推理系统范文
推理系统范文（精选12篇）
推理系统 第1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.
推理系统 第2篇
结合运载火箭诊断推理的精确定位和快速诊断决策的实时性要求,建立了分布式诊断系统的系统结构,实现诊断任务的分配与协调;通过面向故障的反向推理和深度推理方法,完成故障的精确定位;在精确推理的.同时,结合故障分级诊断的推理策略,对推理的精度和实时性进行综合处理.为基于故障模式分析的运载火箭发射决策系统的建造提供了技术支持.
作 者：张庆振 李清东 任章 Zhang Qingzhen Li Qingdong Ren Zhang 作者单位：张庆振,任章,Zhang Qingzhen,Ren Zhang(北京航空航天大学自动化学院,北京,100083)
李清东,Li Qingdong(西北工业大学航海学院,西安,710072)
推理系统 第3篇
【摘 要】本文构建了一种层流冷却工艺控制案例库模型，提出了一种实现案例推理的算法。研究层流冷却控制工艺，归纳影响卷取温度控制的工艺特征。针对各个工艺特征给出局部相似度计算方法，提出主观赋权法来确定各工艺特征权重，采用两级过滤实现案例检索。通过实际应用表明案例推理算法有效提高首卷带钢头部卷取温度的控制精度。
【关键词】层流冷却；案例推理；案例检索
【中图分类号】F407.4【文献标识码】A【文章编号】1672-5158（2013）07-0127-01
1 前言
基于案例的推理（Case-Based Reasoning，CBR）是一种人工智能推理方法[1]。它借鉴人类处理问题的方式，运用以前积累的知识和经验直接解决问题，从而大大减少知识获取的工作量。CBR在没有领域显式模型而仅有经验知识时，较常规专家系统具有一定优势。
热轧带钢轧后冷却过程既是一个直接决定微观组织和力学性能的工艺过程，又是一个影响因素众多的传热过程，具有典型多变量、强耦合、非线性、离散型、大滞后特征，因此层流冷却控制系统对自学习参数的依赖性较强。为提高不同工况条件下模型设定精度，特在1580mm产线层流冷却系统中引入案例推理技术[2]，将典型工况总结成案例形式，充分利用案例推理的智能特性对模型长期自学习系数进行决策，提高带钢头部卷取温度设定精度。
2 层流冷却案例库模型
层流冷却案例库由案例构造、案例推理、案例检索和案例学习4个模块构成。
在实际控制过程中，设计案例推理技术仅应用于换规格轧制首卷或起始卷带钢上。控制系统首先提取当前运行工况条件的描述特征（终轧温度、轧制速度、厚度、水温、PDI等）作为待解决问题输入，经过两级过滤处理检索与当前工况相似的历史案例，若能够找到一个与当前状态最为匹配的案例则作为结果输出，若对于相似工况案例采用相似计算调整后作为结果输出，否则直接舍弃推理结果。当带钢控制结束后，将该类问题作为新的实例存储到案例数据库中，以丰富实例库的内容。
3 案例构造
在案例数据库的构建中，采用合理一致的案例表示方法将直接影响CBR系统的应用效率和效果。案例表示应包含问题描述和解决方案两部分：问题描述应充分表达控制要求的工况条件，作为案例推理的基础；解决方案必须能够给出控制所需求的实际参数，以解决实际控制问题。
轧后层流冷却过程易受到较强的外部干扰和上游工序遗传影响。在案例构造过程中，采用工况特性指标（例如预报终轧温度偏差、穿带速度、水温、厚度波动、停轧时间、PDI等）和控制指标（卷取温度偏差值、标准差等）来共同实现问题描述，解决方案形式相对简易，即自学习系数。
4 案例相似度计算
案例推理是在案例数据库中求解与当前工况问题最相似的案例的过程，采用一定相似度算法来实现。
（1）计算局部相似度
计算局部相似度是计算当前待解决问题与案例的每一个工艺特征的相似度。由于案例工艺特征属性的不同取值之间没有任何联系，层流冷却系统的各工艺特征参数局部相似度定义Sim（i）（i分别代表水温、精轧终轧温度、穿带速度和轧制时间），根据不同的偏差范围给出不同的相似度。
（2）确定工艺特征的权重值
进行案例匹配时，需要决定不同案例特征的主次及其优劣程度，所决策出的特征重要程度称为权重值。权重的确定主要是采用主观赋权法，即充分利用调试经验来确定权值。
通过调试摸索不同钢种成分体系及目标厚度范围下水温、精轧终轧温度预测值、穿带速度预测值以及轧制间隔时间的相似度权重。
5 案例检索
案例检索是实现案例推理的重要环节。考虑到生产特点，设计绝对和相对两级过滤方式。
（1）绝对过滤
根据对当前工况进行工艺特征分析，给出问题的钢种、厚度层别、卷取温度层别、冷却策略作为检索条件，若检索结果为空，说明从案例库中找不到满足要求的案例源。
（2）相对过滤
在满足上述绝对过滤案例中，引入工艺特征水温偏差、轧制时间偏差、终轧温度偏差和速度偏差这四项作为进一步检索输入条件。检索结果表现两种情况：
第一种：存在完全满足当前工况特征的案例。接下来进一步增加卷取温度指标类工艺特征以筛选出与当前工况最相似且卷取温度指标控制精度最佳的案例，该案例的解决方案即作为当前问题的建议解。
第二种：检索出的案例不一定完全符合当前工况特征。首先增加卷取温度指标类工艺特征作为进一步筛选条件，接着对符合上述判定条件的案例的工况特征进行判定评估，若能找到最优的案例符合当前工况要求，则该建议方案被采纳，否则需要建议解决方案进行适当的修改来满足当前工况的需求，以最相似案例的解决方案作为出发点，基于上述相似度计算方法，明确当前工况与每个案例的相似度，得到最终的案例修正解。该案例修正解作为当前问题的建议解。
6 案例学习
案例学习是保证案例库质量的一个重要手段，主要包括案例评价和案例库维护两部分。
案例评价主要是对当前工况的应用效果进行评价，将解决方案应用效果较佳的新案例进行存储以丰富扩充案例库。
案例库维护主要是向案例库中添加新的案例（即案例存储）或删除一些噪音案例，定期将系统中工况特征相似但卷取温度指标偏低的案例进行删除，提高案例推理时案例检索的效率。此外，根据生产实际情况和调试经验，对不成功案例工艺特征和解决方案进行调整或修改，以便为以后解决类似的问题提供解决方案。
7 实际应用
通过对换规格轧制带钢卷取温度头部及整体控制精度进行统计，确定基于案例推理的层流冷却数据库系统可有效提高换规格或换层别首卷带钢的卷取温度设定精度，使已批量生产钢种的首卷卷取温度控制精度得到明显提高。但是对于试轧钢种的作用有限，还需要收集相关经验数据，将问题求解过程中获得的知识以新案例的形式加入到案例库中，进一步完善案例库，提高检索的准确性。
8 小结
本文建立了一种基于案例推理的层流冷却数据库系统。这种数据库系统具有以下特点：
（1）提出当前工况问题描述方法，即通过工艺特征对控制问题进行描述，使案例推理求得的控制案例满足当前工况的设定要求；
（2）提出卷取温度案例推理的具体实现方法，通过局部相似度与整体相似度计算求出与问题最相似的案例，并通过绝对和相对两级过滤实现案例检索，完善了案例推理算法；
（3）采用主观赋权法确定局部相似度的权重值，充分应用调试人员的经验数据；
（4）采用案例评价和案例库维护实现案例学习，保证案例库质量，提高案例检索的准确性和实时性。
采用层流冷却数据库的工艺控制数据能够有效提高换规格首卷或起始卷带钢的卷取温度控制精度，为提高稳定产品质量起到积极促进作用。
参考文献
[1] 刘晓冰，薄洪光，马跃.基于案例推理的钢铁生产工艺设计研究[J].中国机械工程，2008，19（18）：2189-2195
基于推理的产品配置系统的研究 第4篇
面对日益激烈的市场竞争, 企业现有的传统的大批量生产的技术体系已经无法满足客户个性化的需求。因此, 研究大批量定制的产品配置设计技术及其应用, 得到了人们的广泛关注, 成为很多科研机构和企业研发部门的重要研究课题。在产品配置设计中, 产品模型的建立、选择和求解策略的选用, 是产品配置的主要问题。大连理工大学的刘晓冰[1]将类和特征的思想引入了产品的配置建模中, 从产品的配置基础上对产品的配置设计进行研究, 并将此技术应用到捆钞机配置设计建模中。浙江大学的刘夫云[2]提出了基于关联系数的产品配置模块选择方法, 设计并实现了产品配置模块选择辅助决策系统。王新[3]将基于实例的方法引入产品配置设计中。本文结合桥式起重机自身模型配置特点, 建立了桥式起重机全息模型, 提出将基于规则的推理与基于实例的推理相互结合使用, 提高产品配置的效率和设计准确性。
1 产品配置的基本思想及原理
1.1 基本思想
产品配置[4]是根据预定义的零部件集以及它们之间的相互关系, 通过合理的组合, 形成满足客户个性化需求的产品设计过程。它是支撑大批量定制的核心技术。产品配置的基本特性[5]有:1) 有一组可预先定义的可配置的对象;2) 具有一组预先定义的规则;3) 客户或设计人员的需求;4) 最终得到满足客户需求的可行方案或产品。大规模定制下的产品配置的流程如图1所示:首先, 在对客户个性化需求和市场需求、以及企业本身资源分析的基础上, 企业通过标准化、规范化和模块化的思想对产品进行重组, 确定系列产品在结构、规格等各方面的变化, 以“最大化”模板的思想, 建立产品的功能原理结构模型, 并从模块化的零部件中抽取通用模块, 建立产品的通用产品结构, 并建立产品模块实例库。其次, 对实例库进行搜索, 先利用基于规则的推理进行模块初选, 选出客户需要的模块;然后将相似度算法引入产品配置的求解过程, 进行二次筛选, 从而缩短配置时间, 提高配置准确性。
