工艺知识表示

工艺知识表示（精选8篇）

工艺知识表示 篇1

自改革开放以来, 我国工业生产技术便得到了极大的提升, 尤其是进入21世纪以后, 随着我国科学技术的全面提升以及众多科学技术产品在机械加工行业中的应用, 大大的提升了工业生产的效率和质量, 比如网络技术以及信息工程技术的应用。为了更好的对机械加工工艺知识进行管理和利用, 必须要对其进行有效的表示和集成, 着力解决好机械加工工艺知识的存储、重用以及共享等问题。

1“本体”的概述以及模型构建

本文所述的“基于本体的机械加工工艺知识表示”中的本体, 在此处是指所建立的机械加工工艺知识的领域本体。它是整个体系结构中的基础性模块, 为其他模块提供着依据和参考。本体模型的构建是极其复杂的, 需耗费大量的人力、物力资源。针对领域本体而言, 其模型构建可分三个阶段, 即本体分析阶段、本体构建阶段以及本体评估阶段。

利用本体模型对机械加工工艺知识进行表示, 其中本体描述语言的选用极为重要。与传统的知识表述法相比, 本体表述语有着其独有的优势, 那就是描述的“无二义性”。本体模型能够将机械加工工艺知识中的各种概念以及知识关系准确的、形象化的表示出来, 其所采用的精确语言、句法和语义, 使得领域本体内的各种知识概念、对象以及它们之间的关系更加明确, 可以有效的减少问题处理时出现的错误或是误解。目前, 虽然本体表示语言有很多, 比如XML、OML、OWL、XOL、SHOE、RDF、OEL等, 但是最为实用的当属面向语义网的WEB本体语言OWL。

2 基于本体机械加工工艺知识的模型建构

2.1 机械加工工艺知识的分类

机械加工工艺知识可按照产品生产的工艺过程进行分类, 一般情况下分为工艺层知识、工序层知识、工步层知识三类。其中, 工艺层知识包括工艺方法的选择、毛坯设计、工艺路线、模具设计;工序层知识包括工艺检测、加工机床的选择、工步设计以及工件装夹方式的选择;工步层知识主要有切削用量、量检具使用、加工余量确定、刀具选择等。如图1所示。

2.2 机械加工工艺知识领域的概念、关系、属性的获取

本体模型中的概念主要是指功能、概念、策略、任务、过程、行为等。若以“类”来表示的话, 概念体系在任何领域中都是一个庞大的系统结构。根据图2中所示对机械加工工艺知识的概念、关系和属性进行分析。比如对于工艺层中的机械加工方法, 可分为磨削、车削、镗削、钻削和铣削等;模具可分为铣夹具、车夹具以及钻夹具等。本体的属性描述可分为功能属性、数据属性、基本属性以及对象属性等。夹具的属性有夹具设计者、夹具编号、夹紧方式、名称等;本体概念之间的关系有继承、并列等, 比如内孔车刀、外圆车刀与车刀之间属于继承关系, 而外圆车刀与内孔车刀之间属于并列关系。

2.3 基于本体表示语言OWL的机械加工工艺知识本体编码

(1) 切削加工概念的表示

上文的编码所表示的意义是指“钻削”和“车削”属于“切削加工”中的两个子类, 其中sub Class是指“类公理”, 对两个概念的继承关系进行了描述。

(2) 对象属性的表示

上述编码表示对象属性“车削模具”、“车削设备”、“车削工具”的定义域为“车削”, 其值域范围分别是“车夹具”、“车床”以及“车刀”。

3 结束语

总之, 机械加工工艺知识对于工业生产有着重要的指导作用。只有将其明确的表示出来, 才能对机械加工工艺知识进行有效的管理、分享和利用, 才有利于我国机械加工行业的进步。

摘要：随着我国社会主义市场经济的进步和发展, 机械工业在我国社会建设中所起到的作用越来越关键。机械加工工艺是指利用机械对毛坯进行加工处理, 改变其尺寸、性质、形状等, 最后形成合格的零件。以此类推, 机械加工工艺知识就是对这个加工过程中的技术进行书面描述。机械加工工艺知识对工艺生产有着重要的指导作用, 是提升加工质量的重要保证。本文针对基于本体的机械加工工艺知识表示做了较为简略的研究。

