案例推理技术范文
案例推理技术范文（精选8篇）
案例推理技术 第1篇
关键词：油罐区,应急资源,风险分析,案例推理法
0 引言
根据《危险化学品重大危险源辨识》 (GB18218-2009) , 油品属易燃物品, 具有易燃易爆、易挥发、易流动扩散、受热膨胀、易产生静电、有毒等危险危害特性, 油品储罐区是安全生产监管的重点。根据我国安全生产应急管理“十二五”规划, 目前我国《安全生产应急管理条例》尚未出台, 缺乏处置重特大和复杂事故灾难的救援装备, 重大危险源普查工作尚未全面展开。总体来说, 应对重大、复杂事故的能力不足。
应急资源是各类事故发生后的支撑要素, 其配置是否合理是应急能力的主要体现之一[1]。应急资源的合理配置, 为将紧急事件局部化或予以消除, 尽量缩小事故对人、财产和环境的影响提供了物质基础, 是决定应急救援效率的重要因素[2,3]。
1 当前研究现状
对应急资源的需求预测与分析是应急资源合理配置的前提和基础, 国内外在这方面的研究较少, 主要依赖于经验和主观判断, 具有任意性和盲目性, 缺乏科学的预测方法。目前, 应急救援资源需求配置预测与估计以专家经验为主[4]。
案例推理法 (case-based reasoning, CBR) 是应急救援资源配置预测与估计的重要方法, 该方法是利用一个旧事例类比推理一个新问题。应急救援资源需求的事例推理法, 首先描述和提取发生或即将发生的事故特征, 根据这些特征从历史案例库中搜索相似案例, 对比分析新旧事故案例, 对历史事故需求进行调整, 从而获取本次事故的需求。CBR有四个主要过程, 包括检索、重用、修订和保留 (retrieve, reuse, revise and retain) , 因此CBR也被称为4 R[5,6]。
2 油罐区应急资源及其分类
传统的危险化学品事故应急救援技术装备大体可分为:火灾控制类、爆炸抑制类、泄漏控制类、个体防护类及其它等。根据应急救援装备的具体功能, 可进一步将应急救援装备分为预测预警装备、个体保护装备、通信与信息装备、灭火抢险装备、医疗救护装备、交通运输装备、工程救援装备、应急技术装备等八大类及若干小类[7,8]。
不同种类的危险物质在储罐中可能发生的重大事故类型各不相同, 如表1所示。
由表1可见, 火灾危险性是油品储罐区的主要危险因素。
结合以上油罐区重大事故类型的实际, 参考《消防员防护装备配备标准》、《消防特勤队 (站) 装备配备标准》和《城市消防站建设标准》等, 对上述应急装备体系重新进行分类, 建立适用于油罐区的应急救援装备体系。即分为特勤消防站、灭火抢险装备、个体防护装备、通信与信息装备、医疗救护装备、预测预警装备、应急技术装备七个模块, 其中, 灭火抢险装备可分为:灭火器, 消防车, 消防炮, 消防栓, 破拆工具, 登高工具, 消防照明, 救生工具, 常压、带压堵漏器材等。该装备体系是油罐区重大事故应急资源配置应满足的基本要求, 确定了应当配置的应急资源的类型。
3 基于案例推理的油罐区重大事故应急资源配置预测分析
3.1 风险分析方法的选择
风险分析是油罐区重大事故应急资源配置的基础, 危险辨识过程与评价人员经验和定量分析方法有关, 主要有头脑风暴法、事故统计与基本原因分析法、检查表、如果-怎么办、危险与可操作性研究、故障模式与影响分析和专家调查法等[9,10,11,12,13]。通过建立风险综合模型, 根据事故率、影响人数及事故后果评价罐区总风险。
风险分析的最终目的是要明确应急的对象、类型, 事故的性质及其影响等, 为应急资源需求分析提供依据, 为应急准备和应急响应提供决策和指导依据。最终明确以下内容:危险源的种类、数量、特性及分布;事故的类型、影响范围及后果。油罐区火灾事故风险评价模型如图1所示。