1.2 基于规则求解
基于规则的推理是根据产品的设计和生产规则来进行产品的配置。基于规则的推理的方法类型为“if-then”形式。配置规则的定义是在相应的规范约束下实现的, 这组规范在系统中通过规则配置引擎产生约束作用[5]。合理、方便、高效的配置规则是其实现的必要条件。桥式起重机产品配置的三条规则:
1) If主梁高度H<1000mm, 则桥式起重机端梁为下挖式;
2) If主梁跨度S<10000mm, 则桥式起重机有活接平台;
3) If控制系统选择为摇操, 则桥式起重机没有司机室。
1.3 基于实例的推理
基于实例的推理是利用以往的配置实例来求解与之相似的新的配置问题, 首先根据客户需求检索相似的配置实例, 并对其调整已适应新的配置问题, 然后把新的配置实例存储于实例库。对实例的存储和检索是CBR的重要内容。
相似度求解公式如下:
设与实例相关的参数有n个;
设R (28) {f 1, f 2, f 3..., f n}为客户对实例的需求变量集, 其中fi为R的参数;
设V (28) {v 1, v 2, v 3, ..., v n}为已有实例的一组变量值;
用Simi (f i, v i) 表示第i个参数之间的相似度值, 其值为:
用Sim (R, V) 表示实例的相似度, 其值为:
式中:, 表示每个变量的相对权重, 而且满足:
如果变量集的取值不是数值化后的零件特征, 如对产品的“颜色”等非具体化的特征描述时, 需要按照客户的统一要求进行特征数值化, 然后将其应用到公式中。
在进行相似度计算时, 企业的专业设计人员根据产品的各个参数在产品设计、装配中存在的重要程度确定参数的权重, 在初期建立产品的数据库时即进行设置。
2 产品配置系统的搭建与实现
2.1 产品配置系统的体系结构
基于上述配置思想, 结合桥式起重机产品的结构特点, 引入全息产品模型建模方法, 以VB6.0为开发语言, 以Solid Edge为三维设计平台, 以Access 2007为数据库平台, 以MBR和CBR的混合方法为产品的配置方法, 以层次事物特性表建立产品数据库, 开发面向用户的桥式起重机配置设计系统。该系统的体系结构如图2所示。
2.2 产品配置关键技术
2.2.1 建立可配置的全息产品模型
产品配置以产品可配置的对象为基础, 因此在进行产品配置之前需要建立可配置的全息产品模型。产品模型的建立方法为:1) 理清产品的系列、功能和结构, 建立不同系列、不同结构、不同功能的产品模型;2) 对相同结构, 不同系列的产品可建立一个模版, 并对此产品进行详细的模块划分, 划分过程中应充分考虑产品模块的通用性和可选性, 建立相应的通用模块和可选模块, 以利于后期的配置;3) 对于不同结构, 不同系列的产品, 应尽可能多的建立可选模块, 以方便产品的配置;4) 建立模型时, 将模型材料等数字信息填入模型的文本属性中。
2.2.2 建立事物特性表
事物特性表是产品信息模型的核心, 它是在综合分析产品信息基础上制定的[6]。事物特性表通过对产品、部件和零件的功能特征、几何特征、制造特征等特性的集中研究, 使设计人员对产品和零部件有更清楚的了解, 方便对产品或零部件进行明确的分类、使用。同时, 事物特性表以表格的形式表达, 方便产品和零部件信息的检索、查询、统计和处理。对于系列件, 通常零部件的结构变化不大, 只是在尺寸上有一系列的变化, 因此, 我们采用层次事物特性表的方法建立零部件的模型。建立产品的层次事物特性表不仅可以清晰的显示组成装配体的各个零部件的详细信息, 同时也可以清晰的显示各个零部件之间的装配关系。通过建立产品的层次事物特性表[7], 产品的每一个零件的特征都和装配体的信息产生了关联。当对产品进行定制时, 客户只需在程序或系统的交互页面上输入必须的参数, 程序就能通过计算, 一级级的将零件的特征信息数据传递给参数化CAD软件的API函数, 最终自动化派生出客户所需要的产品型号。层次事物特性表的树形结构如图3所示。
2.2.3 实例检索
实例检索就是以企业建立的实例库为基础, 以客户提出的技术要求为指导, 搜索出所有满足客户需求的产品的设计方案及零部件组成。企业建立的实例库包含所有的产品实例库和各个系列的模块实例库。随着企业设计、生产的产品越来越多, 实例库越变越大, 企业的知识资源越来越大, 企业在今后的设计中可以很好的提高设计效率。但是, 实例库的增大, 同时也给实例的检索增加了难度。这样, 势必会造成系统的设计效率降低, 也导致检索出来的产品的正确性降低。因此, 在进行实例库的检索时, 需要建立一个优良的评价指标和相应的算法。首先, 我们利用基于规则的推理对实例库进行初步的筛选, 从而缩小定制产品的检索范围;其次, 我们引入相似度的求解算法, 通过对实例库中产品的参数与客户定制的设计参数进行对比, 找出与客户需求最接近或者相同的实例。
2.2.4 产品配置参数化变型
一般情况下, 经过规则的推理和相似度的匹配检索出相应的实例模板后, 还需要对其进行相应的补充、修改。相应的内容有:1) 多余特征的删除。若实例零件的特征多于当前实例零件.则在实例模板中删除那些多余特征:2) 未匹配特征的补充。若是增加了某些特征。则可以从典型特征库中寻找, 并添加的零件的特征中, 若是实例库中没有, 可以进行单独的设计。实例修改满意后可以入添加到实例库, 以扩充、完善实例库。
3 实例分析
本文以桥式起重机端梁配置为例进行说明。桥式起重机的端梁是起重机的重要部件。分为主动侧端梁和被动侧端梁。主动侧端梁与被动侧端梁在尺寸和结构上大体相似。端梁可分为下挖式和非下挖式两种形式;因为车轮组选取的不同, 端梁又包含45度剖分式和90度角箱式两种形式;端梁的车轮距DL_CLJ, 确定两个车轮之间的距离;端梁的上盖板厚度DL_SGBH, 下盖板厚度DL_XGBH, 腹板厚DL_FBH。根据以上分析, 客户需要定制的参数有:1) 是否下挖;2) 是剖分式还是角箱式;3) 车轮距;4) 端梁上盖板厚度;5) 端梁下盖板厚度;6) 腹板厚。
3.1 产品建模
在产品配置前要有预定义的零部件集, 本文在配置端梁前, 应先建立一组端梁系列集。因端梁的尺寸、形状都有一定的变化, 本文采用基于参数化的特征造型的方式, 建立一个端梁“最大化”模版, 通过驱动端梁的特征参数和尺寸参数来实现尺寸的变化和特征的删除和增加。端梁的最大化模版如图4所示。图4中包含了端梁的下挖、剖分等多种形式。
3.2 事物特性表建立
端梁的零件事物特性如表1所示。
3.3 产品配置
假设客户定制的端梁参数为: (下挖, 45度剖分, D L_C L J=1 7 0 0, D L_F B H=1 0, D L_SGBH=10, DL_XGBH=10) , 端梁是否下挖, 是剖分式还是角箱式是端梁配置满足客户需求的先决条件, 因此需要进行规则推理, 从而可以筛选出ID=1, 5, 7的实例, 通过规则推理, 缩小了实例推理的匹配范围, 然后再进行实例推理, 以ID=7为例, 进行计算说明。计算过程为:
1) 首先进行每个参数的相似度, 由公式 (1) 得:
2) 加入权重进行实例相似度的计算, 由公式 (3) 得:
按照上述算法计算, 最后得到的相似度结果如表2所示。
从表2可知, 相似度为1的实例的ID=5, 其相似度最大, 即其关键属性和一般属性与客户定制的产品完全一致, 可以将此零件直接导出并使用, 而不需要进行尺寸修改。
4 结束语
本文综合了M B R和C B R两种推理的优点, 引入层次事物特性表的数据库建立方法和参数化全息建模法, 面向用户的桥式起重机配置设计系统。通过应用, 可得出如下结论:
1) MBR和CBR两种推理相结合, 有利于优势互补, 增加了推理的速度和准确性。检索速度可提高约30%。
2) 层次事物特性表的建立有利于起重机各参数关系的梳理, 提高了产品配置的效率。
3) 参数化全息建模的应用, 能够对产品的信息进行详细的记录, 有利于产品的配置和拓扑尺寸的修改。
参考文献
[1]刘晓冰, 袁长峰, 邢英杰, 等.基于类和特征的产品配置建模[J].计算机集成制造系统, 2005, 11 (8) :1058-1063.
[2]刘夫云.基于复杂网络的机械产品零部件分析与配置技术研究[D].浙江:浙江大学机械与能源学院, 2006.
[3]王新, 谭建荣, 孙卫红.基于实例的需求产品配置技术研究[J].中国机械工程, 2006, 17 (1) :146-151.
[4]Alexander Felfernig, Gerhard Friedrich, Diet mar Jannach.Conceptual modeling for configuration of mass customizable products[J].Artificial Intelligence in Engineering, 2001, 15 (2) , 165-176.
[5]李伟, 张梦青, 刘光复.基于约束满足问题的产品配置方法[J].农业机械学报, 2005, 36 (7) :126-130.
[6]钟文明, 祁国宁, 顾巧祥.基于事物特性表的产品变型设计的开发过程研究[J].制造业自动化, 2006, 28 (6) .7-10.
