案例n∈serch_set(待搜索案例集合),根据Objm计算案例效用Vmn(使用式(1));

(2)根据信道对案例进行分类,对于所有信道W∈chan_set (待搜索信道集合),sase_set_w={信道配置为w的案例},计算每一子集中优良案例的效用均值Egw[V](使用式(2));

(3)搜索最优信道[V];

(4)感知该信道是否占用,占用则chan_set=chan_set{w*},重新进行步骤(3);空闲则进入配置决策阶段。

第2步:最优配置案例检索

(1)初始化待搜索案例集合serch_set=case_set_w*,对所有n∈serch_set的案例,根据{Cm,Objn}计算效用Umn(使用式(4));

(2)搜索最优案例n*=argmaxn∈serch_ser{Urrn},提取案例n*的所有配置向量Dn*;

(3)检验配置向量Dn*是否满足当前条件Cm的约束限制,不满足则serch_et=serch_set{n*},重新进行步骤(2);满足约束则检索结束。

该检索算法的补充解释:

案例n对当前服务需求的适应度用式(1)获得:

其中为案例n的结果向量。I(Objm,Rn)为指示函数:如果Rn满足Objm的约束项,I(Objm,Rn)=1,否则I(Objm,Rn)=0。G(Objm,Rn)根据Rn计算当前Objm最优化目标的取值(最优化目标可以是单目标,也可以是乘性目标或线性加权目标)。显然,使用式(1)根据案例结果可以计算任意形式通信目标的适应值。

在案例适应度基础上计算选择该信道的并具有优良配置的案例效用均值:

其中,表示集合case_set_w中优良案例构成的子集。Ngw和Nw分别代表各自集合的元素个数。

配置检索的目的在于从案例库中找到能够帮助解决当前所描述问题的经验配置。因而检索过程应当注重两个方面,一是案例场景的相似性,二是原有决策方案对当前目标的收益值。鉴于此,案例检索需要计算场景相似度和目标函数适值。

为获得较准确的场景相似度,首先对各条件属性规范化处理,以避免不同量纲及不同取值空间对相似性度量的影响。归一化的条件属性与分别是第i个决策变量的最大值与最小值。则对于给定问题{Cm,Objm},案例的场景相似度:

最终,经验案例的效用:

其中α,β为权重调节因子。

2.2 基于模拟退火思想的案例调整

通过CBR机制检索案例获取的解决方案,并不一定能满足当前业务需求(即便满足需求也很有可能是次优解)。本节将介绍一种结合检索机制与模拟退火思想的案例学习调整算法。这种基于启发式智能的案例自适应方法无需领域知识,具有很好的全局搜索能力。为了实现该算法,对案例库中每个案例增加一项温度属性,且案例生成时t=1。对搜索出的最优案例n,进行如下自适应算法。

算法2:案例自适应

(1)初始化参数λ<1,p<1,θ<0.5;

(2)令t=tn,更新经验案例温度tn=λtn;

(3)对除信道外的第j个配置属性dj,以概率p决定是否调整;

(4)对于需要调整的属性:;

(5)检验配置向量Dn是否满足当前条件Cm的约束限制,不满足则重新进行步骤(3);否则输出配置向量。

其中,参数λ(0<λ<1)用于控制退火速度,λ越小则收敛越快;p(0

通过调整产生的最终方案将输出给终端指导重配置,并记下实际的性能结果,形成新案例存储入案例库。在案例调整过程中,对每个被检索出来的最优案例的温度系数进行等比退火处理,可以达到以下目的:一方面,多次被检索到的最优案例的温度等比下降,从而对其配置的调整幅度将逐渐减小;另一方面,调整过程中一旦出现比当前解性能更优的新配置方案,新案例将取代原有案例被检索出来,重新进入等比退火过程。最终,学习过程使得配置方案逼近于最优。

3 应用实例与结果分析

本小节采用仿真实验手段,验证并分析所提算法的学习与决策性能。仿真场景如下。

电台性能方面:电台发射功率10dBm～23 dBm(10 mW～200mW),接收灵敏度为-83 dBm;四种可选调制方式:BPSK、QPSK、16QAM和64QAM;最大包长度为4 095 B,数据报文同步与控制开销设为0.3ms。传播环境方面:考虑6个独立信道,分别由1～6编号;带宽分别为:2 MHz、4 MHz、5 MHz、3 MHz、6 MHz、2 MHz;考虑到不同频段和传播路径下的传播损耗与衰减不同,假设信道路径损耗因子分别为2.5、3、3.5、3.5、2.5、2;信道空闲概率分别为0.5、0.7、0.6、0.8、0.75、0.75。