关键词：本体,机械加工,工艺知识,表示,模型构建

参考文献

[1]宋海峰.技工学校《车工工艺与技能训练》一体化教学研究[J].湖南农机, 2013, (7) :215-215, 217

[2]江静, 王娟, 汤海霞等.《机械加工工艺规程设计》项目教学法的探索与实践[J].中国科教创新导刊, 2013, (5) :87-88

工艺知识表示 篇2

【关键词】解释;横杠;矛盾;笼统;规律

【中图分类号】G623.4【文献标识码】A【文章编号】1001-4128(2011)02-0188-01

人教版义务教育课程标准实验教科书七年级地理上册第45页风向风力的图例，据此对学生进行风向风力的课堂教学，其中主要是风向风力的判定。该知识点不仅是地理学科的一个基础知识，基本技能，同时该知识点的教学又体现了新课程理念——学习生活中的地理。如果教师引导好，它又是生成性课堂教学甚至是探究性学习的好素材。关于风向的判断很简单，可在“地图的方向”教学基础上进行，尾羽在什么方位就是什么风，这个风就是来向风，去向与之相反。如东北风就是从东北来，往西南去。关于风力的教学，在配套的教师教学用书中，是这样解释图例的：“尾羽的数目和形状表示风力（每根尾羽表示风速4米/秒），如3根尾羽表示6级风，4根尾羽表示7级风，尾羽呈三角旗状，表示风级8级或8级以上。”据此教学，生成了相矛盾的难以解决的问题。细细思之，这种解释是不妥的。理由如下：

首先：风力是由尾羽表示的，尾羽是由数目和形状组成的，“尾羽呈三角旗状”就是说一个三角旗，表示数目是一个，三角旗是形状；“3根尾羽”，3是数目，“根”却是量词，不是形状。如果是形状，它可能是圆的，也可能是方的，最好用“杠”字表示，由于其在风力的图例中是横放着的，应该称为“横杠”较好。所以，“3根尾羽”可以改为“尾羽呈3根横杠”。这样修改后表述更为准确。

其次：“3根尾羽表示6级风，4根尾羽表示7级风”，导致单、偶数级风力表示的矛盾。在教师教学参考用书第60页的表格中，6级风的风速是10.8-13.8米/秒，7级风的风速是13.9-17.1米/秒。虽然尾羽3根和尾羽4根的风速与之相适应，但是此种表示方法不符合学生的认知规律。3根尾羽表示6级风，那么每根尾羽表示2级风，即一根尾羽是2级风，二根尾羽就是4级风，以此类推。这样每级风的风速也符合教师教学用书第60页中的风力风速的规定，从而形成一个规律，即每增加一根尾羽，风力便相应增加2级。这样有利于学生的记忆，也便于学生对风力的识别、判断；但是4根尾羽表示7级风又是如何理解，如何解释呢？这样导致单、偶数级风力表示的冲突。其实，单数级风可以用增加半根尾羽来表示，即1级风是半根尾羽，3级风用1根半尾羽，5级风就用2根半尾羽，以此类推，7级风应是3根半尾羽来表示。如果是这样的话，单数级风的风速与教师教学用书第60页表格中的风力风速规定也相符合，它不仅说明3根半尾羽可以表示7级风，而且又完善了风力的判断规律。可是用4根尾羽表示8级风，其风速也在7级风的范围中，这说明“每根尾羽表示风速4米/秒”的规定在风力达到一定的情况下，也有些不适应了。小三角旗的出现是一个改变，它来的恰到好处，不仅可以调整一下风速的规定，还可以改变因尾羽过多导致的视觉误判。

第三：“尾羽呈三角旗状，表示风力为8级或8级以上”。这种说法是不科学的。在教师教学参考用书第48页有“风力由弱至强分为0-12级，共13级”的说法，教师教学参考用书第60页则明确规定了13级风的等级、风速、名称、陆地表面现象等，这说明不同级别的风力应有不同的具体的图例来表示。上述“尾羽呈三角旗状，表示风力为8级或8级以上”的说法太过笼统了，违背了地理科学有关名词描述的具体性、准确性和科学性。应改为“尾羽呈三角旗状表示风力为8级”。

工艺知识表示 篇3

工艺设计由于过程复杂、经验性强、涉及面广，致使其对知识的依赖性强[1]。因此，企业不仅需要对工艺知识加以有效的表示和存储，更需要工艺知识的高效重用。重用经验知识，不仅可以缩短设计周期、提高设计质量，还有利于促进工艺的继承性和标准化[2]。

随着基于模型的定义（Model-Based Definition,MBD）技术的深化应用，基于MBD的三维工艺设计逐渐得到了研究与应用。与传统二维工艺相比，基于MBD的三维工艺以中间工序模型作为工艺演进过程中的知识载体，使得工艺知识与三维模型的联系更紧密，工艺知识的表现形式更直观，工艺设计的过程更高效。

近年来，关于工艺知识的表示和重用的研究多以文本信息为分析主体，如：基于本体的知识表示和重用研究[3,4,5]。但由于文字符号难以实现知识与模型的有效关联，致使工艺知识表达抽象，知识组成不完备。基于此，部分学者对三维工艺背景下工艺知识的表示和重用进行了有益的探索。文献[6]结合工序模型驱动的工艺设计方法，从工艺过程知识表达的最小知识单元——工艺知识元入手，进行知识的建模和表示。该方法尽管可以实现工艺知识的精确检索匹配，但对于成熟的典型工艺知识而言，知识粒度过细则会导致不必要的反复检索匹配，影响工艺设计的效率。文献[7]将规则知识嵌入到零件的工艺MBD信息模型中，基于特征识别技术，实现了工艺的自动决策。但产生式规则对知识的刻画粒度较粗，且在复杂零件的自动工艺决策过程中会比较复杂和费时。