事故后果影响范围的计算采用中国安全生产科学研究院定量风险评价软件CASST-QRA实现。得出储罐整体破裂池火场景下对人员不同伤害程度的危害距离, 列出事故后果影响范围表、后果图。并对罐区的危险源风险进行排序, 找出风险最大的储罐。
此外, 应综合考虑事故对周围周边重要目标和敏感场所的影响, 这也对资源的合理配置产生影响。参照《危险化学品生产、储存装置个人可接受风险标准和社会可接受风险标准 (试行) 》公布的可接受风险标准, 通过定量计算, 确定储罐与防护目标的外部安全防护距离, 判断其是否满足要求, 分析事故对周边环境的影响程度。
3.2 应急资源配置案例推理 (CBR) 分析过程
对目标区域进行风险分析与定量计算后, 可以获得可能的事故类型、事故结果、发生事故的概率以及对周围周边重要目标和敏感场所的影响等, 记上述计算结果为事故属性, 对事故进行描述, 使用相应的案例推理过程预测应急资源需求[14]。因此, 基于风险分析的应急资源预测案例推理法被用来指导应急资源配置的数量、质量和类型, CBR的工作循环与推理过程见图2。
一般来说, 一个事故案例可以有几个属性, 所有这些可以进一步划分, 而整个案例库由在不同属性水平的相关事故案例组成。案例库的检索相似度计算是CBR的关键, 其中, 不同特征因素的影响是不同的, 需要对其分配不同的权重。
3.2.1 应急资源需求案例描述
假定案例库中存在n种案例, 那么案例i记为Ci (i=1, 2, , n) , 其特征因素记为B=﹛b1, b2, , bm﹜, Ci与bj的隶属函数记为nci (bj) , Ci在案例库中对应的特征向量记为
假定预测计划的特征向量记为T, 可记为
3.2.2 应急资源需求案例检索相似度计算
假定权重集B=﹛b1, b2, , bm﹜的影响权重集为﹛w1, w2, , wm﹜, 满足:
且满足
通过下式计算相似度:
式中, ∧为最大下限, ∨为最小上限, 目标案例T与案例Ci之间的相似度可与表述为sim (T, Ci) (∈[0, 1]) , η为阈值。
3.2.3 案例学习与修改
通过以上步骤, 寻求相似度最大的案例, 为最佳解决方案。同时, 结合目标案例的工作实际与相关国家法定规定与行业标准, 以上述章节2中提出的适用于油罐区的应急救援装备体系为框架, 对检索出的案例进行学习与修改, 最终得到应急资源配置结果。
3.3 案例研究
以某一油罐区为目标案例T, 现提取案例库中的4个案例, 其中, 每个案例包括了应急资源的类型以及相应数量, 如表2所示。
表2中涉及的应急资源类型很多, 没有逐一列举, 将堵漏器材、泡沫消防车和个体防护装备等作为案例研究的重点, 在实际的应急资源配置过程中, 其配备与选择呈多样化, 其中, 个体防护装备的配备更应遵守《消防员防护装备配备标准》等的要求。
通过建立4个特征因素与5个案例的隶属函数, 得出每个特征因素的均值与标准差, 从而得出每个特征因素的权重, 并通过公式5, 计算得出每个案例与目标案例的相似度, 如表3所示。
根据表3可知, 案例1与目标案例最为相似, 为最佳解决方案。通过对案例1的学习与修改, 最终将得到目标案例的应急资源配置结果。
4 结论
本文提出基于风险分析与案例推理的应急资源配置思路与框架, 并通过案例研究, 证明该思路与框架切实可行。在油罐区事故风险分析与定量计算的基础上, 进行油罐区火灾事故应急资源案例推理计算, 对于油罐区安全生产, 有效控制事故后果, 实现油罐区应急资源的合理利用, 减少事故伤亡与经济损失具有重要的理论意义和实践价值。
案例推理在汽车故障诊断中的运用 第2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.