首先,以最大化吞吐量的通信目标为例,对学习算法的收敛性能进行分析验证。图2给出了在上述场景下,不同退火系数下的吞吐量性能曲线。其中,p=0.25,θ=0.3,退火系数λ分别为0.3和0.8。由图2中可以看出,算法具有快速收敛性(决策100次左右,算法已经能够获取可观的性能),且退火系数越小,温度下降越快,收敛也越快,但过快收敛的代价是性能次优;而反之,过大的退火系数能够带来更优的吞吐量,然而收敛速度相对较慢。在接下来的仿真中,取λ=0.5。

为验证本算法对于不同通信目标的广泛通用性,考虑两种典型通信目标。目标1:最大化系统吞吐量;目标2:在保证系统吞吐量大于4Mb/s前提下,最大化频谱能效。仿真结果如图3所示。对于通信目标1,随着案例经验的累积,其学到的知识也日益丰富,因而系统吞吐量性能越来越好(如图3左上所示),但其频谱效能并未得到提高(图3左下)。对于通信目标2,在配置决策满足吞吐量的目标要求下(图3右上),系统的频谱效能随着决策的进行逐渐提高(图3右下)。仿真结果表明本算法可以满足不同的目标需求。

图4为功率参数调整曲线。如图,当通信目标为最大化用户吞吐量时,尽管系统不知道功率越大则吞吐量越大的这种先验知识,但是通过不断学习,系统不断调整其发射功率,使其逼近于最大发射功率23 dBm。另一方面,对于最大化频谱能效的用户而言,功率将被调整到一个适合的大小。

图5和图6分别统计了两种目标下,不同信道和不同调制方式被应用的概率。针对通信目标1,CR首选信道5并采用16QAM的调制方式(5信道带宽大且传播损耗相对较小),而针对目标2,CR首选信道传播损耗最小的信道6,并应用调制阶数最高的64QAM调制方式。

本文针对认知无线电中环境部分可观测,信道统计信息先验未知,且系统的目标、环境与配置间的关系不明确,需要通过学习进行配置决策的问题,提出了一种基于案例推理和模拟退火思想的认知决策引擎算法,理论分析和仿真结果表明,该算法具有增量自学习、多目标适用性、快速收敛等优点。案例库有广泛借鉴性,可实现在不同节点间相互学习的功能,下一步可研究关于多节点合作的学习引擎的实现方法,如何应用数据挖掘的方法从案例库中提取出有用知识的问题也有待进一步研究。

摘要：认知无线电与传统无线电的最大区别在于其能够感知环境,主动去学习、适应环境。近年来,对于认知无线电的研究主要集中于多目标优化的配置决策问题。但实际的通信系统可观测到的环境参数有限,且输入输出关系复杂,需要认知无线电通过学习来理解并适应环境。针对上述问题,提出了一种基于案例推理和模拟退火思想的认知决策引擎算法。仿真结果表明,该算法具有增量自学习、多目标适用性、快速收敛等优点。

关键词：认知无线电,认知引擎,人工智能,案例推理,模拟退火算法

参考文献

[1]MITOLA J.Cognitive radio-making software radios more personal[J].IEEE Personal Communications, 1999,6(4):13-18.

[2]汪李峰,魏胜群.认知引擎技术[J].中兴通信技术, 2009,15(04):05-09.

[3]CLANCY C,HECKER J,et al.Application of machine learning to cognitive radio networks[J].IEEE Wireless Communications,2007,14(4):47-52.

[4]RIESER C J.Biologically inspired cognitive radio en- gine model utilizing distributed genetic algorithms for secure and robust wireless communications and networking[D]. ??Blacksburg,VA,USA:Virginia Polytechnic Institute and State University,2004.

[5]赵知劲,徐世宇,郑仕链,等.基于二进制粒子群算法的认知无线电决策引擎[J].物理学报,2009,58(7):5118- 5125.

