基于案例的推理

基于案例的推理（精选11篇）

基于案例的推理 篇1

基于案例的推理(Case-Based Reasoning,简称CBR)是人工智能领域的一个重要分支，旨在利用已有的经验和案例去解决新问题。CBR的推理循环过程由四个环节组成，即4R循环(图1):Retrieve、Reuse、Revise、Retain。分别对应提取，重用，改编和保存(学习)。很多知名学者和团队致力于CBR的研究，自1987年以来，国际研究界每年都举行CBR研讨会。目前，CBR研究热点主要集中在：CBR与其它人工智能方法的结合与比较;CBR作为解释机制的算法研究;CBR的案例改编机制研究;CBR在推荐、计划、分类和预测等工作中的理论和应用方法;CBR在多种学科和领域的实际应用等。目前，国外已有很多成功应用CBR的系统和项目，并且应用领域逐渐拓展。国内在实际系统中应用CBR的成功例子还较少，有待进一步发展。

1 CBR的基本原理

CBR是一种新兴的学习机制和推理方法，以已有的经验和案例为知识单位进行存储，核心思想是利用过去解决问题的经验来解决新问题。本文将从CBR的知识表示和案例提取，改编等对CBR的基本原理做介绍。

1.1 知识的表示

CBR中主体知识是以案例的形式存储的，因此如何表示和存储案例和案例特征是CBR中至关重要的环节。

都柏林大学的Doyle等人提出在XML中表示CBR的相似度及其测度方法[1]。在此之前，该研究小组已经构建了一个基于XML的CBR语言———CBML，用于表示案例本身。他们近期的研究主要对CBML进行扩展，用以表示案例相似度测量知识。该扩展将两个特征值间的相似度量分为3类：精确匹配、复杂的相似度匹配以及基于差异度的匹配。CBR的XML表示为CBR技术进一步发展，尤其是网络应用的发展，开辟了很好的道路。

台湾学者在构建智能FAQ代理服务系统中，提出支持本体(ontology)的CBR方法，将本体论观点与CBR技术结合：利用本体论观点表示案例的层次结构及其特征向量，根据本体中VRelationship关系类型搜索相似案例，并进行相应的案例改编。

1.2 案例提取，改编及维护

CBR中案例提取是利用相似度原理进行的。也就是从案例库中找到与问题的特征值向量最相似的案例。在搜索相似案例时，很多基于“距离”的相似度计算方法已经被采用，“距离”越大，说明相似度越小。

案例改编采用差异驱动的策略方法。通过对案例各分量特征的不同对比生成新的案例。另外：Corchado等人将模糊逻辑应用于案例改编的自动化实现上。方法的基础是一系列TSK模糊(Takagi Sugeno Kang fuzzy)模型的集合，这些模糊模型用于指导案例改编。简化的模糊规则库允许用户获取一个系统中更一般化的知识以及对系统的逻辑结构有更为深刻的了解。

案例库维护是通过聚类算法实现的：算法思想是将传统的聚类算法应用于CBR系统中，用于案例库索引、案例增加和删除操作。利用K-means聚类算法对案例库分析，将原始案例库划分为若干案例子库，并以子库的聚类中心和算法产生的0类案例(不属于任何聚类的案例)作为案例库索引。在保持系统推理效能的前提下，最大限度地减少案例库中的案例。该方法为案例库维护提供了一条有效途径。

2 CBR在国内外的应用

2.1 在计算机和信息科学中的应用

在垃圾邮件的判定上使用CBR技术。由于垃圾邮件的内容格式不断的改变，CBR的增量式学习机制能够很好的满足这一要求。研究者使用IG评判提取出垃圾邮件的标志特征。在案例提取时，找到最接近的案例，根据垃圾邮件的评判标志来判断是否是垃圾邮件。文章还将CBR算法与纯Bayes文本分类算法进行比较。结果显示CBR在垃圾邮件判断条件的不断学习上有较强的优势。

利用CBR进行Web服务整合。CBR在其中主要用于Web服务发现，这在整个整合过程中是一个关键步骤。案例库中的每个案例代表一个以前整合过的服务，而服务是以树型结构表示其层次包含关系。在案例提取时，首先将要整合的服务分解为各个子服务，并且在服务组成的树型结构上与问题查询对应的约束进行比较，计算相似度，从而提取出最满意的服务组合模型，也就是服务的发现过程。在此之后，系统利用UDDI服务路径在Web上寻找具体的服务，并使用服务组合器进行实际的整合操作。此外，CBR在知识管理、电子商务和协同商务等方面也实现了一些具体的应用。

2.2 在生物学及医学上的应用

分子生物学中，可以利用CBR以及现有的蛋白质结晶条件数据库进行分析，对蛋白质结晶方法作出规划[7]。还有DNA序列研究、蛋白质三维结构确定等。然而，现有生物数据库大多针对某一特定领域，数据过于片面(例如只存储实验成功数据)，不能很好适应机器学习和CBR系统的应用，并且，对异质的和分布式的生物学数据库联合分析的要求逐渐增加。

CBR还用于多种疾病诊断[6]。由于多种疾病可能涉及不同器官系统，以及具有复杂的判断条件，因此传统的CBR方法不能很好应用。研究者采用3种改进措施有效地将CBR方法应用于多种疾病及并发症的诊断上，为CBR系统能够在大范围医疗领域的应用开辟了新路。

2.3 在企业管理中的应用

在企业管理方面[8]，利用CBR的相似度量方法，判断获得的新知识是否应当存储到企业知识库中，然而研究者没有提出明确的方案，对于这些企业知识如何利用CBR来实现对现实问题的解决。此外，技术投资判断、市场选择与分析、供应商管理等方面也出现了比较成熟的CBR应用;在工业设计上，出现了很多成熟的基于CBR的CAD和CAM软件产品，并已成功应用。

3 结束语

CBR作为新兴的AI推理技术，近年来在理论和应用方面都有了长足发展，并且出现了很多成熟的CBR系统和CBR开发工具。根据以上所述CBR理论和应用研究进展，可以预测未来CBR发展方向主要集中在以下几个方面：(1)作为CBR推理环节之一和研究难点之一，案例改编算法仍有待进一步发展;(2)CBR用于专家系统结果的解释以及基于CBR的解释系统的研究;(3)CBR与其它人工智能推理和学习方法的有效结合和应用;(4)CBR在各个行业的进一步的应用，实现具体的成熟的智能系统。

摘要：该文对人工智能领域的一个分支——基于案例的推理技术做了简要概述,包括CBR的原理和组成。评述了CBR近年来的理论发展和应用发展。并对未来发展方向做出了预测。

关键词：基于案例的推理,基于案例的解释,专家系统

参考文献

[1]Lorcan Cotyledonal Doyle,Pádraig Cunningham.Representingsimilarity for CBR in XML[C].Advances in Case-Based Reasoning(Proc of ECCBR-04).Madrid,Spain:Springer,2004:119-127.

[2]Yang S Y,Liao P C,Ho C S.An ontology-supported case-basedtechnique for FAQ[C].Taipei,Taiwan:Proc17th InternationalConference on Software Engineering and Knowledge Enginee-ring,2005:639-644.

[3]S rmo F,Aamodt A.Knowledge communication and CBR[C].Proceedings of the ECCBR-02Workshop on Case-Based Reaso-ning for E-ducation and Trainging Aberdeen Scotland:RobertGordon University,2002:47-59.

[4]Eva Armengol,Enric Plaza.Using symbolic descriptions to ex-plain similarity on CBR[J].Artificial Intelligence Research andDevelop-ment,2005,131:239-246.

[5]Conor Nugent,Pádraig Cunningham.A case-based explanationsystem for black-box systems[J].Artificial Intelligence Review,2005(24):163-178.

[6]Atzmueller M,Shi W,Baumeister J,et al.Case-based approaches for diagnosing multiple disorders[C].Miami Beach,FL:Proceedings of the17th International Florida Artificial Intelli-gence Research Society Conference,2004.

[7]张建华.企业知识管理中的系统学习机制[J].华东经济管理,2006,20(9):87-90.

[8]杨健,杨邓奇,张晓玲.基于案例的解释研究[J].现代计算机,2008(3):141-144.

基于案例的推理 篇2

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 篇3

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.