《推理案例赏析》之教学片断 第3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
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
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
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
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
(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
(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
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
基于案例推理的车辆故障诊断系统 第4篇
本文提出一种基于案例推理的故障诊断方法。首先建立一个所要诊断系统的模型,为系统中各个要素之间建立关系,进而生成一个因果关系网,使得系统可以进行因果关系推理,然后输入若干已经解决的案例,生成较全面的案例库,出现新案例的时候系统可以通过对比的方法在案例库中找到最相似的几个案例,从而给出解决的方法。
使用的程序是TROLLCREEK系统。首先对系统进行建模,建立各个要素之间的关系,建立案例库,然后输入故障案例,依据其与已有案例的相似性给出建议解,从而实现自动故障诊断。主要讨论在故障诊断过程中,如何使用基于案例推理(CBR)的方法进行分析、构造模型、解决问题。
1 基于案例推理
现实世界有些问题往往较为复杂,致使我们不能使用数学模拟的方法来解决。一些简单的限制条件在我们建模的时候也许变得很难实现。此时我们的另一个方案就是使用基于案例推理的方法。它是通过搜寻过去解决相似问题的经验而得到解决新问题的方法和线索。通过这种方法可以帮助我们解决许多问题。
基于案例推理是人工智能中发展比较成熟的一个分支,它是在特定的领域里提取推理的关键特征,存储过去已解决的案例,对新的案例和已解决的案例进行相似度比较得到结果的推理方法。一个典型的CBR系统如图1所示。
一个基于案例推理系统的关键部分为因果关系模型的建立、相似度算法的实现、案例库的存储和检索。
因果关系模型是在专业领域知识的基础上建立的,将专业领域中所涉及到的知识存储到模型中,对知识进行分类并且互相联系起来形成一个分析链,进而可以进行推理和匹配。首先需要提取重要的知
识特征,即所有可能产生故障的因素,也是出现故障时需要用户提供的参数,然后依据专业领域的知识定义因果关系并且为每一个因果关系定义强度(位于0和1之间),最终形成一个可以推理的因果关系模型。
比较新案例和已有案例之间的相似度,从中选出最相似的案例,进而得到解决方法。相似度算法的描述如下:
设案例集合:C={C1,C2,,Ci},第i个案例的属性集为{Ci1,Ci2,,Cin},目标案例Ci和案例库中已有案例Cr之间的相似度其中:n为案例属性的个数,wj∈[0,1]为第i个属性的权值,属性相似度sim(Cij,Crj)∈[0,1],p为直接匹配(即两个案例的特征属性值相同),q为间接匹配(即两个案例的某些特征属性通过关系模型可达到同一结果)。
案例库要存储已解决的案例。一个案例必须包含问题描述和解决方法,问题描述是各特征属性的值,解决方法是某个确定状态。
故障诊断是我们生产生活中经常碰到的问题,如汽车故障诊断,电器故障诊断,医学的疾病诊断等等,通常需要专业领域的专家,通过实践经验的积累,观察和分析故障的特征和数据,进而得出问题的所在位置和解决的方法。由于需要具有丰富经验的专家进行诊断,限制了对问题的解决时间和地点,不利于及时排除故障,通过智能化的故障诊断系统可以克服以上弊端,一旦建立好系统后,通过不断的自学习,可以使得诊断趋于准确。
2 实验系统的建立