推理系统 第5篇
正向推理
正向推理指的是最后的答案往往是和文章所描述的内容一致的，而这种特征一般视为“整体”和“部分”的一致性，所以正向推理也被称为“整体与部分推理”。
正向推理包含两种主要情形，一种叫做给定段里面没有推理对象的情况，另外一种叫做有举例引发的“整体与部分推理”。所谓“整体与部分推理”，就是文章里面讲述一个特质是A，下面选项中的特征也是A，这个特质本身没有变化。文章里面讲什么特质，下面选项中就是什么特质，只不过一个是“整体”，一个是“部分”而已。
逆向推理
“逆向推理”又叫“取非式推理”，文章中讲的是A，下面选项里最终答案是“非A”，此推理包含三种情形。
1.由新时间点引发的逆向推理
比如“now”表示现在，含有典型的暗转折含义。事实上，凡是时间点概念，都暗示着转折。比如说：澳门回归了，这意味着19之前澳门没有回归。这条原则可能听起来怪怪的，但意义重大，以后我们做托福文章要比其他没有经历过严格训练的同学多长一个心眼，但凡是有时间点出现，就意味着前后的特质不一致，而这恰好是考点。
2.由新地点引发的逆向推理
事实上，它和第一点的内涵是一致的，可以被统称为“分类取非”。在文章中经常会出现把一个大类分成两个小类的情况，比如文章里面讲述生物分为两类，一类是动物，一类是植物，这时文章里面会谈到动物和植物的“不同点”而不会是“相同点”。
3.由特定词引发的逆向推理
这一类词包括unlike、without以及所有能够表示“比例”的词等。一般推理题只要找准用来推理的句子，然后按照上面两种方法来做就不会有什么问题了。
只要掌握了这些技巧，当你在做托福阅读时，也能像侦探一样进行“推理”了。
托福阅读长难句：清洗陶瓷碎片
This abundance is notable in Roman settlements (especially urban sites) (where the labor (that archaeologists have to put into the washing and sorting of potsherds (fragments of pottery)) constitutes a high proportion of the total work during the initial phases ofexcavation).(TPO29, 42)
分析：
这个句子主干就是：
This abundance is notable in Roman settlements
这个句子理解的难点在于，where从句里中间有一个定语从句，把the labor和constitute隔开了，大家注意这样一个问题。这个问题只要能够理解，速读就不是问题了。
修饰一：(where the labor constitutes a high proportion of the total work during the initial phases of excavation)，从句
中文：在这些地方劳动占了挖掘初期总工作量的很高的比例
修饰二：(that archaeologists have to put into the washing and sorting of potsherds (fragments of pottery)) ，从句，修饰labor，难点就在于这个从句的理解，其实就是put the labor into the washing and storing of pots herds
中文：考古学家花在清洗分类陶瓷碎片上的劳动
参考翻译：
这种丰富性在罗马居住点(尤其在城市)很明显，在这些地方考古学家花在清洗分类陶瓷碎片上的劳动占了挖掘初期总工作量的很高的比例。
托福阅读长难句：学龄前预备项目
(In addition), results (from other types of preschool readiness programs)indicate that those (who participate and graduate) are less like to repeat grades, and they are more likely to complete school than readiness program, (for every dollar spent on the program, taxpayers saved seven dollars by the time the graduates reached the age of 27.)(TPO31, 55)
分析：
这个句子的主干：results indicate that
后面从句是一个并列结构：those are less like to repeat grades, and they are more likely to complete schoolthan readiness program
修饰一：(In addition)，介词短语
中文：另外
修饰二：(from other types of preschool readiness programs)，介词短语
中文：来自其他类型的学龄前预备项目
修饰三：(who participate and graduate)，从句，修饰those
中文：参加并且毕业
修饰四：(for every dollar spent on the program, taxpayers saved seven dollars by the time the graduates reached the age of 27.)，从句
注意从句里面还有一个从句，即by the time+从句 the graduates reached the age of 27，此处的by the time可看成连词，像anytime/every time/the moment一样。
中文：因为花在这个项目的每一美元，在毕业生27岁时，纳税人可以节约7美元
参考翻译：
合情推理PK演绎推理 第6篇
我们先从三个例题入手.
例1 已知数列{an}的通项公式为an=1(n+1)2(n∈N*),记f(n)=(1-a1)(1-a2)…(1-an),试通过计算f(1),f(2),f(3)的值,推测出f(n)的值.
分析 计算得f(1)=34,f(2)=46,f(3)=58.
由此猜想f(n)=n+22(n+1).
例2 小光和小明是一对孪生兄弟,刚上小学一年级.一次,他们的爸爸带他们去密云水库游玩,看到了野鸭子.小光说:“野鸭子吃小鱼.”小明说:“野鸭子吃小虾.”哥俩说着说着就争论了起来,非要爸爸给评评理.爸爸知道他们俩说得都没错,但没有直接告诉他们俩,而是用例子来进行比喻.爸爸说完后,哥俩都服气了.
以下哪一项最可能是爸爸讲给儿子们听的话?
A. 一个人的爱好是会变化的.爸爸小时候很爱吃糖,你奶奶管也管不住.但现在,你让爸爸吃,爸爸都不吃了.
B. 凡事都有两面性.咱们家养了猫,耗子就没了.但是如果猫身上长了跳蚤,也是很讨厌的.
C. 动物有时也通人性.若是主人喂它某种饲料,则吃得很好;若是陌生人喂,则怎么也不吃.
D. 你们兄弟俩的爱好几乎一样,只是对饮料的爱好有所不同,一个喜欢可乐,一个喜欢雪碧.你妈妈就不在乎,可乐、雪碧都行.
分析
在题干中,兄弟俩说的“野鸭子吃小鱼”和“野鸭子吃小虾”都没错.因为可能是一部分野鸭子吃小鱼,另一部分野鸭子吃小虾,也可能是野鸭子既吃小鱼又吃小虾,所以两个孩子的话并不矛盾.他们只是片面地看到了野鸭子的某一种行为,然后各执一词,争论不休.
选项A虽然用了比喻,但是说的是小孩和大人的区别,而题干中并未讨论小鸭子和大鸭子的区别.
在选项D中,爸爸用哥俩对可乐、雪碧各有偏好和妈妈既喝可乐又喝雪碧的例子进行类比,说明同一个群体中的不同个体可能有不同偏好,同一个体也可以有不同行为.由于比喻恰当,哥俩便服气了.
选B项讲的是事物的两面性,含有人的主观评价,与题干内容相去甚远.
选项C用的不是比喻,与题干内容不符.
故正确答案为D.
例3 用三段论的形式写出命题“函数y=lg(x+1+x2)是奇函数”的演绎推理过程.
分析 若对x∈R,有f(-x)=-f(x),则称f(x)是奇函数,(大前提)
函数f(x)=lg(x+1+x2)满足对x∈R,有f(-x)=-f(x),(小前提)
所以函数y=lg(x+1+x2)是奇函数.(结论)
例1是通过求一个数列(或定义域是正整数集的函数)的前几项的值,去猜想它的通项公式,这个过程是一个推理过程,它是由特殊到一般的推理,即在研究事物的特殊情况下的结论的基础上,得出有关事物的一般情况下的结论的推理方法,这种推理叫做归纳推理,归纳推理也称为归纳法.根据所研究的是否是事物的一切特殊情况,归纳推理一般又可分为完全归纳推理和不完全归纳推理,也称为完全归纳法和不完全归纳法.
例2实际上是用比喻进行说理,在数学上叫做用类比进行推理.类比推理是根据两个对象都具有一些相同或类似的属性,并且其中一个对象还具有另外某一属性,从而推出另一个对象也具有与该属性相同或类似的属性的推理方法,它是从特殊到特殊的推理.
以上两种推理有一个共同的性质,它们都是根据已有的事实、正确的结论(包括定义、公理、定理等)、实验或实践的结果以及个人的经验或直觉等推测某些新结果的推理过程,这样的推理叫做合情推理.合情推理具有猜测和发现结论、探索和提供思路的作用.
例3实际上是一个证明过程,证明过程本身就是一个推理过程,是从一般到特殊的推理,它是以某类事物中一般(普遍)事物的判断为前提作出这类事物中个别(特殊)事物的判断的推理方法,我们称之为演绎推理.演绎推理的过程刚好与归纳推理的过程相反.它是逻辑论证和数学证明中常用的推理方法.三段论是演绎推理的主要形式,指由两个简单判断作前提和一个简单判断作结论组成的演绎推理形式.三段论的三个简单判断中共只包含三个不同的概念,每个概念都只重复出现一次.这三个概念都有专门的名称:结论中的宾词叫“大词”,结论中的主词叫“小词”,结论不出现的那个概念叫“中词”.在两个前提中,包含大词的叫“大前提”,包含小词的叫“小前提”.
习题1 设f0(x)=sinx,f1(x)=f0′(x),f2(x)=f1′(x),…,fn(x)=fn-1′(x),n∈N*,求f2 007(x).
答案 -cosx.
习题2 类比正三角形的性质:三边长相等,三内角相等,可推知正四面体的下列一些性质:
① 各棱长相等,各共顶点的两条棱的夹角相等;
② 各个面都是全等的正三角形,各相邻两个面所成的二面角相等;
③ 各个面都是全等的正三角形,各共顶点的两条棱的夹角相等.
你认为其中比较恰当的性质是.(填序号)
答案 ③.
习题3 指出下列推理中的错误.
(1) 自然数是整数,(大前提)
-6是整数,(小前提)
所以-6是自然数.(结论)
(2) 中国的(一个)大学分布于中国各地,(大前提)
清华大学是中国的(一个)大学,(小前提)
所以清华大学分布于中国各地.(结论)
答案 (1) 小前提错误;
(2) 大前提错误.
由上述例题及习题,我们可以看出合情推理与演绎推理都是数学推理过程中常见的一些方法,它们之间联系紧密、相辅相成;同时,我们又可以看到合情推理仅仅是一种猜想,它的结论不一定正确,还需要我们进一步去研究、论证,而这个过程正好就是演绎推理.因此我们在解题时,往往先用合情推理猜想一个结论,然后再用演绎推理进行证明.