基于案例的推理 篇4

1 基于案例推理技术(Case-base Reasoning)

基于案例的推理是基于知识的专家系统(Knowledge-Based Systems)领域中的一个分支。基于案例推理起源于认知科学中记忆在人类推理活动中所扮演的角色。如今,CBR作为人工智能的一种主要推理技术,由于其自身的特点先后在通用问题求解、法律案例、医疗诊断、医药、故障诊断、计算机辅助设计等众多领域得到较为广泛的应用[1]。基于案例的推理(CBR)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。

从使用者的角度看,一个典型的CBR问题求解过程可以归纳为以下四个步骤:检索、重用、修正、存储。如图1所示[3,4]:

由于教师专业领域的结构复杂,很难得出像规则一样准确、抽象的知识,基于案例推理不需要得出像准确和抽象的知识,而是直接使用隐含着难以提取规则的知识片段(事例)。且课堂是一个复杂的环境,教师在处理课堂突发事件或教学问题时,所依据的通常是以往的案例,而非一般的原理,这和基于案例推理的思想(利用旧问题的解决方案解决新问题)相一致,所以,采用基于案例推理技术来实现教学案例的推理,快速准确地推导出满足教师需要的一个或多个案例解,教师通过直接利用或改进这些案例解解决实际教学问题。

2 基于案例推理的教学案例知识管理系统的设计

基于案例推理的教学案例管理系统是对教学案例进行获取、共享、修正、应用、存储和评价等的管理。其中,利用CBR技术对待求解案例进行求解,从而帮助教师解决工作中出现的新问题,使教学案例知识更好的共享、应用和创新。

2.1 教学案例知识管理系统结构

基于案例推理的教学案例知识管理系统,主要由6个部分组成,如图2所示:

2.2 教学案例知识管理系统工作流程

系统的简单工作流程如下:用户根据系统提示,输入所需教学案例的信息,形成对问题的描述,并将其送入案例检索模块,先利用案例索引对案例库进行初步检索,再对初步检索中筛选出的教学案例与所需案例进行相似度的计算,若没有符合检索条件的教学案例,则返回至问题描述模块,进行检查、修改,保证问题描述的准确性,否则,将待求解的问题连同得到的教学案例,送入方案调整模块,得到当前问题的确定解,并在方案评价模块内对其有效性进行评价,判断是否得到问题的满意解,若用户对该解表示满意,则将结果输出,并完善对该问题的描述,形成问题案例,然后进行案例学习,将有价值的案例作为新案例存储在案例库中,否则,返回至问题描述模块或方案调整模块,重新获得当前所需教学问题的确定解。

各部分的推理循环图如图3所示:

3 基于案例推理的教学案例知识管理系统的案例表示

在CBR系统中,问题求解的状态及其求解策略用一个案例来表示。以一种适当的形式将知识在计算机中表示出来是使机器具有智能的前提和基础。案例表示的研究是整个CBR研究的基础和核心。就最简单的形式来说,案例就是能导致特定结果的一系列特征属性的集合;就最复杂的形式而言,案例就是形成问题求解结构的子案例的关联集合。CBR系统中主要的知识工程任务是确定适当的案例特征,包括领域专有名词的定义和专家借以解决问题的代表性案例的收集。

3.1 案例表示

不同领域的案例其结构尽管有差异,但案例的概念基本相同。为此,本文从案例推理的角度来进行教学案例的检索,基于案例推理的教学案例问题及其求解表示为:

案例由以下信息表示:

(1)问题的描述,用P表示:

(2)问题环境的描述,用E表示;

(3)问题对象的描述,用O表示;

(4)问题求解方法的描述,用M表示;

(5)问题求解效果的描述,用U表示。

式中C指案例推理过程,其中P是由案例突出特征集AK、案例特征属性集A、特征属性关系R和案例目标集G组成的,即P=(AK,A,R,G)。AK是案例索引和分类的标识。

基于案例推理的研究方法避开了深层次知识显式表达的难点,只需利用案例库中的已知案例就能达到问题的求解目的。依照(1),所需教学案例可这样来描述,即根据用户提供的要求从教学案例库中找到一个与要求最合适的案例。

3.2 案例特征属性的抽取

案例的描述是基于案例推理的教学案例知识管理系统实现的第一步,对案例的描述实际上就是对案例的特征属性以及结果或者解决方案的抽取过程。

属性抽取和表示是指在众多描述客观环境的要素中选择足以表达案例特征的属性,并给出属性的类型和取值范围。本文中根据专家的经验,综合许多实践案例的调研,发现用户在选择教学案例的时候会考虑下面主要因素:

(1)教学背景属性列表,包括学科、教学知识点、教学目标、学生特征和案例说明等;(2)教学方案,包括教学策略、教学设计、信息技术工具、教学媒体类型等;(3)教学过程,主要包括课堂视频录像等;(4)教学后记,主要包括课堂效果、学生评专家点评和反思日志等。

并不是所有的案例的属性值都是必须存在的。案例的相关属性比较多,而作为决定因素的属性只集中在其中的几种,余下属性的属性值可以视为无法确定或不存在。在案例的特征属性确定以后,本系统中采用框架描述方式表示案例:[2]

教学案例:=<背景属性列表,教学方案,教学过程,教学后记[,子教学案例列表]>;

背景属性列表:=属性1[,属性2[,属性3[,……]]];

属性:=数值、文字、符号或其他类型的值;

教学方案:=子教学案例的顺序结构、并发结构和循环结构等的描述;

教学过程:=课堂录象;

教学后记:=学生量化分数、课堂分析结果、学生反馈、专家点评、反思日志;

子教学案例列表:=子教学案例1[,子教学案例2[,子教学案例3[,…]]];

子教学案例:=教学案例指针,案例的唯一标识或元素对象集合。

4 结束语

通过对基于案例推理的了解、研究,将教学案例管理问题与基于案例推理机制结合起来,以案例推理过程为主线,根据用户的需要,对案例推理各个步骤所采用的方法进行研究,弥补了常用推理机制的不足,提高了案例推理的速度与精度,同时,也拓展了基于案例推理的应用领域,为教学案例管理问题提供了一种新型、有效的方法。

摘要：随着案例教学的研究成为我国教育的一个热点,与此同时,教学案例的管理问题被提上日程。文章阐述了利用案例推理技术(Case-base Reasoning),设计支持教师进行教学案例研究的平台——基于CBR的教学案例知识管理系统,最大限度地方便教师获取他们所需的教学案例知识。

关键词：案例推理(CBR),教学案例,知识管理,案例表示

参考文献

[1]刘亚娟.基于CBR(Case-based Reasoning)的教学案例知识管理系统的设计[D]..东北师范大学研究生学位论文,2006,5-8.

[2]胡春梅.基于案例推理技术的教学案例知识管理系统的设计与实现[D]..首都师范大学研究生学位论文,2005,42-45.

[3]杨瑾,尤建新,蔡依平.基于案例推理的供应商选择决策支持系统研究[J].计算机工程与应用,2006,42(6):19-23.

[4]杨斌宇.基于案例的推理在智能决策支持系统中的应用[D]..吉林大学研究生学位论文,2003,15-16.

基于案例的推理 篇5

本文以大跨空间结构和高层建筑结构两类大型复杂结构型式优选为研究内容,建立了基于自组织竞争神经网络(SOFM)检索机制的实例推理系统,并应用于结构选型决策;采用面向对象的设计思想建立方案集,采用自组织竞争神经网络进行实例检索和匹配,形成了一套有效的.计算推理体系.最后给出一个高层建筑结构方案生成的算例,说明系统的工作过程.

作 者：邢方亮 王光远 作者单位：邢方亮(北京83号信箱351号,北京,100076)

王光远(哈尔滨工业大学土木工程学院,黑龙江,哈尔滨,150090)

基于案例的推理 篇6

1“类比推理”的内涵与特征

什么是类比推理？

类比推理就是从一个对象推论出另一个对象的过程.在初中物理教学中，可以是由一个概念推向另一个概念，也可以是由一種问题的解决方法推向另一种问题的解决方法.

类比可以分为“正类比与反类比”、“性质类比与关系类比”等几种类型.

类比推理具有怎样的特征呢？

因为“类比推理”的内涵是引导学生观察和比较不同事物或物理现象之间的相同或相似属性，由此展开推理，类比推理与传统的演绎和归纳相比有如下几个特征：

特征1：从思维过程上看，类比推理的方式有两种：或从个别到个别的推理，或从特殊到特殊的推理，在这一点上与演绎、归纳是有区别的.

特征2：从应用范围上看.类比推理有着更为广泛的应用，因为，演绎和归纳虽然在思维路径上截然相反，不过他们仅仅试用与同类对象之间的推理，但是类比推理则不是，两类事物的类比可以风马牛不相及，例如电压教学可以类比于水压，电流类比于水流.

特征3：前提与结论具有特殊性.由于是从个别到个别、或从特殊到特殊的推理方式，因此，我们这种推理方式前提与结论之间必然有一种特殊的线索联系，当然在类比的过程中其类比指向也不是严格、唯一指定的.例如，功率与速度可以从定义上进行正类比，当然也可以和压强的定义进行反类比.

2类比推理的一般过程

学习都有一定的过程与方法，对于类比推理也不例外，在概念学习过程中，我们在使用类比推理时，通常从表层相似关[HJ1.6mm]系出发，重整走向逻辑相似关系，最终实现对多个概念认识的深化，通常要经过如下几个相互联系的过程，笔者绘制简图如图1所示.

除了有概念学习的类比外，我们在解决复杂物理问题时，也可以类比（图2）.当然，由于学生能力存在差异，所以在解决复杂物理问题时能到达的阶段也存在着差异，而且在不同的阶段也会有不同的表现形式.

3类比推理在初中物理教学中的实践案例

案例1电压的概念教学

电压是初中物理一个重要的概念，学生虽然熟悉，但是很难理解其本质，如果这个概念不能讲透，那么对学生进入高中后学习电势、电势差、电势能有较大的影响，笔者基于学生的认知基础和这一概念本身的特点，进行了如下的类比推理.