TrollCreek(Tore Brede,Frode Sormo,2004)是一个有智能推理能力的基于案例推理的系统知识编辑器。使用它创建一个故障诊断系统的步骤为:完善一个因果关系推理模型,加入已解决案例,输入新案例进行分析和推理,得到结果,确认结果。
编辑因果关系推理模型是整个系统的基础和主要部分,分为增加节点,建立层次结构,建立因果关系模型。首先从准备创建的领域中抽取重要的特征项,将它们作为节点加入到系统,然后将各特征项的相关状态添加到系统中,接下来完善所有节点的层次结构,形成一个分类的层次结构(例如图2所示的一个模型),进一步将系统故障的各种状态作为节点加入到因果关系中,将它和层次结构中特征项的状态节点使用因果关系强度联系起来建立因果关系模型,最终形成一个层次化的因果关系推理模型。
加入已解决的案例是将已有的案例的各状态和结论添加到系统中,形成案例库。现有的已解决案例越多,后期系统的推理结果越准确。
输入新案例进行推理是对新输入的未解决案例和已解决的所有案例进行相似度比较,按相似度的大小进行排序,列出最接近的10个案例。
确认结果是将此推理出的结果进行实际验证,如果相符则将其标记为已解决状态,将其添加到案例库中。
3 测试与分析
我们建立一个汽车启动故障诊断的因果关系推理模型,包括两个部分,首先建立层次结构,其次建立因果关系。
建立层次结构是指整个汽车启动过程中的所有相关的特征项作为节点加入到层次结构图中。和汽车启动有关的几个条件:发动机状态、电池状态、供电系统状态、燃油状态、燃油系统状态。对应于每个状态有许多可能,例如对于发动机状态有:正常,不运转,不打火,转动缓慢等,将所有的特征项加入完后形成图2这样的层次结构。
建立因果关系是根据实际的因果关系将各个有因果关系的状态使用强度联系起来形成因果关系模型。如电池电量低可能引起灯光不亮,马达不转,通常会引起马达转动缓慢等等。将所有的因果关系通过节点状态连接起来,最终便形成了完善的因果关系推理模型。
将已求解过的案例加入案例库。
输入新的待解决案例,使用系统进行自动匹配,得出结果。如图3。
如上所示,系统和已经解决的三个案例进行相似度比较,按照相似度大小顺序列出和已有案例的分析比较结果。随着解决案例的增加,可比较的案例及相似度更高的案例就会出现,给我们提供的分析结果就更加准确。
4 总结
基于案例推理原理比较简单,但是实现起来有较大难度,如知识的获取方法,案例的表示方法,相似度的全面比较方法等等。而使用以上的系统可以在很多领域中比较简单和清晰的建立一个推理系统。经过实践可以取得较准确的结果。
参考文献
[1]史忠植.高级人工智能[M].2版.北京:科学出版社,2006.
[2]周涵.基于范例学习的内燃机产品设计系统[D].北京:石油大学,1993.
[3]赵钢.基于范例推理技术及其在降水过程预测中的应用[D].北京:中国科学院计算技术研究所,1995.
基于案例推理的认知自学习引擎 第5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6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.
案例推理技术 第7篇
由于门诊诊察在就诊时间、设备等方面的缺陷，容易造成诊断的片面性。如何将先进的计算机技术、数据库技术和临床知识应用于门诊医生工作站，提高医生的工作效率和服务质量，是目前面临的一个重要问题。
1 相关知识及问题分析
1.1 门诊医生工作站
门诊医生工作站[5]是门、急诊医生实现对门、急诊病人信息(病历)数字化管理的计算机软件系统。系统支持医生处理门、急诊记录、检查、检验、诊断、处方、治疗处置等诊疗活动。
1.2 门诊医生工作站流程
1)病人持就诊卡到相应科室就诊;2)医生刷卡调出病人基本信息，根据需要查询当前和既往门诊各种信息(病历);3)医生对病人进行诊察，录入病人主诉情况;4)医生回忆以往的相似病例，并针对本病例就行一定的变化，开出处方。具体流程如图1所示。
1.3 案例推理