基于案例推理的工程造价估算研究第9篇

1982年美国耶鲁大学的资深教授Roger Schank提出了案例推理理论 (CBR) , 之后由Kolodner J L教授完成实际应用。主要过程是模仿人类的大脑思维模式, 快速而准确的对每一问题进行分析并提出解决办法, 广泛应用于工程咨询方面, 尤其是知识管理这一领域。

案例推理的基本原理是, 把以往问题的解决过程按照一定方式储存在案例库中, 根据用户输入的问题, 在案例库中进行搜索, 如果没有搜索到与问题相符的案例则返回到问题描述环节, 对问题进行检查修改;如果搜索到了符合问题的工程案例, 对搜索出来的多个案例进行比较, 将相似度最大的价格案例进行整合, 得到最为符合问题的解决方案。如果用户满意这个方案, 则将其输出, 并进行完整的描述, 形成问题案例储存到案例库;如若不然, 则需要根据实际情况返回问题描述环节或方案整改环节, 重新对问题进行解答。

二、基于案例推理的工程造价估算系统设计

(一) 系统结构

系统结构如图1所示。管理人员可以根据不同需要通过人机接口对案例进行编写、输入、修正、输入、储存、输出。用户可以在案例描述模块对需要搜索的案例特征进行编写, 之后通过案例搜索模块, 进行案例相似度计算。如果搜索出的案例与用户输入特征不符时, 需要对案例进行适当地调整。搜索出的案例只是一种参考, 需要评估者做出最终的调整, 并对其进行评估和学习。

(二) 案例表示

如何表示案例是案例推理技术 (CBR) 的主要研究问题.案例表示包括许多问题, 例如, 案例是什么;案例库中需要怎样的信息;案例的描述结构如何选择;为了使重复检索更为顺畅, 该如何对案例库中的内容进行编排和搜索。

以往的案例通常使用框架的方式进行表示, 随着需要检索的案例增多, 使旧的框架无法满足新的特征, 导致搜索出来的信息过度陈旧。基于案例推理的工程造价估算系统具有良好的时效性、广泛性、规范性、独立性, 在概念的划分上清楚明了, 有较好的推理能力, 可以更完善的将案例表达出来, 并被用户使用。值得注意的是, 当案例的知识结构发生改变时, 系统还可通过自身的更新来调整。

(三) 案例库

案例库是储存案例的机构, 其作用是为案例描述和案例搜索提供数据支持。案例库中储存的大多是企业典型的竣工案例, 这些案例包括工程的基本特征和工程估算的经济标准等信息。

工程造价估算案例库中的每个案例都有两部分组成, 一是问题, 二是问题的解决组成序列, 因素列是工程项目描述的特征, 主要包括工程案例的相关信息, 是案例的主要组成部分。对工程造价来说, 对其影响较大的特征有许多, 例如, 建构的类型、建筑的面积大小、建筑层数多少、每层的高度、具体建设地点、建设周期等。

(四) 案例模块

案例的模块主要分为四部分。第一部分是模块描述检索功能, 主要负责将案例的信息表达出来, 通过人机接口获得工程的基础信息, 将用户提出的特征转述成与案例库中的案例相似的形式, 对用户的案例特征搜索起着辅助性的作用。第二部分是案例检索功能, 案例的检索是案例推理技术的关键内容, 其核心是检索机, 主要是对检索的方法进行策划, 使用封装检索法, 对案例进行更为细致的检索。第三部分是案例模块调整功能, 其主要负责对相似的工程造价估算案例进行调整和整合, 根据用户需要的工程特征与从案例库中检索出相似的案例之间的差异, 对已检索出的案例进行调整, 从而得到与用户需要的案例特征最为相近的工程估算。第四部分是案例模块学习功能, 由于案例库中原始的案例有限, 需要实时的加入新的工程案例, 从而丰富工程案例库的内容。与此同时, 要注意案例的相同率, 避免重复加入, 造成案例库的负担。案例库需要不断地更新, 保证案例库可以又快又准的进行推理。案例模块的学习功能是, 加入案例库中没有的案例;加入与原有案例相似度低的案例;舍弃案例库中原本存在的案例。

三、结束语

综上所述, 本文对基于案例推理的工程造价估算系统进行设计, 经实验证明本系统具有实用性。这个系统与传统的工程造价估算相比更为便捷、高效, 具有很大的使用价值, 不仅可以为工程建设提供有利的科学依据, 而且还可以降低工程造价估算的风险。所以基于案例推理的工程造价估算系统应得到进一步的完善和普及, 将工程施工前的估算做到尽善尽美, 提升企业的经济收益和社会效益, 进一步促进我国工程造价系统的进步与发展。

参考文献

[1]刘伟军, 刘琼.基于案例推理的道路工程造价估算模型研究[J].公路与汽运, 2012 (4) :249-252.