例4 已知:sin230°+sin290°+sin2150°=32,
sin25°+sin265°+sin2125°=32.
观察上述两个等式的规律,请你写出一般性的等式:
=32.
并证明该等式.
分析
一般性的等式为:sin2α+sin2(α+60°)+sin2(α+120°)=32.
证明如下:左边=1-cos2α2+1-cos(2α+120°)2
+1-cos(2α+240°)2
=32-12[cos2α+cos(2α+120°)+cos(2α+240°)]
=32-12(cos2α+cos2αcos120°-sin2αsin120°+cos2αcos240°-sin2αsin240°)
=32-12cos2α-12cos2α-32sin2α-12cos2α+32sin2α
=32=右边,
所以原式得证.
点评 将一般性的等式写成sin2(α-60°)+sin2α+sin2(α+60°)=32,或sin2(α-240°)+sin2(α-120°)+sin2α=32等均正确.这里先利用归纳推理猜想一般性的结论,再利用演绎推理证明该结论.
习题4 观察以下各等式:
sin230°+cos260°+sin30°cos60°=34,
sin220°+cos250°+sin20°cos50°=34,
sin215°+cos245°+sin15°cos45°=34.
分析上述各等式的共同特点,猜想反映一般规律的等式,并对其正确性作出证明.
解 一般等式为:sin2α+cos2(α+30°)+sinαcos(α+30°)=34.
证明过程略.
例5 已知数列{an}中,a1=1,an+1=an1+2an
(n=1,2,…),
试归纳出这个数列的通项公式并证明.
分析 a2=13,a3=15,….
一般地,有an=12n-1.
证明如下:由an+1=an1+2an,得1an+1=1+2anan=1an+2,即1an+1-1an=2,
所以数列1an是首项为1a1,公差为2的等差数列,则1an=1a1+2(n-1),
所以1an=2n-1,则an=12n-1.
点评 实际上,这里的证明通项公式的过程及方法也就是求通项公式的过程及方法.由例5以及后面的习题5,你能总结出什么规律?
若数列{an}满足an+1=aana+ban(ab≠0),则采用取倒数的方法即可得出数列1an是等差数列,再根据等差数列的通项公式即可求出数列{an}的通项公式.
习题5 设数列{an}中,a1=1,an+1=2an2+an
(n=1,2,…),试归纳出这个数列的通项公式并证明.
解 a2=23,a3=24,….
一般地,有an=2n+1.
本题也可以直接求出通项公式.
证明(求法)如下:由an+1=2an2+an,得1an+1=2+an2an=1an+12,即1an+1-1an=12,
所以数列1an是首项为1a1,公差为12的等差数列,则1an=1a1+(n-1)×12,
所以an=n+12,则an=2n+1.
例6 将平面内的三角形和空间中的四面体进行类比.
分析 这里的类比可分为以下两类(这里分别列举部分性质,请同学们自己完成证明):
(1) 平面内的直角三角形与空间中的直角四面体的性质类比.
平面内的直角三角形的性质空间中的直角四面体的性质
在△ABC中,∠BCA=90°,点C在斜边AB上的射影为D,则有结论:
(1) 点D在线段AB上.
(2) AB>AC,AB>BC, 即直角三角形的三边中,斜边最长.
(3) 射影定理:
AC2=AD•AB,CB2=DB•AB,CD2=AD•DB.
(4) 1CD2=1AC2+1CB2.
在四面体SABC中,平面SAB,平面SBC,平面SAC两两垂直,点S在底面ABC上的射影为O,则有类似结论:
(1) 点O在△ABC内.
(2) 直角四面体的四面中,底面面积最大.
(3) S2△SAB=S△OABS△ABC,
S2△SAC=S△OACS△ABC,
S2△SBC=S△OBCS△ABC.
(4) 1SO2=1SA2+1SB2+1SC2.
(2) 平面内的一般三角形与空间中的一般四面体的性质类比.
三角形四面体
三角形中任意两边之和大于第三边.
四面体中任意三个面的面积之和大于第四个面的面积.
三角形的三条内角平分线交于一点,且该点是三角形内切圆的圆心.
四面体的六个二面角的平分面交于一点,且该点是四面体内切球的球心.
三角形中任意两边中点的连线平行于第三边,且等于第三边的一半.
四面体中过任意顶点的三条棱的中点连成的三角形的面积等于第四个面面积的14,且该三角形所在平面平行于第四个面.
三角形的三条中线交于一点,且三角形的每一条中线被该点分成的两段的比为2∶1.
将四面体的每一个顶点和对面的重心相连接,所得四条线段交于一点,且其中每一条线段被交点分成的两段的比是3∶1.
在△ABC中,若∠A的平分线交边BC于点D,则ABAC= BDDC.
在四面体ABCD中,二面角CABD的平分面交棱CD于点E,则S△BCES△BDE=S△ABCS△ABD.
在△ABC中,有asinA=bsinB=csinC.
在四面体ABCD中,设棱AB与面ACD,BCD的夹角分别为α,β,则S△BCDsinα=S△ACDsinβ.
设△ABC的三边长分别为a,b,c,面积为S,内切圆的半径为r,外接圆的半径为R,则有:
(1) r=2Sa+b+c;
(2) R≥2r.
设四面体ABCD的四个面的面积分别为S1,S2,S3,S4,体积为V,内切球的半径为r,外接球的半径为R,则有
(1) r=3VS1+S2+S3+S4;
(2) R≥3r.
点评 这里是将三角形与三棱锥进行类比.事实上,平面几何与立体几何之间有许多类似的类比,比如说平面中的点与空间中的线,平面中的线与空间中的面,平面中的圆与空间中的球等都可以建立这样的类比.同学们不妨对三角形与三棱柱进行类比.
总之,就数学其公理化的严谨体系而言,它是演绎性的科学;而从数学的发现过程和研究方法来说,它又是归纳的科学.只有把合情推理与演绎推理、猜想与证明辨证地结合起来,才能在较高的层次上认识数学的本质,把握数学的思维,也才能有效地增强创新意识,提高创新能力.
巩 固 练 习
1. 平面几何中,有结论“周长一定的所有矩形中,正方形的面积最大”,类比到立体几何中,可得的结论是“ ”.
2. 将全体正整数排成一个三角形数阵:
1
2 3
4 5 6
7 8 9 10
11 12 13 14 15
……
按照以上排列的规律,第n行(n≥3)从左向右数的第3个数为.
3. 为确保信息的安全,信息需加密传输,发送方由明文→密文(加密),接收方则由密文→明文(解密).已知加密规则为:明文a,b,c,d对应密文a+2b,2b+c,2c+3d,4d.例如:明文1,2,3,4对应密文5,7,18,16.当接收方收到密文14,9,23,28时,则解密得明文为 .
4. 已知f(x)=bx+1(ax+1)2x≠-1a,a>0,且f(1)=log162,f(-2)=1.
(1) 求函数f(x)的解析式;
(2) 已知数列{xn}的通项xn=[1-f(1)][1-f(2)]…[1-f(n)],试求x1,x2,x3,x4;
(3) 猜想{xn}的通项公式.
推理系统 第7篇
传统中医诊断是通过“望”、“闻”、“问”、“切”等方法获得患者的病情资料, 结合以往中医看病经验, 采用正确的思维方法进行分析, 确定病症的临床表现特点与病情变化规律, 为临床预防、治疗提供依据。中医诊断方法的核心力量是“辨证”, 传统中医诊断的经验医学模式占据统治地位, 辨证主要取决于医生的主观经验和判断, 因而不可避免带有个人倾向性, 甚至可能做出错误决定。近年来, 为克服这种弊端, 循证医学模式[2]应运而生。循证医学是在中医诊治、数据挖掘技术、机器学习和人工智能等多学科交叉结合后产生的, 这种运用智能化推理诊断模型更客观, 更加不带有个人倾向性, 该系统作为中医专家的参考依据, 可以有效减少医师诊断错误的机会。
该系统中医数据类别包括中医疾病库、中医穴位库、中医中药库、中医方剂库及中医食疗库等。这些库有个共同的特点就是与中医症状相联系, 辨证是“以症为据”, 症状体系是中医诊治的基础和依据, 经过整理和观察, 中医症状具有以下特点:
1) 高维[4], 中医症状非常繁杂, 数据特征较多, 噪声较大。在本体库中, 出现的症状就有3千多个。这些症状未进行二次处理, 包含许多同义的症状术语, 即使经过二次处理, 症状体系的维数也是居高不下的。
2) 症状变量具有相关性。在以上众多症状中, 存在大量的相关特征、冗余特征, 甚至干扰特征。如寒热、寒热不退、寒热往来等症状。
2、症状匹配模块 (Symptoms Matching Module (SMM) )
经过观察, 大部分症状实体名伴随三种情况出现:一种情况是心理层面 (精、气、神) , 如精神短少、精血亏损等;一种情况是生理层面 (五官、脏腑) , 如舌黄、胸闷、脉细数等;再一种情况是病理层面 (排泄及排泄物) , 如汗泄、便溏、痰黄等[3]。
针对症状实体的这几个特点, 对中医症状进行分类, 建立中医领域主题词索引表, 如图1所示。
现需要解决的问题是如何根据用户的输入获取对应的中医症状术语, 本文使用基于统计和语义结合的方法。首先计算中医症状术语与用户输入的相似度, 采用向量空间模型的TFIDF方法, 具体过程如下:
1) %症状词库用向量表示, 表示成 (X1, X2, ..., Xn) , 每个Xi表示一个症状成语, 如“血枯经闭”, 其中n表示词库表中词的总数.每个Xi的向量形式为S=<s1, s2, ..., sm>。si按下面公式 (1) 计算:
公式 (1) 中, ki表示第i个词的权重。中医症候诊断标准中, 不同的指标 (症状与体征) 在辨证中所起的作用大小是不同的, 如在表证诊断中, 恶寒、发热、头痛、咽痛、脉浮的重要性不同, 其中恶寒、脉浮的重要性比其余几个症状大, 因此必须考虑各个指标重要性大小不同的问题, 即权重。
%结合中医症候诊断标准的特点, 本文采用确定权重系数的”双百分法”%双百分法是计算某一指标在某一证型中的得分占该指标在各证型中得分总和的百分比”和“认为该证型中可见到该指标的专家数占专家总人数的百分比”, 即以这两个百分比的乘积作为该指标在诊断该证型时的权重系数。
tfi表示该词在词库中出现的频率, idfi表示该词在词库中出现的反频率, 表示为idfi=log (N/n) , N表示词库中症状词总数, n表示包含该词的症状词数。
2) %用户提问的问题, 首先分词得到主题词, 问题的向量形式为S′=%<s1′, s2′, ..., sm′>, si′按下面公式 (2) 计算:
公式 (2) 中, ki′表示第i个词的权重, 按句首词的权重大于句中、句尾, 所以权重逐渐减小, 所以权重按位置设为i为该词在句中的位置。tfi′表示该词在病人问题库中出现的频率, idfi表示该词在病人问题库中出现的反频率, 表示为idfi=log (N/n) , N表示库中问题总数, n表示包含该词的问题数。
3) 设用户提问的问题为S′, 词库为S, 则计算二者的相似度等同于计算两个向量之间的夹角余弦, 如公式 (3) 所示。
基于统计的方法没有考虑到词的语义本身, 因此对同义词不能识别。如:“大腿肿, 怎么办”, 在词库中大腿是用“股”表示的, 因此定义一张中医同义词库表, 基于统计的方法和基于语义的方法, 各有所长, 把它们的优势结合起来, 显著提高系统的性能。方法实现流程如图2所示。
3、Jena推理实验
该项工作不是软件工程师能单独完成的, 需要和领域专家积极合作, 共同建立。以下是该系统的部分规则集[1]:
将规则加入Jena推理机[5]中, 程序流程图如图 (3) 所示.