案例推理[6](case-based reasoning,CBR)是由目标范例的提示而得到历史记忆中的源范例，并由源范例来知道目标范例求解的一种策略，它是一种重要的机器学习方法。近年来，在规划设计、法律、医学、决策支持及电子商务等领域获得了成功[7]。国内学者也开始对医疗CBR系统的研究[3,4]。
1.4 存在的问题
在就诊过程中，医生首先询问病人的相关症状，并通过检查捕获患者体征;然后医生回忆相关病例，对其进行相应的更改，开出处方。但是，在有限的门诊就诊时间内，需要从错综复杂的病症中得出准确率较高的结论，判断发病原因及部位，拿出合理的治疗方案，这对于医生有着较高的要求。而年轻医生，由于缺乏经验，可能缺乏这种能力，势必造成疾病的诊断率和治愈率下降。
2 系统设计
众所周之，经验在医生诊疗过程中处于一个很重要的地位。特别对于门诊诊疗来说，经验及思维速度显得尤为重要。我们的目的就在于将医院积累的相关病例应用起来，通过运用CBR技术，为医生提供一个辅助诊断系统，为他们提供相似病例的治疗参考方案，帮助他们提高诊断的准确率。
2.1 系统流程设计
通过对门诊医生诊断的基本过程进行参考，我们将系统工作流程设计如下：
1)医生对病人进行初步诊断，并将症状输入系统;
2)系统对症状就行解析，使用机械式分词法(基于词库)提取关键词，形成一个新的案例;
3)系统根据所得到的症状值，按照一定的相似度计算方法，在案例库中搜索相似案例;
4)医生根据系统所提供的相似案例，对诊断结果进行修正，并给出最终的诊断结果及治疗方案;
5)如果诊断结果与治疗方案与系统原先提供的有所不同，则将该案例作为一个新的案例录入案例库。
图2为门诊辅助诊断系统的工作过程。
2.2 相似度算法
为说明本系统的算法，本文给出如下定义：
定义1：设A*表示一个新的病例，其特征参数可使用矩阵表示：
定义2：设Ai表示案例库中与A*具有相似特征的第i个病例，其特征参数可使用矩阵表示：
定义3：设ω(j,m)(j=1,2，，k;m=1,2，，n)表示第j行第m列的特征的权值(由专家预先设定)，并且满足要求：
定义4：设新病例A*与案例库中的历史病例Ai相似，则二者的相似度为：
该系统的检索匹配算法表述如下：
步骤1：接受一个新的病例A*;
步骤2：扫描案例库中的每个历史病例Ai;
步骤3：计算新病例A*与每个历史病例Ai之间的相似度Si;
步骤4：比较所有病例的相似度大小，按照相似度由高到低进行排列，由医生进行自主选择。
3 总结及未来工作
基于案例推理的门诊辅助诊断系统是将CBR技术融入门诊诊疗体系的一种尝试。其优势在于能为门诊医生提供丰富的临床经验。在门诊诊疗过程中，由于诊疗时间较短，容易造成误诊。而基于案例推理的门诊辅助诊断系统能有效弥补这一问题，提供丰富的相关病历，帮助医生修正初步诊断结果，提高诊断的速度、精度和可靠性。当案例的规模达到一定程度后，各病征之间的相关性的研究变得更有意义，这也将是我们下一步工作的方向。
参考文献
[1]Hahn U,Chater N.Understanding Similarity:A Joint Project for Psychology,CaseBased Reasoning and Law[J].Artificial IntelligenceReview,1998(12):393-427.
[2]Corchado J M,Laza R.Constructing Deliberative Agents with Case-Based Reasoning Technology[J].International Journal of IntelligentSystems,2003(18):1227-1241.
[3]李锋刚,倪志伟,王键,等.基于案例推理的脑血管病辅助诊断智能系统的设计[J].中医药学刊,2006(2):260-262.
[4]俞泉,何钦铭,张宝荣.CBR技术在临床辅助诊断中的应用研究[J].计算机应用与软件,2005(3):65-92.
[5]刘松林,刘阳晨,叶俊.门诊医生工作站在我院的应用[J].医疗设备信息,2007(11):64-65.
[6]杨善林,倪志伟.机器学习与智能决策支持系统[M].北京:科学出版社,2004:79-116.