类比分析：

（1）电流概念的类比

回归到学生的生活，用学生熟悉的现象如“日光灯会发光，电脑会正常工作”都需要有电流，生成问题：“电流是如何产生的呢？”

这个问题的解决，学生实际上是有生活可以类比的，笔者将“水流”作为电流的类比对象.以此为基础进行拓展：PPT投影水流的形成过程，将水泵与电源进行类比；阀门与电键进行类比；由前面学习的液体内部的压强知识出发，找到水流的产生原因是水位差导致了压强差形成水流，那么这个是否可以类比呢？由此联系从水压类比得到电压.

（2）稳定、持续的电流的类比

有了前面类比的基础，这里学生很自然地将问题转向对如下两个问题的思考，由此类比得到结论：

类比问题1：水在什么情况下能够产生定向流动？

类比问题2：如何实现水流的不间断流动？

（3）电压大小的类比

对于电压的高低问题，学生有一定的生活经验，那就是 2节电池串联的电压比1节电池的电压高，生活中电压值有220 V、36 V、1.5 V等，那么，电压高低是怎么回事呢？是否可以类比.

对于这个问题，笔者借助于演示实验进行了类比推理.

倒水产生的水压作用在涡轮上，学生观察倒水的位置越高，涡轮的转速越快，学生自主归纳得到水压发生变化导致了转速加快，而水压为什么会发生变化呢？因为倒水的高度即“势”发生了变化，那么，对于电压呢？也应该与“势”有关，这样在初中阶段就给学生有了一个科学的印象，而不是生硬地让学生记忆.

案例2功率的概念教学

对于功率这个概念，笔者将其与速度概念的建构进行类比，同时采用了可视化的教学手段，深化学生的认知.

速度是怎么定义的？比值定义法v=[SX（]s[]t[SX）]，意义是什么？相同的时间比移动距离；或相同的距离比时间，如果时间和距离都不相同，则比较单位时间内移动的距离，反映的是物体位置变化的快慢，运动的快慢.在这部分内容的教学过程中通常是用赛跑的图片和学生构建概念的.

那么，功率概念的建构呢？笔者将速度概念定义的过程借助于PPT呈现出来，帮助学生实现概念的建构.

3.1构建可类比的情境

借助于PPT出示两位同学搬砖比赛的全过程如图3所示，提出问题，甲、乙两同学在搬砖过程中谁做功比较快？并说出你的依据.

[TP1CW32.TIF，BP#]

3.2类比找到比较的方法

学生通过对图3的观察，类比“速度”概念建立的过程，学生很快能分析、归纳出两种比较做功快慢的方法.

方法1：由图2中的“3”、“4”可以看出做相同的功，甲用的时间短，所以甲做功快；

方法2：由图2中的“2”、“3”可以看出，相同的时间，甲做功多，所以甲做功快.

3.3进一步类比深化认识

在找到方法相似后，功率还可以进一步类比，最终两个概念都是用比值法进行定义的，建一张表格将两个概念放在一起进行比较（表1），对概念的认识就更为深刻了.

基于案例的推理 篇7

煤矿应急救援是一项社会性救灾工作[1,2,3]。煤矿应急预案能够帮助指挥人员提高处理煤矿突发事故的能力。在突发事故发生时,指挥人员根据预先制定的应急处理方案,能够及时有效地实施应急救援工作,最大限度地减少事故造成的人员伤亡和财产损失。如何科学制定、管理和评估应急预案成为当前应急管理领域的研究热点。邓万涛[4]利用目标层、准则层及方案层3层结构共计15个核心指标,通过线性加权计算煤矿应急预案的完备度,较好地解决了煤矿应急预案完整性评价的相关问题。齐琪[5]根据我国煤矿事故发生的主要因素,设计了一套应急能力评价指标体系用于对煤矿企业的日常应急管理水平进行评估和指导。然而,传统的煤矿应急预案大都停留在纸质的形式[6,7,8]。当煤矿事故发生时,纸质形式的预案管理方式对救援工作的指导不够明确,应对突发事件的实时性差,应急预案的检索以及救援方案生成的效率低。

针对由纸质形式管理的应急预案所存在的缺陷,本文采用案例推理方法,在最近相邻算法的基础上提出差异相似度算法,提高了预案检索的精确度。针对预案库不断增大的问题,提出预案库分级检索的策略,提高了预案检索效率。这些改进使得预案检索结果具有实时、高度匹配灾害特征,对于煤矿灾害救援具有重要的指导作用。

1 CBR工作模式

1.1“5-R”理论

CBR(Case-Based Reasoning)称为基于案例推理技术,它以数字化方式将发生过的历史案例和关于此案例的处理方法存入案例数据库中。当出现新问题时,用户输入关键字即可从数据库中匹配出与描述问题最为相近的案例,或将相似度较低的案例适当调整后用于处理本次事故。CBR已被应用到生物学[9]、医学以及图形图像的处理[10]等领域。传统的CBR工作模式为“4-R”理论[11],即检索(Retrieve)、重用(Reuse)、修改(Revise)和保存(Retain)。

采用“4-R”模式的前提是案例库已经建立完成。事实上,煤矿的应急预案大多采用文本形式,而数字化形式的应急预案处于不断改进与完善中[12,13]。因此,本文采用Gavin Finnie和Haohao Sun[12]提出的一种新的工作模式:“5-R”理论,即表示(Represent)、检索(Retrieve)、重用(Reuse)、修改(Revise)和保存(Retain)。该模式促进了案例推理基础理论的发展,也为将CBR应用于煤矿应急救援领域奠定了坚实的基础。“5-R”工作模式如图1所示。

图1“5-R”工作模式

(1)案例表示:分析大量历史案例,提取其中的特征信息,采用一种合理的知识表示方法,将案例信息以形式化方式存储在数据库,方便计算机查找。案例表示是应急预案数字化的第1步,也是“5-R”工作模式首先要解决的问题。案例表示的目的在于方便日后查询及修改等。关于案例的知识表示方法有产生式表示法、状态表示法、语义网络表示法、框架表示法、XML表示法以及面向对象表示法等[13]。

(2)案例检索:输入当前事故的特征信息,计算机将根据事先设计并存入计算机的特征匹配算法,从案例数据库中匹配出最为接近的案例,方便救援指挥人员参考或使用。常用的案例检索方法有知识引导法、多维分析法、模糊逻辑、归纳引导策略以及最近相邻算法[11]等。

(3)案例重用:当找到一个或多个与当前突发事件信息相匹配的案例时,优先选择其中最为相似的案例,并将其直接应用到本次事故救援中,无需对该案例进行修改。

(4)案例修改:当检索不到需要的案例或检索到的案例信息与本次事故相似度较低时,对该案例进行修改或重新生成一个案例。

(5)案例保存:保存修改过的和新添加的案例。

下面以煤矿应急预案为例,重点从案例表示和案例检索2个方面进行介绍。

1.2 煤矿应急预案的案例表示

结构合理的案例表示方法能够大大加快案例的检索匹配速度,缩短查询时间。本文以煤矿突发事件为背景,综合考虑煤矿领域专业理论后,采用框架表示法表示煤矿应急预案。框架理论是由著名学者M.Minskyz在1975年提出的。该理论认为:对于过去发生的一系列事件,人们不可能记住其中所有的细节信息。但当有新的事件发生时,人们会迅速搜寻以往经历过的事件并且能迅速做出反应。因此,最有可能的原因是人会将曾经发生的一系列事件以一个个类似于框架的形式存储于大脑中。当有新的事件发生时,就会调取相应的框架进行匹配,最终结合新的数据形成当前事件的解决方案。

一个完整的案例首先必须有一个案例编号,用于对案例进行标志,接着应有对应该种案例的案例名称和框架名称。一个框架由若干个槽组成,每个槽下又有许多侧面,每个侧面又包括很多属性或者更小的框架。这些槽、侧面、属性以及更多的小框架共同构成一个具体案例信息的表示。

表1以瓦斯煤尘爆炸事故专项应急预案为例,对框架表示做具体说明。

表1 瓦斯煤尘爆炸事故专项应急预案框架表示

1.3 煤矿应急预案相似度检索

预案检索算法的选择对预案检索和方案生成的效率有直接的影响。综合考虑煤矿应急预案的表现特征和煤矿领域的专业知识,本文采用最近相邻算法来计算煤矿应急预案的相似度。相似度的计算可从局部相似度和整体相似度两方面着手。

1.3.1 局部相似度

根据信息获取算法将煤矿应急预案的特征属性分为3种类型:数值类型、文本类型和枚举类型。

(1)数值类型:具有连续且确定的数值值域,可以精确地表示事件情况,如煤矿突发事故中的死亡人数、受伤人数、失踪人数、直接经济损失等。该类特征的局部相似度为

式中:simr(i,j)代表目标案例i与案例库中案例j在特征属性r上的局部相似度;Crmax为特征属性r的最大取值;Crmin为特征属性r的最小取值;Cir为目标案例i的第r个特征属性的取值;Cjr为案例库中案例j的第r个特征属性的取值。