主要程序代码如下所示:
4、小结
基于本体的知识工程是当前的研究热点, 本文在这方面作了有益的探索, 在以后的工作中, 可考虑将病人病史、工作性质、环境气候因素等众多复杂因素进行多信息融合, 结合领域专家构造规则集, 将所有信息融合成一张错综复杂的网络。
本文作者创新点:结合中医症状特点和用户惯常思维模式, 找到通过用户输入内容匹配本体症状库集合的有效途径, 以此基础上建立推理诊断模型。
参考文献
[1]李新霞.基于本体的中医学脾胃病知识库的构建[D].南京:南京理工大学, 2008
[2]王东升, 刘亮亮, 曹敢, 王莉莉, 等.基于领域本体的心血管疾病辅助诊断系统[J.微计算机信息, 2008, 24 (1)
[3]王世昆.中医症状病机实体识别及其关系挖掘研究[D].厦门:厦门大学, 2009
[4]王华珍, 胡雪琴, 等.中医"内生五邪"的智能证型分类[J].计算机工程与应用, 2011, 47 (6)
[5]陈琮.基于Jena的本体检索模型设计与实现[D].武汉:武汉大学, 2005
[6]李景.主要本体构建工具比较研究 (上) [J].情报理论与实践, 2006, 29 (1) :109-111
[7]韩亚洪, 刘永革.本体的查询与推理机制研究[J].计算机工程与应用, 2005, 41 (9) :82-85
[8]Protégé新手入门 (基础篇) :http://www.docin.com/p-26197625.html
推理系统 第8篇
关键词：智能答疑系统,专家系统,知识库,推理机制
专家系统(ExpertSystem)是一类具有专门知识和经验的计算机智能程序系统,通过对人类专家的问题求解能力的建模,采用人工智能中的知识表示和知识推理技术来模拟通常由专家才能解决的复杂问题,达到具有与专家同等解决问题能力的水平⑴。我国的专家系统研究起步较晚,但其发展速度却较快,已经产生了巨大的社会效益和经济效益。
近年来,信息技术的迅猛发展和广泛应用,已经推动了各行各业的技术进步,带来了新技术革命的蓬勃发展;同时,也向教育领域提出了严峻挑战,已经且继续推动着教育革命的发展⑵。其具体表现有两方面:一方面是教育模式逐渐从传统的封闭式、校园内教育,转向现代化、开放式的网络教育;另一方面是教学形式逐渐从传统的以教师为主体,以课本、教案为主要教学手段,以面对面交流为主要方式的内容灌输型,转向以学生为主体,以网络化、多媒体化为主要教学手段,以电子交互为主要方式的学生体验型。传统的答疑过程作为整个教学过程中不可或缺的一部分,为了适应新的教学方式,也不断地向现代化的网络答疑方式转变。
目前,学术上和商业上对答疑系统的研究都非常多,也取得了不少成果,但很多都存在一个具体问题,即:无法对用户迫切希望了解的内部推理过程给出具体直观的解释。笔者自己在开发智能答疑系统时,引入了专家系统理论,依托规则库的建立,同时借助新的.NET编程技术,对解决这一问题作了有益尝试,并在一定程度上解决了这一问题;同时,根据自己在具体实现过程中的经验,对如何提高智能答疑的智能性和扩展性也提出自己的一些看法。
1系统模型
1.1系统基本组成与功能
在设计智能答疑系统时,将专家系统理论与智能答疑系统的特点相结合,依托规则库的建立,使得智能答疑系统能对答案以及答案的推理过程进行直观的解释,以提高答疑系统的智能性。现建立的系统模型如图1所示,共包含五个部分,分别为用户接口、推理机、知识库、控制策略和知识获取。
1.1.1 用户接口
本模块的功能是处理系统与用户之间的交互。用户可以通过用户接口模块提出问题并获得对问题的答案以及对推理过程的解释。用户接口包括问题分析、答案抽取和推理解释三部分。其中推理解释部分的功能是对答案如何得出给予解释与说明,比如答案的动态推导过程等;同时还包括对知识点的静态说明,比如在数据库中有哪些知识点和不具备哪些知识点等。
1.1.2 知识库
知识库在整个答疑系统中占据至关重要的地位,其自身质量的优劣将直接影响到最后的答疑结果,因此对知识库的设计、管理和维护是具有重要意义的。本系统的知识库为问题分析、推理和答案提取提供规则及知识点。知识库中的静态数据库用来存储知识点,动态数据库用来存储临时数据,规则库则用来存储推理所用的规则。
1.1.3 控制策略
本模块用来确定系统应当应用什么规则和应该采用什么方式去寻找该规则。比如如何匹配、冲突解决和操作。
1.1.4 推理机
本模块用于记忆所采用的规则、控制策略和推理策略。推理机根据知识库的信息,驱动其他模块以逻辑方式协调工作,进行推理,最后做出决策。
1.1.5 知识获取
任何一个答疑系统的知识都是需要不断更新和完善的。知识获取模块的功能就是对知识库中的知识进行维护,包括增加、修改和删除。知识获取模块在答疑系统的维护中起到重要作用,也只有对知识库的不断更新才能不断地提高系统的答疑能力和智能性。
1.2 系统的基本工作过程
本系统的基本工作过程为:
(1)终端用户(大多为学生)在指定页面输入要解答的问题;
(2)用户选择结果形式:只要答案、或获得答案并同时给出推理解释;
(3)用户提交问题;
(4)系统显示结果。
其中第四步显示结果的具体过程为:
①用户提交问题,问题被传递给用户接口的问题分析模块;
②问题分析模块把用自然语言表示的问题转换成推理机需要的表达形式;
③转换后的问题被提交给推理机;
④推理机调用内部推理策略,检索知识库;
⑤推理机将检索出来的结果返回给用户接口的答案提取模块;
⑥答案提取模块依据知识库中的答案模式给出答案
用户接口模块用于把最终结果显示给用户。同时,如果用户选择了显示内部推理过程,则用户接口还会将详细的推理过程显示给用户(如图2)。
2 系统的推理机制研究
2.1 知识获取
为了提高答疑系统的智能性,使它能模拟人的智能行为,必须让计算机获得大量知识形成知识库,并不断丰富它的知识库,才能使计算机能运用知识进行推理成为可能。系统的开发难点不是软件的开发,而是知识库的构建和构建后如何实现推理。
知识获取是实现整个知识库的基础,知识库质量的高低直接决定了整个答疑系统的价值。知识获取并不是照搬书本上的知识,而是要对知识进行归纳总结,依据用户需要,不断修改的过程,这一过程从系统开发一直持续到系统维护。由于知识量的庞大冗杂,知识获取的方式显得尤为重要。智能答疑系统的知识获取方式采用以专家系统理论为指导,人工收集的方法获取的即通过对该领域内专家的咨询以及阅读大量文献资料来获取知识。其具体做法分两步:
①对答疑内容进行目标分类(如表1)和特征性描述;
②按照适用的原则,根据计算机及用户的表达习惯,重点筛选易量化、易操作的知识,进一步构建知识规则。
2.2 推理基础知识库的构建
在知识获取的基础上,本系统将知识库的设计分为三部分,即:①静态数据库;②动态数据库;③规则库组成。各部分的作用如下。
2.2.1 静态数据库
目前国内大多数智能答疑系统的研究,都依赖于FAQ(Frequently Asked Questions)来实现。这种依赖于FAQ的方法有它非常有利的一面,比如对精确问题的精确解答;但同时也发现,过分依赖于FAQ的答疑系统必须花费大量工作在问题的收集上,但又因为问题提问方式的多样性,几乎不可能把所有的问题都记录下来,所以这就不可避免地降低了系统的智能性,同时又增加了维护的工作量。为了解决这种过分依赖于FAQ的现状,同时又能不降低系统的智能性和减少维护工作量,做法是把知识点存储在静态数据库中(知识点通常都具有一定层次的、模块化的特征,所以可以用框架来表示这些知识点,而且框架理论中的框架的概念与关系型数据库中表的概念十分相似⑶,例如框架名在关系型数据库中可以用表名来代替,框架中的槽可以用字段来代替,而框架间的关联可以表示成表之间的外键连接等,有了这些相似性就可以将知识点存储在关系型数据库中),同时为了方便知识点的扩展和维护。静态数据库中的知识分为多个知识块,单独存储,以利于提高检索速度。