案例推理技术 第8篇
关键词：物流外包,案例推理,混合相似度度量,模糊数
1 引言
随着市场竞争的加剧, 越来越多的企业开始关注自身的核心竞争力, 而把缺乏专业技术和资金支持的物流运作外包给物流服务供应商。然而, 由于国内多数采用第三方物流服务的企业, 缺少一套标准的物流供应商评价体系, 再加上物流外包管理的缺失, 导致企业往往在紧急情况下, 无法及时做出正确的决策, 产生各种内生与外生的风险。因而进行关于物流外包风险预警的研究与应用, 及时对物流外包风险发生的可能性进行估量, 并为解决方案和处置措施的制定提供决策支持, 具有重要的现实意义。文献[1]对供应商风险管理中的五项指标进行研究, 科学系统的解决了风险管理中的指标排序问题;文献[2]对第三方物流合作风险的几种形式展开分析, 并提出了一种基于模糊评价和灰色系统的综合评价方法;文献[3]总结了物流外包中的风险因素, 并基于模糊综合评价的方法建立了企业物流外包风险预警系统。
目前影响物流外包的风险因素, 既有定性的描述也有定量指标。考虑到大多定性的描述很难通过一个确定的标准进行描述, 本文引入案例推理技术 (Case-based reasoning, 简称CBR) , 模拟决策者根据历史经验进行类比推理的思维方式, 充分利用专家和决策者的经验为供应商预警提供科学合理的决策支持。同时本文开发出了一种新的模糊相似度度量方法, 解决了定性指标间比较的问题。该模型能够充分挖掘历史案例的经验知识, 避免了因领域知识不完全导致的模型求解不足的问题, 为第三方物流供应商风险预警提供了一种新的解决方法。
2 案例推理方法
案例推理技术是一项人工智能领域新兴的推理方法。最早由耶鲁大学Roger Schank教授于1982年在其著作《Dynamic Memory》中提出。它已然成为国内外人工智能领域研究的一个热点, 主要涵盖了理论技术、开发工具和实际应用的研究, 先后在通用问题求解、医疗诊断、故障诊断等领域得到广泛应用。而近年来, 关于案例推理与决策支持结合应用的研究也越来越多。文献[4]从危机信息处理的角度, 将案例推理方法用于应急决策支持系统;文献[5]提出了一种基于案例推理的欺诈危机的预警方法, 为企业危机管理和预警问题提供了一种新的研究思路。文献[6]则运用案例推理技术, 构建了金融操作风险预警系统。综合已有的研究成果, 将CBR与第三方物流供应商风险预警结合的研究尚缺乏一个系统的理论框架。本文充分利用CBR技术的优势, 对历史案例进行检索和适配, 并通过案例学习达到对供应商风险信息和知识的全面利用, 从而为供应商风险预警提供准确、有效的支持。
案例推理是一种基于实际经验进行推理的方法, 非常适合没有缺乏合适的理论模型或领域知识不完全, 却有丰富的经验知识的决策环境。其具体工作流程, 如图1所示。
(1) 案例的表示与组织:即如何对案例进行规范化描述和存取。
(2) 案例的检索:即如何快速高效的匹配到最佳案例。
(3) 案例的调整:即如何对案例进行修正。
(4) 案例的学习:将新案例存储到案例库中, 扩大案例库存储量, 提高决策质量。
3 基于案例推理的物流外包风险预警模型设计
本模型运用案例推理技术, 通过对案例库中的源案例的各项风险特征值进行相似性检索与匹配, 找到匹配案例, 经过分析和专家修正后, 判断目标案例的风险类别、风险发生后可能带来的损失、风险发生的可能原因, 并根据源案例风险发生后采取的对策采取措施预防风险的发生, 以达到风险预警的目的。
模型的推理框架如图2所示:
3.1 案例知识表示
研究物流外包中的风险指标是案例知识表示的基础, 本文从物流外包企业的外部环境风险、内部环境风险、物流企业服务能力风险、外包过程风险及信息风险五个方面展开讨论, 经过细化形成了如图3所示的“第三方物流供应商风险指标体系”。以此作为第三方物流供应商风险预警的影响因素, 收集企业在选择第三方物流供应商时产生的各种风险案例, 并进行整理和分类, 为案例库的构建做好准备。
案例应该以结构化的方式表达风险案例的特征以及领域专家解决问题的经验。而框架表示法基于框架理论对对象属性进行知识表示, 很好地将过程性和陈述性知识相结合, 是一种良好的描述对象的知识表示方法。它以框架为知识单位, 一个框架由若干槽组成, 槽用于描述属性, 由槽值或若干侧面组成, 而每个侧面又可以包含若干个侧面值。具体风险案例表示如表1。