(2)文本类型:该特征类型是基于关键字匹配的原则,各特征属性之间毫无关联,如煤矿事故的预案类型、事故发生地点、事故发生时间、事故发生单位、事故名称、事故状态以及行动方案等。该类特征的局部相似度计算为

当目标案例i的第r个属性与案例库中案例j的第r个属性相同时,局部相似度取值为1,否则取值为0。

(3)枚举类型:可根据事故的轻重缓急给出适当的评价标准。该类特征的局部相似度为

式中:N为该枚举类型中特征属性的最大取值。

按照类型可分为黄色、橙色和红色预警,分别定义为1,2,3,此时N=3;根据事故伤亡人数和直接经济损失的不同又可分为IV级、III级、II级和I级响应条件事故,分别定义为1,2,3,4,此时N=4。

1.3.2 整体相似度

整体相似度是局部相似度与各特征属性权值的乘积之和,计算方式为

式中:wr为特征属性r在相似度匹配时所占的权重系数,

由于各个领域计算方法不同,权重系数的计算主要包括概率计算、分层计算以及领域专家给定等方式。本文采用煤矿领域专家投票给定方式得出wr并设定专家接口,可根据实际情况修改权重系数。

2 整体相似度的改进

2.1 差异相似度

采用最近相邻算法计算相似度,根据目标案例和历史案例在特征属性间的距离来计算两者的相似度。但是,实际应用中,目标案例和历史案例存在特征属性不匹配,甚至有一方的某些特征属性缺失等情况。当出现这些状况时,若采用最近相邻算法计算案例相似度定会出现偏差,不能客观地反映决策者想要得到的结果。针对此类问题,本文提出差异相似度的概念,并对原始的整体相似度进行改进。

差异相似度的计算:

式中:S为差异相似度;为目标案例所有特征属性的权重之和;为历史案例所有特征属性的权重之和。

整体相似度的计算:

2.2 案例库改进

CBR采用自主增量式的学习,如果不采取一定措施,数据库中的案例数量将不断积累。如果依然采用以往的单级检索方法,效率将大大降低。为解决该问题,本文提出两级检索机制,并将历史案例库分为案例总库和多个案例子库,案例总库和案例子库之间采用抽象继承方式进行索引。煤矿应急预案两级检索机制如图2所示。

图2中,各种事故的抽象框架保存在总预案库中,而预案子库中保存同种类型预案的具体预案以及同种预案类型在不同应急等级下的具体处理措施。

预案检索时,可根据煤矿突发事件的预案类型,利用相似度算法从总案例库中初步匹配出具体类型的抽象预案框架,经过初期匹配,预案检索范围将缩小到同种类型的子预案库中。接着可根据具体的事故参数,例如受伤人数、死亡人数、直接经济损失、事故时间、地点、事故原因等做出初步判断,再根据事故单位规模等信息检索出具体的案例,从整体相似度最大的一个或几个案例中选择最优案例用于处理本次事故。

图2 煤矿应急预案两级检索机制

3 应用

根据上文设计思想,采用MyEclipse8.5和MySql构建了一个煤矿应急预案管理系统。根据CBR案例推理规则建立煤矿应急预案库,利用差异相似度算法检索匹配案例库中的相似案例。该系统能够根据事先设计好并保存在Excel表格中的案例模板,批量导入并自动生成案例。煤矿应急预案管理系统主界面如图3所示。根据预案类型、预案等级以及事故描述等条件检索出的相似度最大的预案如图4所示。煤矿应急预案批量导入接口如图5所示。

4 结语

基于案例推理设计并实现了煤矿应急预案智能管理系统。该系统针对煤矿突发事故的特点,充分考虑了煤矿突发事故以往的处理经验,把这些经验和理论总结成具体的案例,利用Hibernate技术将案例存入MySql数据库中,并在前台采用树形结构将所有资源进行展现。使用差异相似度算法进行预案检索,通过真实数据和仿真实验对系统进行检验,取得了很好的实用效果。

图3 煤矿应急预案管理系统主界面

图4 预案检索

图5 煤矿应急预案批量导入接口

摘要：针对文本形式的静态预案管理方式对事故发生时救援工作的指导不够精确、难以制定切实可行的救援方案的问题,设计了基于案例推理的煤矿应急预案管理系统。针对实际案例与历史案例的特征属性不匹配问题,提出差异相似度算法,该算法与案例推理中的最近相邻算法结合,能够从预案库中检索出相似度最高的历史案例,从而提高救援方案生成的效率。针对由于案例库不断增大导致查找对应预案变难的问题,给出了分级检索策略。实际应用结果表明,与传统的煤矿应急预案管理方式相比,基于案例推理的煤矿应急预案管理系统更能满足煤矿企业应急救援的及时性和针对性要求。

基于案例的推理 篇8

突发公共事件的应急救援决策是一项具有复杂性、模糊性和时效性特征的系统工程。因事件类型、环境条件、发展阶段及风险损失的不同,救援所使用的技术和设备不同[1];受灾变影响因素的复杂性、灾情信息获取的片面性和实施效果预测的模糊性影响,应急救援时常面临各种非结构化决策[2];更关键的是,必须在短时间内确定救援方案,对资源的调配做出准确的决策[3]。文献[4]指出寻求专家知识应对突发事件是提高应急决策能力的关键。因此,应急救援需要一种更智能的决策方法。

基于案例推理(case-based reasoning,CBR)是一种通过检索并借鉴历史案例的经验,对当前决策问题进行推理求解的人工智能技术。CBR对以往的求解结果进行重用,可以提高求解效率并改善求解质量[5],尤其适用于领域知识丰富的决策环境[6],因而适应应急救援的决策特征。目前最常用的案例检索方法是k-近邻法,通过计算对象在属性空间中的距离,为当前事件匹配相似的历史案例。但是,该方法应用在应急救援决策中将存在两点不足:其一,救援案例间的相似性从实施效果角度分为正向匹配和负向匹配,而方法采用对称距离对此无法识别;其二,根据案例间的距离得到相似度的简单排序结果不足以支持重大事件的救援决策,需要对检索结果进行组合调整。基于此,本文使用整体优势度(ISD)对应急救援的案例推理决策予以改进。

2 决策机理

应急救援本质上是一个方案决策过程,是为消除或缓解事件影响而制定救援方案,并在实施过程中随状态变化适时修改方案,调整救援资源[7]。应急救援方案包括源案例S和目标案例T。源案例是储存在案例库中为了解决目标问题而可能被选择重用的案例。应急救援源案例由四元组表示为S=(symptomS,problemS,solutionS,resultS),其中, 症状描述域symptomS为有限集, 表示用于索引的事故信息; problemS={dS1,dS2,…,dSn}为问题域, 即源问题属性集, 表示事件的各种症状和信号; 解决方案域solutionS={DS1,DS2,…,DSm}为非空有限集合,表示事件应急救援方案属性集;效果域resultS表示事件救援实施方案solutionS的效果。目标案例由症状描述域和问题域构成,即T=(symptomT,problemT)。基于案例推理的应急救援决策机理可以解释为:根据目标案例的事故信息,对源案例进行初始索引;通过计算问题域在属性空间中的距离,度量源案例与目标案例的相似度;匹配的源案例的解决方案为目标问题提供决策支持;补充目标案例实施解决方案后的效果,即形成完整的目标案例,如图1所示。

3 基于整体优势度的案例检索

案例检索使用相似度函数度量源案例与目标案例的匹配程度。依据CBR的基本原理,应急救援的案例检索条件可以描述为:如果problemSi与problemT相似,那么solutionSi与solutionT也是相似的。因此,源问题i的解决方案可以作为解决目标问题的决策支持。

2.1 构造混合加权属性值矩阵

假设突发公共事件的应急救援源案例集为S={S1,S2,…,Sm},目标案例为T,问题域属性集为d={d1,d2,…,dn}。应急救援决策的模糊性特征决定部分信息只能以自然语言变量刻画,对主观属性进行语言变量赋值,并转化为三角模糊数和精确数计算。表1给出三角模糊数的语义量化准则,语言变量的隶属度函数如图2所示。

定义1$\tilde{m}=(c,a,b)$称为三角模糊数,其隶属度函数为μ(x)～[0,1]:

$\mu {}_{\tilde{m}}(x)=\{\begin{array}{l}(x-a)/(a-c),\\ (x-b)/(a-b),\\ 0,\end{array}\begin{array}{l}c\le x\le a\\ a\le x\le b\\ x\le c‚x\ge b\end{array}(1)$

根据式(2)对决策矩阵的效益型和成本型属性的三角模糊数进行标准化,得到案例i的第j项主观属性的标准三角模糊数$\tilde{m}{}_{ij}=(S{}^C,S{}^A,S{}^B)$。