[2]乔曙.基于案例推理的工程造价估算探讨[J].建筑工程技术与设计, 2015 (4) :197-197.

案例推理方法第10篇

基于案例的推理[1](Case-Based Reasoning, CBR)是人工智能中一种新的推理技术,它使用以前解决类似问题的经验进行推理,从而得到当前问题的求解结果,适用于有丰富经验和大量历史记录的领域[2,3,4]。与基于规则的诊断推理相比,基于案例的诊断推理需要检索的是现场发生的故障案例,大大减小了知识获取的难度,在诊断对象的故障与案例之间不完全匹配时,也能给出相似的解。

离心压缩机、透平等是石化企业中的大型旋转机械,其结构复杂,许多故障现象难以用结构化的知识描述,提取大量完备的故障诊断知识并转化为规则难以实现,采用基于规则的推理诊断方法不能取得较好的效果。企业中在对离心压缩机进行故障检维修作业时,通常要记录机械的型号、故障部位、故障现象、故障原因、维修措施等信息,经过长时间的积累,这些检维修与故障诊断记录成为一项宝贵的财富,是维修人员与诊断专家经验知识的反映。但由于这些记录冗多繁杂,相互之间没有有机的联系,不利于故障诊断人员参考,当再次发生相似故障时,很难快速地找到相似的检维修记录,诊断的效率与准确性无法提高。因此,将CBR方法应用于旋转机械故障诊断中,可以避开规则难以提取,知识获取困难等问题,而且诊断结果是具体案例,易于理解及接受。

对旋转机械故障案例库的构建,案例相似度匹配,及案例的调整和学习等关键问题进行了研究,逐步实现了基于CBR的故障诊断原型系统。

1 故障诊断系统的总体结构

基于CBR的故障诊断原型系统的总体结构如图1所示。

主要部分的功能描述如下。

(1) 目标案例征兆及基本信息输入:

主要完成公司、分厂等基本信息和目标案例征兆集的输入工作,在输入的过程中,用户通过用户界面与旋转机械字典数据库交互,以使得输入的知识描述准确。

(2) 旋转机械字典数据库:

知识库的一部分,知识库是整个系统的一个核心。字典数据库存储的是旋转机械的结构知识、企业相关信息、故障原因、故障征兆等,通过将这些知识统一编码,可以使得用户对案例征兆集及基本信息的描述准确,不影响检索。

(3) 故障案例库:

知识库的一部分。主要存储用于案例推理的故障案例知识。

(4) 知识库管理及维护:

主要完成对案例库、字典数据库的添加、修改、删除等工作,检查并删除案例库的冗余案例,对案例征兆的权值进行必要的调整。

(5) 案例推理系统:

是整个系统的另一个核心。从案例库中检索出与目标案例相似的源案例,进行案例重用,当相似案例不完全适合目标案例的求解时,则进行案例调整,得到合适的解决方案,生成目标案例的故障诊断结论及维修建议。

(6) 案例学习系统:

通过本文制定的案例学习机制和学习策略,对案例进行审核,确定案例是否有必要保存入案例库。

2 案例库构建

2.1 案例表示

案例表示就是将案例的内容用合理结构表示出来,应该对案例发生时的具体情况进行尽可能详细的描述,并且有利于案例的检索和匹配[1]。通过对旋转机械故障情况的具体分析,确定旋转机械故障案例可表示为如下的多元组:

$C = 〈 Ι, E, S, F, A 〉 (1)$

式(1)中各元素的含义如下

(1) I 表示案例编号,是案例的唯一标识;

(2) E={e1,e2,,er},表示案例基本信息的集合,主要包括案例名称、公司名称、分厂名称、机组名称、案例发生时间、案例审核状态等;