3.2 案例检索混合相似度度量方法
案例检索是整个模型的核心部分, 在物流外包的风险案例中, 既有确定的属性值, 也有模糊属性值 (模糊数) 的存在, 因此本文在现有的几种相似性度量方法的基础上, 提出了一种新的混合相似度计算方法, 其原理是分别计算属性值为清晰数和模糊数的相似度, 再加权计算出案例的总体相似度。该方法克服了多数方法不能有效处理非标准模糊数的缺陷, 并避免了模糊数标准化的步骤, 解决了归一化过程中信息损失的问题。
当属性值为清晰数时, 设案例T和案例X之间的相似度为:, 其中Ti, Xi分别表示目标案例和源案例的第属性的值, α, β表示该属性的取值下限和上限。
当属性值为模糊数时, 假设有模糊数a= (a1, a2, a3, a4;wA) 和B= (b1, b2, b3, b4;wB) , 其中0a1a2a3a4, 0b1b2b3b4, 0
其中,
式中P (A) 和a (A) 分别表示模糊数A的面积和周长, (xA*, yA*) 为A的重心。
则目标案例T和源案例X的相似度可表示为:, 其中n为供应商属性的个数, Wi表示第i个指标的权重。
3.3案例的调整
模型一旦检测到匹配案例, 会推荐检测到的案例作为目标案例的解决方案, 若源案例与当前问题十分接近, 则不需要进一步调整;但是, 源案例通常并不能完全满足目标案例的求解要求, 这时我们必须对案例做出调整。综合考虑到源案例与目标案例之间的差异和重用性, 一般有两种调整方法:转换调整和派生调整。由于物流外包涉及的风险因素众多, 因此我们通常由领域专家采用人机交互的方法, 完成案例的调整和适配。
3.4 案例的学习
案例的学习可以不断补充案例库中的典型案例, 保证了案例推理的准确性和有效性。但是随着案例库中案例数量的逐渐增多, 会影响到案例检索的效率, 因此, 制定一个有效的案例存储策略, 可以既保证案例库的丰富度, 也可保证历史案例的典型性。
首先, 计算新案例与历史案例的相似度Si, 再进行结果比较。假定专家给出的阈值为|α|, 若Si<|α|, 则加入新案例;若Si≥|α|, 表明案例间的相似度极高, 抛弃新案例。
4 结束语
案例推理被广泛应用于解决不完全信息下的决策问题, 本文基于案例推理, 研究了企业在进行第三方物流供应商选择时的决策支持问题。在研究了物流外包领域知识和相关风险的基础上, 本文对物流供应商的风险案例进行表示, 并提出了一种新的混合相似度计算方法, 为企业进行第三方物流供应商风险预警提供了一种新的解决方法。
参考文献
[1]陈丽虹, 胡宗武.供应商风险管理中的排序问题[J].工业工程与管理, 2004, (10) :211-217.
[2]彭本红, 孙绍荣, 谷晓君.第三方物流合作风险的评价研究[J].科技进步与对策, 2007, (24) :129-131.
[3]刘联辉.企业物流外包风险预警系统的设计与评价[J].物流技术, 2005, (9) .
[4]汪季玉, 王金桃.基于案例推理的应急决策支持系统研究[J].管理科学, 2003, 16, (6) :46-51.
[5]柳炳祥, 盛昭翰.基于案例推理的企业危机预警系统设计[J].中国软科学, 2003, (3) :67-70.
[6]胡衍强, 刘仲英.基于案例推理的金融操作风险预警系统[J].同济大学学报 (自然科学版) , 2008, 36, (9) .
[7]谷岩.基于框架和案例推理的应急预案表示和优选方法的研究设计[J].计算机科学, 2012, 39, (6) :163-165.
[8]Daren Ketler.Case-based reasoning:An introduction[J].Expert System with Application, 1993, 6, (1) :3-8.
[9]Gavin Finnie, Sun ZhaoHao.R5 Model for Case-basedReasoning[J].Knowledge Based Systems, 2003, 16:59-65.
案例推理技术范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