$\{\begin{array}{l}S{}_{ij}^C=\frac{X{}_{ij}^C}{\sqrt{{\displaystyle \sum _{i=1}^{m+1}(}X{}_{ij}^B){}^2}}\\ S{}_{ij}^A=\frac{X{}_{ij}^A}{\sqrt{{\displaystyle \sum _{i=1}^{m+1}(}X{}_{ij}^B){}^2}}\\ S{}_{ij}^B=\frac{X{}_{ij}^B}{\sqrt{{\displaystyle \sum _{i=1}^{m+1}(}X{}_{ij}^C){}^2}}\end{array}\{\begin{array}{l}S{}_{ij}^C=\frac{1}{X{}_{ij}^B\sqrt{{\displaystyle \sum _{i=1}^{m+1}\left(\frac{1}{X{}_{ij}^C}\right)}{}^2}}\\ S{}_{ij}^A=\frac{1}{X{}_{ij}^A\sqrt{{\displaystyle \sum _{i=1}^{m+1}\left(\frac{1}{X{}_{ij}^A}\right)}{}^2}}\\ S{}_{ij}^B=\frac{1}{X{}_{ij}^A\sqrt{{\displaystyle \sum _{i=1}^{m+1}\left(\frac{1}{X{}_{ij}^B}\right)}{}^2}}\end{array}(2)$

为便于计算,本文使用式(3)计算三角模糊数$\tilde{m}$ij的总期望值xγ.xL($\tilde{m}$ij)与xR($\tilde{m}$ij)分别代表三角模糊数$\tilde{m}$ij的左期望值和右期望值,γ∈[0,1]表示决策者的乐观系数,γ越大表示决策者越乐观。

$x{}_{\gamma }=\gamma x{}_R(\tilde{m}{}_{ij})+(1-\gamma )x{}_L(\tilde{m}{}_{ij})(3)$

其中,$x{}_L(\tilde{m}{}_{ij})=1/2(S{}^A+S{}^C),x{}_R(\tilde{m}{}_{ij})=1/2(S{}^A+S{}^B)$。

得到混合标准化矩阵$\tilde{U}=[S,{\rm T}]{}^{{\rm T}}=[x{}_{ij}]{}_{(m+1)\times n}$.不同的事件决定不同的救援决策,对于问题域属性有必要考虑价值参数w*j(j=1,2,…,n),因此构造混合加权规范化矩阵$\tilde{U}{}^{*}$,属性值为Xij=w*jxij(i=1,2,…,m+1;j=1,2,…,n)。

$\tilde{U}{}^{*}=\left[\begin{array}{c}S{}^{*}\\ {\rm T}{}^{*}\end{array}\right]=\left[\begin{array}{ccccc}X{}_{11}^S& X{}_{12}^S& X{}_{13}^S& \cdots & X{}_{1n}^S\\ X{}_{21}^S& X{}_{22}^S& X{}_{23}^S& \cdots & X{}_{2n}^S\\ \cdots & \cdots & \cdots & \cdots & \cdots \\ X{}_{m1}^S& X{}_{m2}^S& X{}_{m3}^S& \cdots & X{}_{mn}^S\\ X{}_1^{{\rm T}}& X{}_2^{{\rm T}}& X{}_3^{{\rm T}}& \cdots & X{}_n^{{\rm T}}\end{array}\right](4)$

假设参与应急救援决策的专家集为D={D1,D2,…,Dt},基于突发公共事件应急救援决策的复杂性和模糊性特征,本文结合模糊层次分析法与多级综合评判方法给出混合加权规范化矩阵的属性权重向量。

2.2 计算相似度

应急救援的解决方案决定救援实施效果上的差异,以目标案例为基准点,相似度高的源案例在问题域的属性空间中分布在其周围。一般的相似度函数只计算距离的大小,对于突发公共事件的应急救援,特别需要识别距离的方向。从效果域角度,反向匹配的源案例对目标问题的决策实施效果产生反作用,不适于作为决策支持。如图3所示,根据一般距离公式计算相似度,S1,S2与T的距离最小,则相似度最大;与S2相比,S1与T的距离更小,但是S1与T在Z轴上处于反向,因此S1的解决方案的效果与T和S2都是反向的,而且,反向距离越大,对效果域的负作用越大。因此,应急救援在案例推理决策中,使用矢量距离度量案例间的相似度更为适合。

根据ISD计算源案例与目标案例的匹配程度,并设定优势度φ, 控制优势源案例集S*={Si:ISD(Si,T)≤φ, 0≤φ≤1}(i=1,2,…,p)的规模, 其中, p为S*中源案例的个数。优势度反映决策者对检索源案例的偏好程度,优势度越大,表明符合检索条件的源案例越多,可供决策支持的历史信息越丰富,但是决策的复杂程度越大。检索得到的源案例Si的解决方案solutionSi可以作为目标问题problemT的决策支持。

$\begin{array}{l}{\rm I}SD(S{}_i,{\rm T})={\displaystyle \sum _{i=1}^m[}SD(S,S{}_i+SD(S{}_i,{\rm T})]/2{\rm N}(5)\\ SD(S,{\rm T})\\ =\{\begin{array}{l}{\displaystyle \sum _{j=1}^{n}f}{}_i(S,{\rm T})/{\displaystyle \sum _{j=1}^n|}f{}_i(S,{\rm T})|,{\displaystyle \sum _{j=1}^n|}f{}_i(S,{\rm T})|\ne 0\\ 0,{\displaystyle \sum _{j=1}^n|}f{}_i(S,{\rm T})|=0\end{array}(6)\\ f{}_i(S,{\rm T})=\{\begin{array}{l}w{}_j(x{}_j^{S{}_i}-x{}_j^{{\rm T}}),\\ 0,\\ w{}_j(x{}_j^{{\rm T}}-x{}_j^{S{}_i}),\end{array}\begin{array}{l}x{}_j^{S{}_i}>x{}_j^{{\rm T}}\\ x{}_j^{S{}_i}=x{}_j^{{\rm T}}\\ x{}_j^{S{}_i}<x{}_j^{{\rm T}}\end{array},\\ i=1,2,\cdots ,m;j=1,2,\cdots ,n(7)\end{array}$

ISD的绝对值大小表示源案例与目标案例的相似程度,越小则相似度越大。计算得到ISD数值上的正负之分,表示源案例与目标案例的距离在矢量方向上的差异,即正向匹配和负向匹配。负向匹配源案例对目标案例的救援效果产生反作用,不适于作为目标问题的决策支持。

作为比较,给出基于欧氏距离的目标案例T与源案例Si的相似度计算公式,计算得到SIM(T,Si)越大,表示源案例与目标案例相似度越高。

$\begin{array}{l}S{\rm I}{\rm M}(S{}_i,{\rm T})=1-d(problem{}^{S{}_i},problem{}^{{\rm T}})\\ =1-\sqrt{{\displaystyle \sum _{j=1}^{n}w}{}_j^2(x{}_{ij}^{S{}_i}-x{}_{ij}^{{\rm T}}){}^2},i=1,2,\cdots ,m(8)\end{array}$

4 决策调整与经验学习

一般情况下,检索到的源案例不能与目标案例完全匹配,而且相似度排序得到的单一源案例往往不足以支持目标问题的决策。为了获得更为合理的解,需要对符合检索条件的源案例的解决方案solutionS进行修改和组合,得到目标案例的应急救援决策

$\begin{array}{l}solution{}^{{\rm T}}={\displaystyle \sum _{i=1}^{p}w}{}_i^{*}solution{}^{S{}_i}(9)\\ w{}_i^{*}=\max {\rm I}SD(S{}_i,{\rm T}),i=1,2,\cdots ,m(10)\end{array}$

CBR具有自动学习能力。目标案例的解输出后,根据预先设定的阈值β,如果ISD(Si,T)≥β,则目标案例T存储入案例库中作为新的待检索源案例,否则被删除,从而控制案例库的规模并保证案例检索的效率。综合上述分析,基于案例推理的应急救援决策的实现如图4所示。

5 实例分析

煤炭采洗是我国工业事故伤亡最为严重的行业。除资源条件和管理因素以外,缺少科学有效的应急救援措施是致使事故影响扩大的重要原因[8]。本文以危险性和破坏程度最大的煤矿瓦斯爆炸事故为例,结合国家安全生产监督总局发布的事故应急救援统计情况,给出应急救援源案例的四元组表示法如表3所示,问题域的子属性及其含义如表4所示。

(1)混合属性值标准化

为了说明基于ISD的应急救援案例推理决策方法并验证其有效性,本文选取瓦斯爆炸事故应急救援的源案例集S={S1,S2,…,S8}和目标案例T,给出问题域的混合属性值如表5所示。取γ=0.4,对混合属性值进行标准化(限于篇幅,部分计算过程和数据略),得到混合属性值的标准化决策矩阵$\tilde{U}.$

(2)属性权重确定

参与应急救援决策的专家集为D={D1,D2,D3},而且每位专家的意见同等重要。三位专家对第一层属性集d={d1,d2,d3,d4,d5}进行两两重要性比较,分别给出模糊互补判断矩阵:

由模糊层次分析法计算得到第一层属性权重向量(1)W=(1)(w1,w2,w3,w4,w5)=(0.200,0.196,0,192,0.190,0.211)。三位专家对第二层属性进行两两重要性比较(模糊互补判断矩阵略),依据同样的方法得到属性3、属性4和属性5的子属性权重向量分别(2)W3=(2)(w31,w32,w33)=(0.308,0.353,0.339), (2)W4=(2)(w41,w42)=(0.396,0.604),(2)W5=(2)(w51,w52,w53)=(0.333,0.289,0.378)。最后,由多级综合评判方法得到属性权重向量W*=(w1,w2,w31,w32,w33,w41,w42,w51,w52,w53)=(0.200,0.196,0.060,0.068,0.065,0.075,0.115,0.070,0.061,0.080)。