(3) S={s1,s2,,sm},表示案例的征兆集,由于征兆信息可能收集不全,造成征兆值缺失,所以,不同的案例征兆集的长度m可能不同。征兆集中任一征兆

$s_{j} = {s n_{j}, s v_{j}, s w_{j}} (j = 1, 2, \dots, m) (2)$

式(2)中,snj表示一个征兆名称的编号,且当i≠k时,sni≠snk,即征兆集中征兆名称不重复;svj表示一个征兆值的编号;swj表示征兆权值,即该征兆对案例的重要度,且 $\sum_{j = 1}^{m} s w_{j} = 1$ 。

根据征兆名称编号和征兆值编号可以从字典数据库中获取相应的征兆名称和征兆值。其中,征兆名称表和征兆值表分别如表1和表2所示。由于篇幅限制,表2只给出了部分征兆的征兆值及编号。

征兆权值对于相似案例的检索起着非常重要的作用,本文下一节将给出征兆权值swj的确定方法。

(4) F={f1,f2,,fk},是有限非空集合,表示案例的故障集,由故障编号组成,由于一个案例发生时可能存在多种故障,所以故障集的长度k不定。根据故障编号可以从字典数据库故障表中获取相应的故障名称。

(5) A={a1,a2,,al},表示案例附件的集合,其中aj(j=1,2,,l)表示一个附件,可以为:诊断分析过程的文档、图谱、数据,检维修记录等。使用附件集合可以将案例中许多难以结构化表示的重要信息保存入案例中,提高案例解决问题的能力。

2.2 案例故障征兆权值的确定

由于哪个征兆重要随着不同故障案例的具体情况不同而变化,所以无论是目标案例还是案例库中的源案例都需要根据各自案例发生时的具体情况确定征兆权值,而层次分析法[5]能将人们主观的判断进行量化描述,所以用该方法来确定征兆权值更为合理有效。然而,传统的AHP法存在一些缺陷[6,7]:当问题复杂,因素较多时,通过因素两两比较构成的成对比较矩阵可能不满足一致性要求,传统的AHP法采用19标度法对因素间的相对重要性进行量化,分级太多,人们不容易把握。

所以现在采用改进的基于三标度的层次分析法[7]确定故障征兆权值,该方法得出的判断矩阵自然满足一致性要求,不需要进行一致性检验和成对比较矩阵调整,利用三标度法对因素间的相对重要性进行量化很容易操作,使用者可以快速准确地做出判断。具体步骤如下。

2.2.1 建立层次结构模型

根据本文提出的案例表示方法,提出如图2所示的层次结构模型。

2.2.2 构造成对比较矩阵

依照第一步建立的层次结构模型,构造各层次的成对比较矩阵。由于建立的层次结构模型中准则层只有一个因素,所以只需构造对象层的成对比较矩阵,将对象层各个征兆之间的相对重要性进行两两比较,采用三标度法进行量化,得到成对比较矩阵

$A = [\begin{matrix} a_{11} & a_{12} & \dots & a_{1 m} \\ a_{21} & a_{22} & \dots & a_{2 m} \\ ⋮ & ⋮ & ⋱ & ⋮ \\ a_{m 1} & a_{m 2} & \dots & a_{m m} \end{matrix}] (3)$

式(3)中,各元素aij的含义如表3所示,且有,aii=1,aij+aji=2

2.2.3 将成对比较矩阵转化为一致性判断矩阵

① 计算比较矩阵的各行元素之和

$r_{i} = \sum_{j = 1}^{m} a_{i j} (i = 1, 2, \dots, m) (4)$

② 令rmax=max{r1,r2,,rm},rmin=min{r1,r2,,rm},用极比法构造一致性判断矩阵C=(cij)mm,其中若rmax=rmin,则cij=1;

若rmax≠rmin,则cij=(ri/rj)lgRck。

式中,i=1,2,,m,j=1,2,,m,R=rmax/rmin为极比,ck为预先给定的极差元素对[7]的相对重要程度,本文中取ck=9。

2.2.4 征兆权值的计算

构造出判断矩阵后,求出判断矩阵最大的特征值对应的特征向量w,特征向量归一化后即为单排序权值向量sw,即对象层中的各征兆相对于准则层的案例征兆集的相对重要性权值。由于建立的层次结构模型中准则层只有一个因素,所以单排序权值向量也就是层次总排序权值向量,即各征兆相对于案例故障的权值。