2.2.2 动态数据库
动态数据库用来存储推理过程需使用到的临时数据:包括推理前用户所提的问题、推理所用到的规则、推理得出的中心词、检索静态数据库所得到的答案等。有了这些数据,我们就可以了解整个推理的过程,同时又可以对推理进行解释,以使系统的推理过程能够更加透明。
2.2.3 规则库
规则库是整个知识库的重点。规则库中的知识采用产生式规则表示,依据以乔姆斯基(Chomsky)为代表人物的转换生产语法产生规则,将规则库分为问题分析规则库、推理规则库和答案提取规则库(如图3所示)。
各规则库均采用三级管理,即:“规则库规则块规则条”的方式管理,具体如如图4所示。
2.3 推理机制的实现
2.3.1 问题分析
由于文化的差异,各种语言在书写时也都有各自的习惯,这就使得对每种语言的处理方式必定会有所不同。举例来说,汉语和英语就有很多差异:在英语中,单词(Word)是具有语义的最小单位,词与词在书写时用空格隔开,所以计算机在处理时很容易从文档中分离出一个一个的单词;而在汉语中,字(单个汉字)是具有语义的最小单位,且汉语的书面语中,字与字间没有类似英语中的空格那样的天然切分标志,语句中每个汉字都是一个单独的单位,词与词之间也没有明显的界限,这就使得汉语对词的切分非常困难,必须要借助词典来完成。
汉语语句在切分完成后需要进行词类标注。在进行词类标注时,汉语中的兼类词、多义词以及词典中没有的词都会给分词造成困难。本系统借助问题分析子系统来消除分词时的这些歧义,这在一定程度上也能提高答疑系统的问题分析能力。同时,由于各种语言的差异性,为了容易区分开各种语言,本系统将问题分析规则库按语言为单位划分为单独规则块。还是以汉语和英语举例:本系统会划分出相应的中文规则块和英文规则块(如图5)。这样做的好处体现为:如果需要支持更多的语言,则只需添加其他语言对应的规则块,极大地方便了系统的扩展。
现代汉语中对汉语兼类词的研究很活跃,也取得不少成果,其中通过对大量语料标注词类属性,并进行统计计算得出的词类搭配规律,提供了很好的资源。所以本系统在实现中文规则块时,借鉴了已有的统计出来的词类搭配规律来消除词类歧义。比如:“数+名词-量词+名词”的情况,中间词取为量词;“这”,“那”,“每”等指示代词+ 名词-量词+名词的情况, 中间词取为量词⑸。
2.3.2 推理
经过对用户输入问句的分析,我们总结出了答疑系统问句的特点,并将其划分为九类;再依据乔姆斯基转换生成语法,总结出这九类句子有可能出现的句型,然后根据不同的句型,给出相应的规则。规则的判定依据问题分析的词类结果,首先判断句子所属规则块,依据判断结果进入到相应的规则块,再通过规则匹配来判断句子的中心词,将中心词及推理过程存入动态数据库。推理规则库分为九个规则块,每个规则块有不同的规则条。如图6所示。
规则的提取依据乔姆斯基的转换生成语法,提取出不同问句有可能出现的不同句型,比如:问原因的句型有:
S1:( Q v n) 例句:为什么需要知识表示?
S2:(Q n1 v n2) 例句:为什么专家系统需要知识表示?
S3:(Q m q n v) 例句:为什么一个专家系统需要知识表示?
S4:(Q n1 v m q n2) 例句:为什么专家系统需要多个知识表示?
S5:(Q m q n1 v m q n2) 例句:为什么一个专家系统需要多个知识表示?
句型中的Q代表疑问词,n代表名词,v代表动词。通过对句型的分析提取部分规则如下:
R1:IF 句子的词类依次为Q、v、n then该句型是S1。
R2:IF 句子的词类依次为Q、n1、v、n2 then该句型是S2。
R3:IF 句子的词类依次为Q、m、q、n、v then该句型是S3。
R4:IF 句子的词类依次为Q、n1、v、m、q、n2 then该句型是S4。
R5:IF 句子的词类依次为Q、m、q、n1、v、m、q、n2 then该句型是S5。
R6:IF 句子的句型为S1 then中心词为n
R7:IF 句子的句型为S2 then中心词为n2
通过提取出规则,由规则判断对应的句型,通过不同句型的匹配判断出中心词,然后依据中心词来检索静态数据库,将中心内容查找出来,存储到动态数据库。
2.3.3 答案提取
答案提取规则库中也有相应九个规则块,每个规则块均对应有不同规则条。答案提取规则库中的规则也是通过总结九类问句的回答形式而设定的规则,比如“问原因”的回答形式为:陈述句+的原因,“问方法”的回答形式为:动词+名词短语+方法。答案提取规则库依据动态数据库中的数据来判断问句的类别,根据类别得到相应的回答模式,再依据回答模式进行输出。
2.4 推理解释
推理解释机制是整个答疑系统的重要组成部分,知识推理过程对用户也有一定的启发性,因为推理过程当中用到的很多规则可以发散性地提示学生了解相关的知识,所以推理解释机制在一定程度上也起到了“教师”的作用。推理解释不但可以显示数据库中存在有哪些知识点还可以显示推理过程,本系统采用以下方法来显示推理过程:
①当规则被激活运行时,就将该规则存入动态数据库;
②推理完成后,从动态数据库获取推理所用的规则;
③合理组织输出格式,友好地显示给用户。
3 总结
在了解研究已有的众多答疑系统的基础上,采用大量使用规则库的方式来实现整个答疑系统。本系统问题分析模块中的歧义消除、检索数据库的中心词判断以及答案提取模式都是利用规则库推理的方式实现的。规则库的使用,不仅解决了困扰一般答疑系统的无法对推导过程进行跟踪难题,同时也极大地提高了系统的扩展性和复用性,这也是本答疑系统的一大特点。智能答疑系统作为一个较新的研究领域,还处于初级阶段;尽管国内外的一些研究机构已经取得了不少成果,但由于智能答疑系统其内在复杂性,由于它融合了语言学、计算机科学、心理学、数学等多种学科,所以它的发展还需要依赖于其他学科的发展,这也在一定程度上制约了智能答疑系统的发展。但我们相信,随着研究的不断深入,智能答疑系统必将会有更好的前景。
参考文献
[1]蔡自兴,(美)约翰.德尔金,龚涛.高级专家系统:原理、设计及应用.北京,科学出版社;2005:2—6
[2](美)帕克.罗斯曼.未来高等教育:终身学习与虚拟空间.青岛,中国海洋大学出版社;2006:2—7
[3]肖人彬,陶振武,刘勇,编.智能设计原理与技术.北京:科学出版社,2006
[4]刘迁,贾惠波.中文信息处理中自动分词技术的研究与展望.计算机工程与应用,2006;(3):175—177
推理系统 第9篇
关键词：紫外检测,无线通信,模糊理论,Lab VIEW
0引言
随着输变电电压等级的提高,电力设备的电压越来越高,对电力设备的绝缘性能要求也越来越高。在这些设备中,由于电极和绝缘表面存在的缺陷、导线外绝缘损伤或老化等原因可能造成电力设备局部放电,如果该类故障得不到及时处理,有可能会导致绝缘的最终击穿与失效,甚至造成电力设备的损坏。为预防这类事故的发生,在不影响正常输变电情况下,电力设备局部放电的在线检测就显得十分必要[1]。
目前的高压电力设备放电检测一般通过红外成像仪、高频探测仪[2]、紫外成像仪[3,4]等进行,但存在成本高、操作复杂、灵敏度不足、对早期放电危险难以预报、不能定量表示放电程度等弱点。高压设备产生局部放电是会产生紫外光,研究者可以通过检测紫外的强弱来判断设备的放点情况。而且检测光信号可以在不影响设备的情况下进行,因此紫外检测可以做到不停电、不影响系统运行状态,并且其抗干扰能力也很强。
但是,目前的紫外检测设备都是紫外成像仪,其成本高且不能检测放电设备的放电强度。为此,本研究提出局部放电紫外检测模糊推理量化分析系统。
1高压电气紫外放电检测原理