(3)结果分析

根据欧氏距离和ISD分别计算目标案例与源案例的相似度,结果如表6所示。

两种不同的检索结果表明:①除S1、S5与S8以外,相似度的排序结果完全一致,第一位均为S3,可以认为基于ISD的相似度计算有效;②除S8以外,ISD(Si,T)均为正值,按照欧氏距离计算相似度排序,S8处于第二位,但是由ISD计算矢量距离发现S8与T为负向匹配,对应急救援效果产生反作用,不适合为T提供决策支持,则S8被S1替代。

取优势度φ=0.150,则优势源案例集S*={S3,S1,S7},S3,S1,S7可同时作为目标案例的决策支持,组合调整后的目标案例的应急救援解决方案为

solutionT=w*3solutionS3+w*1solutionS1+w*7solutionS7

设定阈值β=0.0015,由于ISD(S3,T)≥β决定该目标案例T应被存储入案例库。最后根据该目标问题执行解决方案solutionT的实际效果确定目标案例的效果域resultT,作为新的源案例以备救援决策时重用。

6 结语

基于案例推理技术为突发公共事件的应急救援提供决策支持体现了“以史为鉴”的思想,适应应急救援的非结构化决策特征。同时,对案例推理的检索策略基于ISD予以改进,从决策实施效果的角度,对相似源案例进行正向匹配与负向匹配的识别。决策方法的实践意义在于:①案例推理技术的自动学习能力改进了应急救援的智能决策模式;②根据源案例与目标案例的矢量距离,基于ISD的案例检索能够在相似案例中,识别对目标案例的效果域有负作用的源案例,应急救援决策得到优化;③结合案例检索结果,基于ISD为案例调整提供了一种新方法。

摘要：对突发公共事件的应急救援决策进行研究,提出基于案例推理的应急救援决策方法。通过案例的四元组表征,分析基于案例推理的应急救援决策机理;针对传统案例检索使用对称距离计算相似度在应急救援决策应用中的不足,利用整体优势度对源案例与目标案例间的矢量距离进行识别,从正向匹配和负向匹配的角度改进检索策略,提高案例匹配的有效性;同时,结合整体优势度对决策方案进行调整和学习。最后,以煤矿事故应急救援实例说明了该方法能够在相似案例中筛除负向匹配源案例,优化源案例对目标案例的决策支持。

关键词：基于案例推理,应急救援决策,整体优势度,相似度

参考文献

[1]Jiuh B S.An emergency logistics distributionapproach for quick response to urgent relief demandin disasters[J].Transportation Research,2007,43:687~709.

[2]郭德勇,刘金城,姜光杰.煤矿瓦斯爆炸事故应急救援响应机制[J].煤炭学报,2006,31(6):697~700.

[3]Linda V G,Peter J K.Improving emergencyresponsiveness with management science[J].Management Science,2004,50(8):1001~1014.

[4]黄卫东.基于环境感知的应急管理知识需求研究[J].四川大学学报(工程科学版),2007,39(5):182~186.

[5]Alain M.From case-based reasoning to traces basedreasoning[J].Annual Reviews in Control,2006,30:223~232.

[6]Michalel M,Agnar A.Case-based reasoningfoundations[J].The Knowledge EngineeringReview,2006,20(3):203~207.

[7]周习锋等.基于案例和描述逻辑的海上援救规划方法[J].计算机工程,2008,34(8):261~263.

基于案例的推理 篇9

1房地产投资风险的因素分析

本文根据项目系统内外将房地产投资风险划分为2大类:项目外部环境风险和项目本身内部风险, 并进一步细分房地产投资风险的影响因素。外部环境风险主要包括宏观经济环境风险、市场环境风险、社会环境风险、政治环境风险、地域环境风险5大类;项目内部风险主要包括施工环境风险、技术风险、管理风险3大类。具体房地产投资风险评价框架见图1。

2基于案例推理的基本理论

基于案例推理 (CBR——Case Based Reasoning) 是人工智能发展较为成熟的一个分支, 最早起源于美国耶鲁大学, 它是一种合理的推理模式, 反映出了人类思维的流动性。基于案例推理的过程是:当新问题到来时, 对其进行问题描述, 从案例库中检索与之相似的旧案例, 比较新问题与旧案例的异同之处, 对旧案例进行方案调整, 寻求目标问题的解。调整后的解决方案需要借助方案评价来判断解的质量, 如果满意, 则获得该问题的解决方案, 并加入案例库中成为新的案例。目前基于案例推理技术已比较广泛地应用于一些需要积累丰富经验的领域, 如医疗诊断、法律咨询、工程规划和设计以及故障诊断等。

将上述过程简化一下, 可以得到CBR工作过程 (见图2) 。

3基于案例推理的房地产投资风险评价系统的框架构建

3.1案例的表示

将欲评价的新问题以及案例库中众多的案例按照一定的数据结构表示出来, 称为案例的知识表示, 案例表示的方法有框架法、语义网络法、产生式规则法等。这里采用框架表示法, 框架是一种描述各类事件内部或相互关系的具体属性的结构。房地产投资风险案例核心内容的形式化描述如表1所示。

3.2框架各级指标的权重设定与检索思路

在案例相似度匹配过程中, 还有一个关键点就是对指标权重的设定。特征变量的权重设置是案例索引结构设计的难点所在。对每一个特征属性赋予一个合理的权重可以提高检索结构的准确性。对于案例的检索的思路, 可以尝试建立被评价房地产项目基本信息描述的索引, 比如“总建筑面积”、“投资成本”、“投资类型”等。首先通过基本信息的索引字段找出完全匹配的案例记录, 再查找与各个指标描述能匹配的记录, 若有匹配的, 则从对应的“结果集”中能找到适合目标案例的评价结果, 其中对应的“结果集”可以看作是风险的初步评价, 或是得到多个案例记录供参考, 进行一定的调整后可得到目标案例的评价值;若没有匹配的记录, 则增添新的案例到案例库中。

3.3相似度匹配策略

从房地产投资风险评价体系框架的表示中可以看出, 一个完整的案例信息除了包括数据信息外, 还包括文字信息, 特别是对于相关知识的描述都是采用自然语言的方式编写, 属于典型的非结构化表示方式。因此在对案例信息进行检索匹配时应当针对信息的不同特性采取不同的相似度匹配策略。

1) 数据信息的相似度策略

由于各数据值的所属范围、数量级有区别, 因此在进行相似度确定以前, 首先应对数据作归一化处理, 将数值界定在0和1之间。设定Xm为问题案例X的第m个属性;Ijm表示案例库I中第j个案例的第m个属性;表示第m个属性的权值。

其中

undefined

表示问题案例X的第m个属性与案例库I中第j个案例的第m个属性的匹配度。

2) 文字信息的相似度策略

对文字信息的相似度的计算, 目前通过对文字信息描述中关键词特征、词义特征、句法特征的分析和提取来进行计算。本系统在相似度计算中仅以关键词特征作为计算依据。就是通过利用2个句子中有效词 (动词) 来构成向量空间, 然后计算2个句子的向量, 利用这2个向量夹角的余弦值作为句子相似度。例如任给2个句子S1和S2, 它们的所有有效词构成的向量空间为V={X1, X2, X3, ..., Xn}, 其中Xi为有效词。句子S1的向量V1={w1, w2, w3, …, wn}, 其中wi为有效词Xi的句子S1中出现的次数。句子S2的向量undefined, 其中φi为有效词Xi在句子S2中出现的次数。则2个句子的相似度为

undefined

3.4案例调整

如果匹配结果是完全相似的, 则源案例的“结果集”便可作为目标案例的风险评价集。若不是完全匹配, 则匹配计算后得到的解只是作指导或参考的, 要确定目标案例的评价结果, 还要做进一步调整。可以采用系数修正法:由专家分析每一类相似安全中各案例的风险估计值与其真实结果的差别。将初步估计的结果乘以该调整系数, 便可得到房地产风险评价结果。

3.5案例学习

初始的案例库中的案例是有限的, 需要在使用中不断地将新的案例加入案例库中, 以便积累经验。案例学习是指案例库不断获得新知识和改进旧知识的过程。房地产投资风险评价案例的学习就是将推理后每类影响房地产投资风险因素获得的评价结论问题案例加入到案例库的过程。案例学习模块的策略是:若案例库中没有该案例, 则加入, 若该案例中所有的案例的相似度小于某个给定的值, 则加入;若案例库中已有该案例, 则舍弃。

4结语

CBR方法的最大优点就是能在信息不完备情况下, 根据已有的信息从案例库中找到相似案例, 并以相似案例的结果作为推理的依据。整个评价方法实际是一个基于案例推理的评价系统, 并且该系统有自我学习能力, 会不断积累和更新, 解决问题的能力也会随案例的增加逐渐增强, 这对于科学、高效评价房地产投资风险, 及时预控风险有着重要的意义。

参考文献

[1]刘军, 潘德惠, 田喜龙.房地产项目投资前期的风险评价[J].系统管理学报, 2007, 16 (2) :194-198.