2.3 案例索引与存储

案例索引就是能将案例与其他案例区分开来的属性特征的集合[8,9],当案例库的规模很大时,利用有效的案例索引可以快速缩小案例检索范围,提高检索速度。目前常用的案例索引有:归纳索引、知识引导索引等。根据旋转机械故障案例的特点,对旋转机械故障案例库采用两级索引结构。

1) 由于石化企业的组织具有集团分公司分厂装置的层次性,因此通过归纳分析,选择在案例的集团、分公司、分厂等基本信息上建立索引,这是本文建立的第一级索引,它将故障案例库划分成层次结构。

2)经过第一级索引检索,将得到与企业信息相关的案例集,利用知识引导索引进一步筛选,由旋转机械故障诊断知识的特点[10]可知,根据主导特征频率,可以大致区分可能的故障原因,在许多场合可排除一大部分或部分故障原因,因此主导频率征兆的取值对于案例检索起着重要的作用,本文将主导频率的征兆值作为第二级索引,对基于第一级索引检索出来的候选案例集进行筛选,将其中与目标案例的主导频率征兆值不同的案例排除掉,得到经过筛选的候选案例集,把目标案例与这个案例集中的案例进行相似度精确匹配,可以得到最相似的案例。

由于关系数据库具有强大而成熟的数据管理功能,现选择关系数据库来建立旋转机械故障知识库,可以方便地对知识进行检索、浏览、添加、修改、删除等操作,极大简化系统管理和维护的难度。

3 案例相似度匹配

目前常用的案例检索方法是最近邻法[8],它基于案例的相似度进行检索。

令D与C分别为目标案例和案例库中某一源案例,S={s1,s2,,sm}为案例征兆集,传统的最近邻法相似度计算函数为

$s i m (C, D) = \sum_{i = 1}^{m} s w_{i} s i m (s_{i}^{C}, s_{i}^{D}) / \sum_{i = 1}^{m} s w_{i} (5)$

式(5)中,swi为案例第i个征兆的权值,且 $\sum_{i = 1}^{m} s w_{i} = 1 ‚ s i m (s_{i}^{C}, s_{i}^{D})$ 源案例C的第i个征兆和目标案例D的第i个征兆之间的局部相似度,s $_{i}^{C}$ 和s $_{i}^{D}$ 为源案例C和目标案例D在第i个征兆上的取值。

由式(5)可以看出,传统的最近邻算法并没有考虑两个案例在征兆集结构上可能存在的差异,要求相比较的两个案例具有相同长度的征兆集,且对应的征兆具有相同的名称和权值。利用式(5)将很难准确地度量本文设计的案例的相似性。

为此,提出了一种改进的最近邻相似度计算方法,令目标案例D的征兆集为SD={s $_{1}^{D}$ ,s $_{2}^{D}$ ,,s $_{n}^{D}$ },源案例C的征兆集为SC={s $_{1}^{C}$ ,s $_{2}^{C}$ ,,s $_{m}^{C}$ },且两个征兆集的长度不等,即n≠m,任一征兆由征兆名称sn、征兆值sv、权值sw三部分构成,则改进的最近邻相似度计算函数为

$\begin{array}{l} s i m (C, D) = \sum_{i = 1}^{u} s w_{i}^{D} s i m_{v} (s_{i}^{C}, s_{i}^{D}) s i m_{w} (s_{i}^{C}, s_{i}^{D}) / \\ \sum_{i = 1}^{n} s w_{i}^{D} (6) \end{array}$

式(6)中,u为目标案例征兆集SD与源案例征兆集SC中名称相同的征兆的个数;sw $_{i}^{D}$ 为第i个名称相同的征兆在目标案例中的权值,且 $\sum_{i = 1}^{n} s w_{i}^{D} = 1$ ;simv(s $_{i}^{C}$ ,s $_{i}^{D}$ )为第i个名称相同的征兆在征兆值上的局部相似度;simw(s $_{i}^{C}$ ,s $_{i}^{D}$ )为第i个名称相同的征兆在权值上的局部相似度;sim(C,D)为两个案例的相似度,0sim(C,D)1,两个案例越相似,相似度越大,当案例完全不同时,相似度为0。

改进的最近邻相似度的计算过程为:

1) 首先,选出源案例和目标案例征兆集中名称均相同的征兆,针对每一个名称相同的征兆,分别计算其在征兆值上的局部相似度和在权值上的局部相似度,将两者的乘积作为两个案例该征兆总的局部相似度;