高压设备发生局部放电时,会辐射出光,其光谱包括紫外、可见光、红外3个谱段,随着外加电压的增加,局部放电所辐射光谱在紫外区域也随之增强。
高压电力设备局部放电产生的紫外光谱主要集中在200 nm ~ 400 nm以下波段。空气中太阳辐射的波长范围很宽,但波长220 nm ~ 280 nm之间的成分几乎被地球的臭氧层完全吸收,波长在300 nm以下的“太阳光谱盲区”的紫外辐射已经变得极其微弱。
根据设备放电的特点[5],放电时辐射的紫外光类似于脉冲电流法的电流脉冲信号,通过传感器采集紫外光辐射产生的光脉冲,去除噪声等环境干扰后,对单位时间的有效脉冲信号的数目进行统计,就是紫外脉冲法。通过统计传感器输出的脉冲数目的密集程度作为判断光强的依据:
式中: α—表示脉冲数目的密集程度,n—一定时间内的脉冲数,N—一点时间内的采集点数,P—仪器出的紫外强度。
放电源与光传感器距离远大于放电源大小,放电发光源可认为是个点光源,根据点光源的辐照度计算公式,得到:
式中: r—距离,S—阴极面积,J—光源的辐射照度,θ—光源发射方向与仪器受光面法线的夹角。
因此,当距离r与角度固定后,仪器测量可以直接反映紫外辐射强度。
2检测系统的硬件设计
系统的硬件部分包括传感器检测部分,数据采集计算和传输部分以及显示终端部分,结构如图1所示。
2. 1 传感器检测部分
经过比较分析,本研究选用日本HAMAMATSU公司的日盲型紫外传感器R9454,其实物图如图2所示。
日盲型紫外传感器R2868是利用金属的光电效应和气隙倍增效应制作而成的,其工作在太阳盲区中的185 nm ~ 260 nm波段,该波段不受太阳辐射的干扰,不需要采用可见光滤波器滤除背景紫外辐射,可有效地检测到电晕放电的紫外脉冲。
紫外检测管R9454经过驱动板C10807处理后得到标准的方波信号,方波信号频率与放电产生的紫外线强度有一定的关系。
2. 2 信号采集处理和传输部分
系统是采用STM32F103RBT6芯片的STM32开发板,它采集紫外检测管检测到的紫外信号计算分析后发送到各个显示终端[6]。
驱动板出来的紫外方波信号进过脉冲甄别模块,排除随机干扰。然后对输出信号进行A/D采样,使用规则通道单次采样模式,采样率设置239. 5周期,即( 239. 5 + 12. 5) /12 M = 21μs定时采集一次,采集数据放在存贮器中,通过对存储器中采集的信号边沿的分析来计算得到信号的周期和频率。
传输部分即把处理后的信号通过串口1发送到现场的触摸屏,串口2发送到无线收发模块,附近1 000 m附近的上位机Lab VIEW能够接收,通过串口3发送给GSM模块,警告或报警信息无距离限制送到监控人的手机。
2. 3 显示终端部分
现场触摸屏便于现场安检,形象直观,方便在触摸屏上对STM32完成参数设置等。现场触摸屏接收的数据如图3所示。
Lab VIEW[7]上位机可以作为监控室的终端服务器远程监控,能接受多个现场发送的数据,可组网监控,具体监控点数目由电脑支持串口数决定,并能把采集的紫外信号定时保存成excel表格方便查询。上位机Lab VIEW界面如图4所示。
GSM模块接收STM32开发板采集紫外信号的频率,当信号频率达到不同的等级时,模块定时发送设定好的不同短信息给监控人的手机,监控人也可以编辑短信实时查询紫外信号频率,而达到警告级别时,模块会直接呼叫监控人的手机报警。
3程序设计流程图
系统的流程图如图5所示。系统首先进行初始化,之后进行采样,通过STM32进行数据处理,然后将数据通过串口发送到触摸屏,上位机,GSM模块。
程序算法[8]在STM32中有两个关键的问题: 一个是信号采样,另一个是频率计算。本研究A/D连续采集500个点,按照各个终端的协议分别发送到各个串口的显示。而频率则是通过对信号上升沿和下一个上升沿的时间间隔来计算的,但是为了减少信号的电磁干扰,如图3所示的原始数据,必须在低电平的情况下,连续出现10个点都是高电平才算是上升沿,处理后的信号即如图4所示的规范方波。
4实验结果
在实验室的条件下,本研究采用日立236彩色电视机里面的高压帽模拟高压局部放电,通过改变驱动电路的电流来调节高压帽的放电强度,实验数据如图6所示。高压包是行输出变压器俗称,输出高压直流电,就是高压包的作用。因此使用高压帽来模拟放电现象具有普遍性。
通过检测计算,能够根据紫外信号频率找出对应放电强度之间的关系。
4. 1 测得值与放电强度的关系
经过实验发现其波形不是周期性的,因此本研究采用单位时间内高电平所占时间来表示测得的紫外光的强度,单位时间是1 min,这里用α来表示单位% 。图6是在距离5 m得到的数据,从图6中可以看到实验数据的图形和拟合的图形不是完全重合,但是误差不是很大。可以看出在距离一定时仪器测得α与Ic成正比,这个和理论上是一致的。从而可以通过测得的数据α来判断放电的强度。
4. 2 测得值 α 与距离的关系
但是在实际应用中测量距离不可能都一样,因此需要把α和距离r综合考虑。由式( 2) 得理论上在放电强度一定时,α应与r2成反比。但是实际实验数据如表1所示。从表1中可以看出在α的值与距离的平方并不是完全的成反比,因此不能以此来判断设备的放电强度。本研究提出使用模糊理论[9]来解决这个问题。
4. 3 通过模糊理论对设备放电强度的判断
定义输入、输出模糊集: 距离r的模糊子集[N O P],范围[10 m ~30 m]; 仪器测得值α的模糊子集[1 2 ~7 89],范围[1. 65 8]; 输出放电等级H的模糊子集[N O P],取值[1 2 3]。距离r、放电电流Ic和α的关系如表2所示。
表2是在不同的距离下各个放电强度对应的α值,本研究根据表2的实验数据,确定输入控量距离r、测得值α与输出控量放点强度H的模糊控制规则,模糊规则表如表3所示。
通过Matable经行仿真,仿真结果如图7所示。从仿真图中的结果对比表2的数据可以看出,这个方法是有效可行的。
模拟紫外放电和紫外检测系统实物局部图如图8所示。
5结束语
本研究通过研究了“日盲”区紫外检测原理,进行了紫外放电检测装置的硬、软件设计,并进行了放电模拟检测试验。在此基础之上,笔者采用模糊理论实现了对设备放电强度的判断。通过试验结果可知:
( 1) 该仪器能够准确地在日盲情况下检测不同强度的放电,通过模糊理论判断设备的放电强度的大小。
( 2) 当被检测设备发生放电是,该仪器能够立即发送信号给上位机报警。可以起到实时监测的效果。
( 3) 试验结果表明,该装置具有较高的灵敏度和良好的抗干扰能力。
局部放电紫外检测系统成本低,便于高压设备无线组网监控,在电气局部放电紫外检测设备中具有一定的推广意义。
参考文献
[1]王平,许琴,王林泓,等.电力设备局部放电信号的在线检测系统研究[J].电力系统保护与控制,2010,38(24):190-191.
[2]甘景福,韩克勤,周燕飞.超高频变压器局部放电在线监测系统在智能变电站的应用[J].电力科学与工程,2012,28(2):41-45.
[3]马立新,徐如钧,胡博,等.单通道双谱紫外电晕放电检测方法[J].测控技,2012,31(3):32-35.
[4]马立新,陶博豪,徐如均,等.放电故障紫外检测系统及其状态识别方[J].计算机测量与控制,2012,20(7):1803-1805.
[5]文军,何为,李春辉,等.高压电力设备放电在线监测系统[J].电力自动化设备,2010,30(6):135-139.
[6]刘军,张洋,严汉宇.原子教你玩STM32[M].北京:北京航空航天大学教育出版社,2013.
[7]陈树学,刘萱.Lab VIEW宝典[M].北京:电子工业出版社,2011.
[8]谈玲.基于ARM的虚拟示波器的设计与研究[D].南京:南京信息工程大学信息与控制学院,2006.