[2]王桂兰.基于案例推理的审计重大错报风险评估研究[J].审计与经济研究, 2007, 22 (6) :39-45.

[3]张小芳, 栾卫东.房地产项目风险影响因素[J].山西建筑, 2007.

[4]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) :1290-1294.

[5]何永贵, 白洁, 黄仁辉, 等.基于案例推理的金融衍生品风险评价的研究[J].2006年中国控制与决策学术年会论文集, 874-878.

基于案例的推理 篇10

关键词：案例推理,电梯故障诊断

1 引言

近年来,随着房地产业快速崛起,与之关系密切的电梯行业发展迅速,全球各大电梯公司都在中国设立了合资或独资公司,竞争异常激烈。电梯产品融机械、电子、信息等诸多领域科技技于一体,其复杂程度非同一般。当一台电梯出现故障时,当前技术人员主要是靠感觉和个人经验,有时为了排除一个故障甚至要花几天时间,而很多情况下,该故障在以前服务过程中已出现过并已有解决方案。究其原因,这些经验仅存于个人,使得分析与解决问题的经验无法共享,以致分析与解决问题的能力事倍功半,失去解决问题的先机。因此,除了在产品开发上投入更大力度外,如何高质量、高效率得提供服务,快速应对产生的问题,并立即解决发生的故障,将使企业立于不败之地。而信息技术的有效利用,正是解决这一问题的有效途径。

当前,利用人工智能技术的故障诊断系统已成为故障诊断的发展方向。作为人工智能一个重要分支的基于案例的推理技术,因其知识获取容易、自适应能力强、知识库维护方便等特点,逐渐为解决故障诊断等不确定复杂问题的一种有效方法。本文研究了第二节基于案例推理技术,第三节讨论了基于案例推理的电梯故障诊断系统的设计与实现。

2 基于案例的推理原理

基于案例的推理(Case-based reasoning,简称CBR)是近年来人工智能领域中兴起的一项重要的问题求解和学习的推理技术。其主导思想是利用过去经验中的特定知识即具体案例来解决新问题,它通过寻找与之相似的历史案例,把它重新应用到新问题的环境中来。也就是采用检索历史案例,获得当前情况相似特征参数的匹配案例,根据具体情况对匹配案例解方案进行修整,然后应用于当前情况。

一个典型的CBR问题求解过程的基本步骤可以归纳为四个主要过程:案例检索(Retrieve)、案例重用(Reuse)、案例修正(Revise和案例保存(Retain)。因此CBR亦称为4R,其工作过程如图1。在CBR中通常把待解决的问题称为目标案例Target Case,把历史案例称为源案例Base Case,源案例的集合称为案例库。从图1中可以了解CBR解决问题的基本过程为:一个待解决的新问题出现,这个就是目标案例;利用目标案例的描述信息查询过去相似的案例,即对案例库进行检索,得到与目标案例相类似的源案例,由此获得对新问题的一些解决方案;如果这个解答方案失败,将对其进行调整以获得一个能保存的成功案例。这个过程结束后可以获得目标案例的较完整的解决方案;若源案例未能给出正确合适的解则通过案例修正并保存可以获得一个新的源案例。

结合电梯故障诊断的特点,在推理过程中有三个关键步骤:案例的表示与组织、案例的检索与匹配、案例的调整。下面将逐一解释其设计。

3 推理系统的设计

3.1 案例的表示与组织

案例表示是推理的基础,一个案例可由以下多元来描述:

式中,P用来表示案例的说明性属性,如案例号、电梯型号、故障简短描述,故障详细信息、故障系统、处理人员、处理日期等信息;F表示特性集,即能够反应故障发生时电梯各部分组件状态的参数,其取值类型可以为数值型、文本型、选择型等,特性集是案例匹配的关键;R表示对故障发生原因的解释;S表示排除故障的解决方案。A表示附件,如图片、相关文档等。

3.2 案例检索与匹配

案例检索的目标就是快速地从案例库中寻找一个或多个与当前问题求解“最相似”的案例,从而求得当前问题的解。CBR方法检索具有以下特点:带有一定的模糊性,要求从各个角度去比较案例之间的相似性。在确定案例知识表示方法之后,设置的检索方法是否适当对于故障诊断系统的成败至关重要。考虑到电梯故障诊断信息量大且具有不确定性,在现有各种案例推理检索算法中,最近邻匹配法能较好地适合于CBR故障诊断系统。

最近邻匹配法以n维空间的观点表示案例,每一维空间代表案例中的一个特性。当一个新案例出现时,有多个与该案例最为相近的案例被选择出来与之匹配。匹配度用于衡量两案例之间的相似程度。两案例之间的匹配度可用欧几里德(Euclidean)距离函数计算:

设V={a1(j),a2(j),...,an(j)}表示案例的一个特性向量,其中a1(j)表示案例j的第1个特征,用欧几里德距离函数表示的两案例匹配指数为:

式中:sim(T,S)表示案例T与案例S的匹配指数,数值越小说明匹配程度越高;T表示具备从1到n个特性值的新案例;S表示具备相应的从1到n个特性值的案例库中的案例;N表示案例中特性的数目;wi表示特性的权值,为简化案例库建立时的复杂度,权重的值可分为4档:不重要10;一般15;较重要25;重要50。

在案例库数量比较少时,一般不会出现检索效率的瓶颈。而当案例库不断增长时,检索效率会逐步降低。解决这一问题可由两方面入手:一方面对案例库进行缓冲,将常用的案例调入内存,这样减少了数据库查询的次数,提高了系统I/O效率;另一方面,在进行案例检索时,先对案例的属性进行筛选可有效减少计算量,而属性的筛选由数据库提供的索引机制来完成。

3.3 案例调整

一旦检索到相似案例就可以使用检索到的相似案例所提供的解决方案来帮助解决目标案例的问题,这个过程称为案例重用。对于一些匹配较好的案例,可以直接将检索到的匹配案例的解决方案作为新案例的解决方案,案例重用后取得良好效果。但在通常情况下经过案例重用过程得到的建议方案尽管与当前问题最相似,但可能还存在某些差别,从而导致建议方案中所记录的解决问题的方法和求解策略不完全适合当前问题的求解。因此需要根据当前问题的具体环境使用领域知识对不合格的解决方案进行修正以适合当前问题的求解,得到确认方案修正后的新案例经过验证,如果是可行的或正确的就可作为新的案例存储到案例库中,即对案例库进行更新。这样随着新案例的加入案例库中包含了更多的知识系统解决问题的能力也不断增强。

通常以下三种情况下需要案例调整:

1)源案例需要做部分调整即可匹配目标案例,即目标案例和源案例相似度较高,可将目标案例和源案例合并;

2)没有源案例和目标案例匹配,且当前无法解决,这就需要专家来进行会诊,当问题解决后将案例入库;

3)当案例库数量增长到一定程度时,某些案例实际上是相似的,可以合并的,即案例冗余,对系统性能会造成影响。因此需要有定期作业对案例库进行检查,得出报告,由人工来调整案例,消除冗余。

4 电梯故障诊断系统的实现

本文在SAP Netweaver 7.0和Domino workflow 3.0平台上开发了电梯故障诊断系统,后台数据使用Oracle Database 10g,用户表示示层使用了SAP Web Dynpro技术。系统的总体架构如图2所示。

推理模块基于本文第3节介绍的设计思路,实现对案例库的面向对象的描述和数据存储,检索匹配实现对案例的高效筛选和检索。对于能很好匹配的案例,将本次服务过程信息记录入库。

管理模块中,权限管理调用SAP Enterprise Portal提供的用户权限系统,对用户的角色进行分配。本系统角色分为管理员、技术专家、一般用户(现场工程师)三类,分别执行系统维护管理、案例调整、案例库查询及案例调整和技术支援请求提交。日志管理对系统产生的日志进行查询和删除。缓冲库管理配置、调整、清空案例库的缓冲。后台作业管理配置定期自动执行的任务。工作流管理对流转中的任务进行监控。

工作流模块基于Domino Workflow,用于两类情形:一类为一般用户提出对源案例进行补充修改及新案例入库的请求,这些请求需要技术专家来确认并做相应修正再入库;另一类为一般用户查询后没有得到相似案例,且无法解决的,需要启动技术支持流程,由技术专家给出解决方案,一般用户解决问题后,由技术专家对案例作出相应调整。图3为系统用例图。

5 结束语

本文应用了基于案例的推理技术,开发了电梯故障诊断系统。通过上海三菱电梯有限公司应用验证,该系统在使用和维护上都较为便利,为工程技术人员解决故障提供了科学的指导,有效得缩短了故障解决周期,提高了服务效率。在下一步的工作中,将研究与电梯运行参数实时采集系统相结合,以期更快定位故障。

参考文献

[1]Kolodner J L.An introduction to case based reasoning[J].Artificial Intelligence Review,1992,6(1):3-34.

[2]Luger G F.人工智能-复杂问题求解的结构和策略[M].史忠植,译.机械工业出版社,2004.