2) 然后,由于目标案例中各个征兆的重要度不同,各征兆局部相似度在案例整体相似度计算中所起的作用也应该不同,所以将所有名称相同的征兆的总的局部相似度进行加权求和,权值采用目标案例在该征兆上的权值,最终确定源案例和目标案例的相似度。

3.1 征兆值局部相似度的定义

征兆在征兆值上的局部相似度的定义与传统最近邻法局部相似度定义相同,本文案例表示中征兆值的数据类型为符号枚举型,所以征兆值局部相似度定义为

$s i m_{v} (s_{i}^{C}, s_{i}^{D}) = {\begin{matrix} 1 ‚ & s v_{i}^{C} = s v_{i}^{D} \\ 0 ‚ & s v_{i}^{C} \neq s v_{i}^{D} \end{matrix} (7)$

式(7)中,sv $_{i}^{C}$ 和sv $_{i}^{D}$ 为源案例C和目标案例D在第i个名称相同的征兆上的取值,simv(s $_{i}^{C}$ ,s $_{i}^{D}$ )为两个案例第i个名称相同的征兆在征兆值上的局部相似度。

3.2 权值局部相似度的定义

为了度量两个案例中名称相同的征兆的权值的相似性,定义权值局部相似度如下

simw(s $_{i}^{C}$ ,s $_{i}^{D}$ )=1-|sw $_{i}^{C}$ -sw $_{i}^{D}$ | (8)

式(8)中,sw $_{i}^{C}$ 和sw $_{i}^{D}$ 为源案例C和目标案例D的第i个名称相同的征兆的权值,simw(s $_{i}^{C}$ ,s $_{i}^{D}$ )为第i个名称相同的征兆在权值上的局部相似度,其取值范围在[0,1]之间,征兆在两个案例中的权值越接近,则权值局部相似度越大,当权值相同时,权值局部相似度为1。

以表4中两个案例分别为目标案例和源案例,采用改进的最近邻法计算两者相似度。首先,选出两个案例中征兆名称相同的征兆,共有三个:主导频率、伴随频率、轴心轨迹。然后,针对每一个名称相同的征兆,分别按照式(7)和式(8)计算其在征兆值上的局部相似度和在权值上的局部相似度,该征兆总的局部相似度为两者乘积,结果如表5所示。

最终得到源案例和目标案例的相似度

sim(C,D)=0.850.47+0.850.47+0.980.06=0.85。

从表4可以看出,目标案例的三个征兆在源案例中具有相同的征兆值,权值较为接近,但源案例比目标案例多一个征兆:振动稳定性,且该征兆的重要度很高,不可忽略,所以,源案例与目标案例较为相似,但存在明显差别,所以,利用改进的最近邻法计算出的相似度能有效地反映出案例的相似性。

4 案例调整和学习

采用由使用人员直接将检索出来的相似案例重用于新问题的解决,如果不能完全解决新问题,则可以从案例库中其他较相似的案例中寻找有用的解决方案或者从其他途径获取解决方案,在此基础上,使用人员对相似案例进行调整,直到新问题的解决,然后可以将调整后的案例提交入案例库进行学习。

诊断专家、普通技术人员由于经验不同,对于同一个案例的价值和质量的辨别能力存在很大差别,如果让任何人员都可以将案例保存入案例库,将使案例库的质量不能保证。为此,设计了基于案例审核的学习机制。

系统中设计两种形式的故障案例库:临时故障案例库和正式故障案例库。普通技术人员可以建立新案例,输入新案例的信息后,将其添加入临时案例库,然后将案例提交,等待诊断专家的审核。诊断专家可以对提交的案例进行审核,专家认为有价值的、质量高的案例将审核通过,并转入正式故障案例库存放,审核未通过的案例仍存放于临时故障案例库中。案例的检索是基于正式故障案例库中的案例进行的。