基于ESTA构建逆向推理专家系统 第10篇
专家系统是一种以知识为基础的计算机软件系统,拥有大量的应用领域知识。专家系统能够根据应用领域知识进行推理,模拟人类专家进行决策,解决需要人类专家才能解决的复杂问题。经过几十年的发展,其应用遍及现代社会各个角落,取得了极大的经济效益和社会效益。在研制专家系统的过程中,人们遇到了系统研制周期长、应用领域专家与知识工程师合作艰难等问题,这些问题促使人们寻求更加有效的系统开发方法。与此同时,人们发现各类专家系统之间有很多共性,这些共性包括体系结构、控制流程、运行方式、推理机制和知识表示模式等。在这种背景下,用于简化建造专家系统工作的专家系统工具应运而生。
ESTA(Expert System for Text Animation)是Prolog开发中心推出的支持Windows操作系统的专家系统工具,适用于诊断、规划等应用领域。ESTA提供了推理机、知识表示模式、知识获取工具、丰富的开发接口和用户接口,其知识表示模式包括结构化规则基型(与MYCIN系统类似)和逻辑基型(使用Visual Prolog谓词)。用户使用ESTA建造专家系统时,不需要知道专家系统的具体实现细节,只需要提供应用领域知识,即实现“知识库”。在ESTA的支持下,应用领域专家不加培训或稍加培训就能独立构造专家系统,专家系统的建造周期被大大缩短了。可见,ESTA是一个优秀的专家系统工具,具有很高的推广价值。文中结合具体的应用范例,介绍基于ESTA的逆向推理专家系统的开发方法。
2逆向推理机制
推理是根据一定的公理(或规则)从已知的事实(或判断)推出新的事实(或另外的判断)的思维过程,其中推理所依据的事实叫做前提(或条件),由前提所推出的新事实叫做结论。在专家系统中,推理以知识库已有的知识为根据,是一种基于知识的推理。推理机制按其控制策略可分为正向推理(forward reasoning)、逆向推理(reverse reasoning)和双向混合推理。逆向推理是从假设目标开始向事实方向进行的推理,又称反向推理或目标驱动推理,其基本思想是:提出一个假设目标并从该目标出发寻找支持该假设的证据,如果所需证据都能找到,那么该假设成立(即推理成功);如果无法找到支持该假设的所有证据,那么说明假设不成立,需要另做新的假设。逆向推理的优点是推理过程的方向性强,不需要使用与假设目标无关的知识,而且能对推理过程提供解释。其缺点是在选择初始目标时有盲目性,如果提出的假设目标不正确,就有可能需要多次提出假设,从而影响推理效率。所以,逆向推理机制更适合结论比较单一或直接提出结论要求证实的专家系统。
3基于ESTA的逆向推理专家系统
3.1 ESTA知识库的基本概念
ESTA的知识库由节(Section)、参数(Parameter)等组成。节位于ESTA知识库层次结构的最顶层,包含了指引用户到知识库中合适位置和给出适当忠告(advice)的一些规则。一个节由1个节名、1项文字描述和若干个段落(paragraph)组成。每个段落对应1条规则,包含1个可选的条件(使用if关键字)和若干个动作(action)。ESTA的推理机按从顶至底的顺序,依次处理当前“节”中的段落。节的基本语法如表1所示。在任何一个ESTA知识库中,必须包含一个节名为start的节,该节在专家系统推理时被第一个执行。
参数用于求值,其行为和变量非常相似,用于决定“控制”在不同的“节”之间跳转。ESTA就是通过对规则中的参数进行求值来实现逆向推理机制的。ESTA参数有boolean parameter(布尔类型参数)、text parameter(文本类型参数)、number parameter(数值类型参数)和category parameter(分类类型参数)4种类型。任何一个参数能够通过3种方式获取参数的值:(1)向用户提问,并从用户回答中获取参数值;(2)从某些规则的返回值中获取参数值;(3)通过assign动作进行赋值。一个参数由声明、类型和若干个可选项组成,语法描述如下:
3.2知识库的设计
文中实现一个感冒诊断专家系统,该系统能够向患者询问病情,根据知识库得出诊断结论,并给出用药建议。感冒诊断专家系统的知识库包含下列12条规则。
1号规则:IF有头痛或头晕症状THEN结论是有头部症状。
2号规则:IF有鼻塞或流鼻涕症状THEN结论是有鼻部症状。
3号规则:IF有惊风或浑身无力症状THEN结论是全身感觉不适。
4号规则:IF有头晕、流鼻涕症状THEN结论是感冒刚起,用药建议一。
5号规则:IF有头部症状、鼻部症状、全身感觉不适THEN结论是感冒,用药建议二。
6号规则:IF有感冒、发烧症状THEN结论是严重感冒(发烧),用药建议三。
7号规则:IF有感冒、咳嗽症状THEN结论是严重感冒(咳嗽),用药建议四。
8号规则:IF有感冒、咽痛症状THEN结论是严重感冒(咽痛),用药建议五。
9号规则:IF有感冒、发烧症状、咳嗽症状THEN结论是严重感冒(发烧咳嗽),用药建议六。
10号规则:IF有感冒、发烧症状、咽痛症状THEN结论是严重感冒(发烧咽痛),用药建议七。
11号规则:IF有感冒、咳嗽症状、咽痛症状THEN结论是严重感冒(咳嗽咽痛),用药建议八。
12号规则:IF有感冒、发烧、咳嗽、咽痛症状THEN结论是严重感冒(发烧咳嗽咽痛),用药建议九。
3.3建立ESTA参数
感冒诊断专家系统的知识库包含13个ESTA参数(见表2),这些参数用于表示推理过程中的事实和中间结论。代码一中列出了部分ESTA参数(bibuzheng、bisai和ganmaochengdu)的定义代码。
3.4建立ESTA节
感冒诊断专家系统的知识库包含1个节名为start的节,该节包含9个用于推断诊断结论的段落,分别对应于第4~12号规则。因为ESTA按从顶至底的顺序处理节中的段落,所以节中的段落必须按其覆盖范围从大到小依次排列。另外,前7个段落均包含2个动作:第1个动作是advice,用于显示诊断结论和用药建议;第2个动作是exit,用于结束推理过程。代码二中列出了start节简化后的定义代码。当一个咨询经过“开始咨询命令(Begin Consultation command)”而被开启时,ESTA的推理机从start节的第一个“布尔表达式”处(即代码二的第4行)开始执行推理,然后对规则中的ganmaochengdu、fashao、kesou、yantong等参数进行求值,根据这些参数的定义进行计算(对ganmaochengdu)或向用户提问(对fashao、kesou和yantong),从而实现逆向推理机制。
4结语
ESTA是一个优秀的专家系统工具,使用它可以高效率、高质量地开发出相关应用领域的专家系统。笔者使用ESTA开发了一个小型的逆向推理专家系统。文中所述的软件开发方法对创建大型的、通用性的专家系统有一定的借鉴价值。
摘要：介绍专家系统工具ESTA和逆向推理机制的基本概念,阐述使用ESTA构建逆向推理专家系统的基本方法。
关键词：ESTA,专家系统,逆向推理
参考文献
[1]崔奇明,李友红,崔舒婷,等.专家系统工具ESTA及其应用[M].沈阳:东北大学出版社,2010.
推理系统 第11篇
【关键词】学数学;合情推理;学习效率
按照《小学数学课程标准》的要求，编者对现行的小学数学教材进行了一些适当的修改。修改之后的教材，增加了很多探索方面的内容。因此，教师要充分利用好教材引导学生根据已知的数学知识进行合情的推理，并对推理的过程进行总结与分析。以此来培养学生的演绎推理能力，从而提升学生思维层次。那么，在教学过程中，该如何更好的培养学生的推理能力呢？
一、创设推理情境，激发学生猜想的需要
情境教学理论告诉我们，特定的情境提供了调动个体原有认知结构的某些线索，经过思维的整合与加工，个体就会产生新的认知结构。这里的情境就起到了唤醒或启迪智慧的作用。小学学生的生理年龄决定了他们思维能力。在推理过程中学生会感到枯燥，兴趣不是太大。因而在分析的时候认真程度不够，很难将结论推理出来。因此，教师要吸引学生的兴趣就要采用情境教学法。通过创设推理情境引起学生的兴趣。学习过的内容是情境的基础，能与之前学习的知识有联系。这样，学生不会感到生疏，从而进行合情的推理。例如：在教学“圆面积计算公式的推导”时，教师可以引入平行四边形面积推导方法。设置一个抢答环节，学生不用举手，直接站起来，讲讲这些图形面积推导用了哪些方法，谁先站起来就由他来回答。学生在紧张的气氛中，很容易就进入学习的状态。接着让学生根据已有的这些方法进行推导圆面积一般公式。学生在已有的基础上，进行思考，圆是不是也能像平行四边形那样进行切割呢，是不是可以像三角形那样进行拼接呢？多次思考后，学生会把圆进行各种各样的分割，慢慢的找到答案。在推导出正确的公式后，学生能树立起自信心，激发学习的兴趣。
二、进行类比推理，引导学生发现知识规律
合情推理是根据自己已掌握的知识、以及自己的经验，在观察多组数据后，进行适当的对比，找出共同点，然后根据主观判断总结出结论。学生在推导公式或定理时，由教师提供了理论基础知识。接着应当进行一系列的观察，之后在推导结论的过程中才能提升准确率。若是没有观察的基础，在进行推理时，以学生的阅历知识，不一定能推理出来。例如：在教学“长方体体积公式”时，就这样对学生说：“这节课我们首先来摆一摆方块，然后你们小组合作，测量并记录下一些数据。”教师发一些小木块，让学生将这些小木块拼成长方体。学生要开动脑筋，尽可能摆出多种长方体。接着记录下这些长方体的长、高、宽。然后将这些数据汇总起来，根据这些数据来猜测长方体体积。由于所用的木块是有限的，然而拼出的长方体却有好多种，这里面肯定有着一些联系。学生要开动脑筋，积极思考。学生在推理出公式后，教师要让他们联系前后组，来看看自己推出的公式是否与其他小组相同，如果有不同找出不同点，接着进一步推理。
三、分析推理过程，注重合情推理的过程
小学生的思维层次在初级发展阶段，教师需要进行一定的补充。但是在一次次推理之后有一定的基础了，此时就应该将推理过程全部教给学生。教师只给出数据，设置问题，这样才能进一步提升学生的推理能力。分析数据这个过程是比较重要的，关乎着学生能不能正确的总结出结论。在分析过程中，学生要考虑多方面，学会多层次思考问题，学会将手中的数据进行整理归类，在有一定的基础后，进行大胆的推理。接着进行验证猜想，多次验证后如若正确则得出推理结论。例如：在教学“可能性”时，让学生猜一猜球赛，哪一个队伍能取得胜利。给出一定的数据，教师可以自己模拟，如一个球队擅长攻，一个球队擅长防守，他们队员的身体情况、心理情况，球员的个人水平等等。给出一系列的因素，让学生根据这些因素进行推理。这种问题往往是比较复杂的，答案不唯一。然而，这种题目却能更好的提升学生的推理能力。
四、实验探究问题，采用多种方法检验猜想
学生在推理出结论后，往往会根据潜意识认为该结论就是对的。但是，真理是唯一的。结论是否正确，需要去验证。学生可以根据得出结论，举出若干个例子来验证。例如：在教学“商不变性质”时，学生在推导出这个结论后，下意识的就认为这个结论是对的。但是，学生们忽略了0的特殊情况。等式两边同时乘以0，两式都为0，看似正确的，可是我们做除法时，就出现问题了。除法是不允许除0的，所以我们在得出结论后，要排除0这种特殊情况。这种检验方法是特殊化法，通过例举特殊值来检验结论的完整性。当然还有其他方法，比如类比法等等，在理论推导之后，学生通过这些方法，可以进一步完善结论。有时候一个人会产生思维定势，对于问题的理解只在一个“圈”子内，对于进一步探索定理的正确与否，产生限制作用。教师可以利用小组合作，来解决这个问题，在小组中，进行进一步完善。学生在进行合情推理后，可以尝试着进行演绎推理。利用已有的定理结论，按照规定的法则，进行科学严谨的推理。教师可以带着学生尝试这种推理方法，树立学生严谨认真的心态，推理时要严谨，并采用多种方法进行检验。
推理系统 第12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:
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
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
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
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
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
式(5)中,swi为案例第i个征兆的权值,且
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
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
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
式(7)中,sv
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
式(8)中,sw
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
推理系统范文
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。