[3]Watson I.Applying Case-based Reasoning:Techniques for Enterprise Systems[M].San Francisco,California:Morgan Kaufmann,1997.

[4]杨洋,赵国军,刘峥.专家系统在电梯控制柜故障诊断中的应用[J].自动化技术及应用,2002,21(5):40-42.

基于案例的推理 篇11

随着我国经济的快速发展, 基础工程建设迅速, 如新建高速公路、高层建筑均包含边坡工程, 其中边坡工程的稳定性评估是影响工程安全的重要因素之一。边坡工程指岩体、土体由于重力作用或人力作用形成倾斜临空的地质体, 边坡工程在在我国广泛分布, 由于边坡组成成分多、自身结构复杂, 边坡工程时常受人类活动影响, 同时人类对边坡工程稳定性与防护治理的不重视, 导致部分边坡工程在施工期间或运营过程中受到不同程度的破坏。

基于案例推理方法是人工智能评估边坡工程稳定性的一种新方法。在我国的计算机应用等方面, 有关案例推理方法的应用研究刚刚开始, 在岩土工程领域的应用很少, 由于岩土工程中不确定因素多, 常需要工程师的具体工程分析能力和相关工程经验。我国的一些学者和专家对于案例推理方法在岩土工程中的应用展开了研究, 张清与田伟涛率先在国内岩土工程界开展案例推理方法的应用, 并开发了“隧道支护经验设计系统”[1]。姚建国将案例推理方法引入采矿工程的应用, 实现了基于事例推理的矿山支架智能CAD[2]。刘沐宇进行了案例推理方法在边坡稳定性分析中的研究[3]。由于边坡工程稳定性评价由许多因素组成, 其知识获取存在一定困难, 案例推理方法成为边坡稳定性评价的一种新方法。

1 传统的边坡理论方法

边坡是一个受多种因素影响的非线性的、不确定的动态工程, 由于边坡工程评价的不完整和不确定性, 对于边坡稳定性评价方法的研究是相对复杂的问题。边坡稳定性评价在一定程度上依靠以往工程经验。传统的边坡工程评价方法, 如工程类比法主要是人工操作, 导致工程类比法效率较低、主观性强。近年来, 面对信息的不完整和不确定性, 涌现出许多新的边坡稳定性评估理论方法, 如灰色理论法、神经网络法、模糊综合法等[4]。

灰色系统理论方法在边坡工程的稳定性评价中运用广泛, 灰色系统理论定义在判别事物的因素中既有部分已知的因素, 又有部分未知的或不确定的因素, 综合组成灰色系统。灰色系统方法主要用于分析系统模型的不确定性, 信息的不完整, 组成结构不清晰性的系统, 并进行模型建立、结论预测、结果判别和控制流程等[5]。在灰色系统中各种因素的关联分析非常关键。关联度是表征事物之间的关联程度。研究分析一个稳定性评估系统, 了解系统的组成结构和主要功能, 是提高系统效率的关键点。分析各种因素之间关系的密切性, 系统中存在的主要矛盾和特点, 是灰色关联度分析的手段。通过灰色关联度稳定性分析, 收集不完整的边坡工程信息, 进行一系列的数据处理, 分析出数据之间存在的关联性, 获取边坡稳定性影响因素[6]。

边坡的稳定性评估除了使用理论分析和数值计算, 同时还依靠专家的经验和相关工程类比。人工神经网络理论在边坡工程中应用广泛, 其理论是指通过对人脑进行抽象和模拟, 使其具有学习、记忆和归纳知识的能力, 不必借助理论定理和数学公式, 人工神经网络理论获取知识途径广泛, 在工程人工智能方法中具有实际应用价值。

模糊系统通过总结人具有的经验性知识, 能处理工程模糊性的信息, 与其相比神经网络不具备此项能力;此外模糊系统的规则集和隶属函数中设计参数大多数依靠经验确定, 无法实时设计和调整, 这是模糊系统存在的主要缺陷。然而模糊神经网络将模糊逻辑与神经网络的优点汇集在一起, 一方面可以利用人脑的逻辑思维分析解决问题, 另一方面可以利用人脑的神经元的功能处理, 同时模糊神经网络能够自动获取知识、自动适应周围环境的改变。

2 案例推理方法

案例推理的方法是人工智能领域在边坡稳定性评价中的一个新应用方向, 综合已有边坡工程经验知识用于解决新的边坡工程问题。由于是边坡工程在施工和运营阶段均存在许多不确定因素, 以往的工程经验占有一定重要性, 同时已有大量的稳定性己被研究分析出来的边坡工程案例, 使案例推理方法在边坡稳定性评价具有可行性和可操作性。

2.1 边坡工程案例的表示方法

边坡工程案例各参数表示准确性、全面性, 影响到整个案例库检索的匹配程度和效率。基于案例推理的边坡工程稳定性评价, 是对边坡案例中包含的知识描述。边坡的案例是由一系列的信息组成, 在边坡工程案例中的表述内容, 具体针对于需要解决的问题及解决问题所需的经验知识。边坡案例不只是由问题与解答组成, 同时具有一定的表达方式与组成结构。一个边坡案例是信息组成集合体, 是案例的基本特征信息和检索信息融合。边坡案例推理数据库通过关系数据库组建, 利用记录的方法表示个体案例。边坡工程案例的知识表达主要包括以下几点:

1) 边坡案例编号:表示具体案例的代码。

2) 边坡案例名称:具体案例的名称。

3) 边坡案例类型:设定土质边坡为0, 岩质边坡为1。

4) 边坡案例特点:案例特点是构成组成案例的重要元素, 表征了案例的检索信息, 案例推理过程主要是利用案例特点进行检索和匹配。

2.2 边坡案例系统组织

案例在知识边坡案例推理方法中的重要部分, 影响案例匹配与检索的效率, 案例的表示决定了案例库的组织, 由边坡案例组成的特点和检索关键字, 对案例分类型管理。就单个案例而言, 常见的有两种组织方法:

1) 综合统一组织, 将边坡案例汇集成一个整体检索;

2) 分项目组织, 按一定原则将案例分解成单个部分, 各部分数据均可独立检索。若边坡工程整天结构稳定, 内部各因素关系紧密, 多采用综合统一组织方法, 该方法操作简单, 运用不够灵活;若运用分散组织方法, 边坡工程案例使用和检索更方便, 数据能及时更新。案例检索索中特征信息比例不高者可采用分散组织, 灵活运用检索信息。将边坡工程案例的组织布置好, 可由具体的特点建立相应的索引。

2.3 案例调整

案例推理方法中案例调整非常重要, 在传统案例推理方法系统中, 一旦检索到一个匹配案例, 案例推理方法系统就应该调整这个检索到的案例解答, 以满足当前案例的需要。调整的方法是, 寻找检索到的案例与当前案例的显著区别来, 然后应用基于这些差别的公式和规则提出解答。

2.4 边坡案例库管理

边坡工程案例库的管理主要是案例的日常更新修改、增加、删除等。由于稳定性边坡分析的增加和减少, 案例库及时更新, 保证边坡工程案例的准确性, 案例数据库的完整性与实时性。边坡工程案例库准确性要求基本条件, 主要是以下几个方面:

1) 查询结果的一致性:在一定的检索方法下, 查询的结果无差异。

2) 案例的完整性:检索出的案例要求完整。

3) 案例的无误性:案例库中不存在错误的案例;

4) 案例的无冗余性:案例库中的案例无重复冗余。

检查检索的准确性, 要求边坡工程案例的索引是具有唯一性。就案例系统库而言, 边坡案例的编码代表唯一的案例, 要求新增的边坡工程案例要按照案例结构来补充。

3 结论

1) 将案例推理方法运用与边坡工程稳定性评价, 提出建设案例库结构, 以及组织和管理案例库的法。但是基于案例推理的边坡稳定性评估的计算机数据系统有待研制。

2) 本文由于实际的边坡案例收集较少, 受案例限制, 案例指标的评选受限, 会影响了案例推理方法的使用范围与实际效果。对边坡稳定的影响因素定量分析较广, 定性的分析不具体。

3) 边坡案例是记录式表示方式为主, 若改为面向对象的框架和规则混合表示法来表示案例, 同时利用面向对象的数据库来建立和组织管理案例库, 会促进系统面向对象性, 人机界面也具有面向对象性。

4) 边坡工程案例的组织索引有待进一步研究, 提高检索效率和准确性。

参考文献

[1]林杰, 霍佳震, 薛华成.基于模糊推理的案例支持系统[J].系统工程, 2000, 18 (3:) 49-53.

[2]刘沐宇.基于范例推理的边坡稳定性智能评价方法研究[D].武汉:武汉理工大学, 2001, 12.

[3]夏元友, 朱瑞赓.边坡稳定性分析专家系统研制[J].灾害学, 1997, 11 (4) :10-14.

[4]谢全敏, 夏元友, 等.边坡治理方案评判体系的层次结构模型及其应用[J].岩石力学与工程学报, 2001, 20 (S1) :1065-1069.

[5]刘沐宇, 朱瑞赓.基于范例推理的边坡稳定性评价模型[J].岩石力学与工程学报, 2002, 21 (8) :1188-1193.