通过以上机制,可以充分发挥不同人员的作用,在保证案例质量的前提下不断丰富案例库。

5 应用实例

基于案例推理的旋转系统故障诊断系统原型采用C#语言开发,数据库采用MySql 5.0。系统对一个新问题的故障诊断流程如下。

(1) 问题描述用户输入企业信息和目标案例的征兆集信息,如图3所示。

(2) 基于案例索引的案例检索,得到候选案例集。

(3) 利用改进的最近邻相似度进行案例精确匹配,按照相似度由高到低对案例进行排序,结果如图4所示。

(4) 案例重用与调整对检索出来的相似案例,结合案例发生时的具体情况进行分析,选择合适的案例进行必要的调整,得到最终的解决方案。

6 结论

针对大型旋转机械结构复杂,检维修记录丰富但无法有效发挥作用的特点,将CBR方法应用于旋转机械故障诊断,探讨了旋转机械故障诊断系统的总体结构、案例表示、案例征兆权值的确定方法、案例相似度匹配、案例调整和学习等CBR方法的关键技术,开发了基于CBR的旋转机械故障诊断原型系统,并给出了应用实例。

摘要：针对大型旋转机械结构复杂,故障现象难以用结构化知识表示,故障诊断规则难以提炼的特点,将基于案例推理(CBR)方法应用于旋转机械故障诊断。从旋转机械故障诊断的需求出发,在分析旋转机械故障诊断知识特点的基础上,对故障诊断系统的总体结构、故障案例库的构建、案例相似度匹配、案例调整和学习等CBR方法的关键技术进行了研究。重点设计了故障案例表示方法,采用基于三标度的层次分析法(AHP)确定案例征兆权值。提出了改进的最近邻法计算案例相似度,可以从征兆名称、征兆值、权值三方面对案例进行精确匹配。提出了基于案例审核的学习机制,可以充分发挥不同人员的作用。开发了基于CBR的旋转机械故障诊断系统原型,并给出了应用实例。

关键词：旋转机械,案例推理,故障诊断,层次分析法,最近邻相似度

参考文献

[1] Aamodt A,Plaza E.Case-based reasoning:Foundational issues,methodological variations,and system approaches.AI communica-tions,1994;7:39—59

[2] Yang B S,Kwon Jeong S,Oh Y M,et al.Case-based reasoning sys-tem with Petri nets for induction motor fault diagnosis.Expert Sys-tems with applications,2004;27:301—311

[3] Jung S,Lim T,Kim D.Integrating radial basis function networkswith case-based reasoning for product design.Expert Systems withapplications,2009;36:5695—5701

[4] Chuang C L.Case-based reasoning support for liver disease diagno-sis.Artificial Intelligence in Medicine 53(2011),15—23

[5] Saaty T L.The analytic hierarchy process.New York:McGraw-Hill,1980

[6]常建娥,蒋太立.层次分析法确定权重的研究.武汉理工大学学报(信息与管理工程版),2007;29(1):153—156

[7]孙家乐,蒋德鹏.层次分析中一致判断矩阵的构造方法.东南大学学报,1991;21(3):69—74

[8] Kolodner J L.Case-Based Reasoning.Los Altos,CA:Morgan Kauf-mann,1993

[9] Allen B P.Case-based reasoning:business applications.Communi-cations of the ACM 37(1994),40—42

案例推理方法范文

案例推理方法第1篇

统计案例和推理与证明练习题第2篇

案例推理在汽车故障诊断中的运用第3篇

案例推理方法第4篇

逻辑推理方法小结第5篇

《推理案例赏析》之教学片断第6篇

基于云模型的案例推理研究第7篇

基于案例推理的认知自学习引擎第8篇

基于案例推理的工程造价估算研究第9篇

案例推理方法第10篇

案例推理方法范文

猜你喜欢

栏目

最近更新

热门标签

案例推理方法范文

案例推理方法 第1篇

统计案例和推理与证明练习题 第2篇

案例推理在汽车故障诊断中的运用 第3篇

案例推理方法 第4篇

逻辑推理方法小结 第5篇

《推理案例赏析》之教学片断 第6篇

基于云模型的案例推理研究 第7篇

基于案例推理的认知自学习引擎 第8篇

基于案例推理的工程造价估算研究 第9篇

案例推理方法 第10篇

案例推理方法范文

猜你喜欢

栏目

最近更新

热门标签

案例推理方法第1篇

统计案例和推理与证明练习题第2篇

案例推理在汽车故障诊断中的运用第3篇

案例推理方法第4篇

逻辑推理方法小结第5篇

《推理案例赏析》之教学片断第6篇

基于云模型的案例推理研究第7篇

基于案例推理的认知自学习引擎第8篇

基于案例推理的工程造价估算研究第9篇

案例推理方法第10篇