针对知识与模型难以有效关联及工艺知识刻画粒度不适当等问题，本文提出了一种三维工艺知识多粒度表示与重用方法。通过明确三维工艺知识的信息组成，建立了三维模型与工艺知识有效关联。基于三级多叉树实现了不同粒度工艺实例知识的有效组织与表示。并应用基于实例推理技术，实现了不同粒度工艺知识的检索重用，提升了工艺知识表示的完备性和知识重用水平，大幅提高了工艺设计效率。

1 三维工艺知识重用过程分析

基于知识的三维工艺设计，是在工艺设计过程中综合运用工艺知识，从而达到提升工艺设计质量和工艺设计效率的目的。它是以三维工序模型信息、工艺过程及资源信息作为输入，从而有机结合形成工艺知识，并对其以适当的形式予以表示与存储，从而为三维工艺知识的高效存储与使用奠定基础。工艺人员则通过检索相似实例知识，并对其加以修改，实现实例知识的检索重用。本文分析了三维工艺知识的重用过程，如图1所示。

在本文中，首先，根据知识的信息本质，在信息层面上对工艺知识的组成进行了详细分析，并将三维模型信息纳入工艺知识，实现了知识与模型的紧密关联。其次，依据三维工艺设计的过程特点，基于三级多叉树实现了工艺知识的实例表示，实现了工艺知识的有效组织与多粒度表示。最后，根据不同层次的工艺设计问题，应用基于实例推理技术实现了不同粒度工艺知识的检索、修改、重用。

2 工艺知识的组成分析

工艺规划过程需要综合考虑设计要求、制造资源约束等一系列因素，确定加工方法、制造资源，从而实现从毛坯逐步演变为产品的过程。而三维工艺知识，则是以中间工序模型为知识组织核心，实现工艺规划过程中各种信息的综合集成。说到底，工艺知识的本质是信息的有机组合。基于此，按工艺知识的信息组成，可将工艺知识分解为：

上式中，Knowledge表示工艺知识。Model表示加工模型信息，主要包括几何形状、拓扑结构等几何信息（Geometry），以及附着在几何信息上的材料（Material）、尺寸（Dimension）、公差（Tolerance）、表面粗糙度（Roughness）、精度（Accuracy）等加工约束信息；Process表示工艺过程信息，主要包括加工方法（Method）及工艺路线（Route）等信息；Resource表示工艺资源信息，主要包括机床等加工设备信息（Equipment）及刀具、夹具、量具、辅具等工艺装备信息（Tool）。

从工艺知识重用的角度来讲，又可将工艺知识分为源对象信息和解对象信息两部分。源对象信息是在运用知识活动中可直接得到的信息，是进行知识推理的基础；而解对象信息则是通过推理过程得到的信息，是源对象信息基于推理规则的映射。在工艺知识中，加工模型信息是源对象信息，它是进行工艺知识检索、推理的信息基础。而工艺过程信息及工艺资源信息则是解对象，它们是工艺人员对加工模型信息、以往经验、工厂资源状况等进行综合分析后得出的结果。工艺知识的信息组成表如下所示。

3 基于三级多叉树的工艺知识实例表示

工艺知识的组成明确了工艺知识都由哪些信息组成，而工艺知识的实例表示则确定了知识表示的内容和结构，运用何种知识表示方法直接关系到实例推理的效率和准确度。准确、完整、高效地表达工艺实例知识是知识重用的重要基础[8]。图2表示了工艺实例知识的表示模型，在该模型中将知识分为3个层次，分别为：工艺方案知识、工序知识及加工知识元。

其中，加工知识元是工艺设计过程中知识使用的最小单元，它是完成一个工步所需工艺信息的集合，主要包括加工模型信息、工艺过程信息及工艺资源信息。工序知识实际上是一个加工知识元序列，特殊地，对于只有一个工步的工序，则其加工知识元序列中知识元的数量为1。工艺方案知识则是一个工序知识序列，实质上，它也可详细分解为加工知识元序列。

在工艺知识表示模型中，每一个方块称为知识节点，每个知识节点都有相关属性，属性主要包括加工模型信息、工艺过程信息及工艺资源信息。其中，加工模型信息是检索推理条件，它是工艺人员检索相关知识的入口；工艺过程信息和工艺资源信息是检索推理的结果，是工艺人员检索推理得到的结果。与以往针对特定粒度的工艺知识表示方法不同，本文可在工艺方案、工序、加工元3个层次的任一知识节点实现知识的检索匹配，可针对不同粒度的工艺问题提供不同的知识。

针对本文提出的工艺知识表示模型，可将知识节点（knowledge point,KP）具体表示为：

上式中，i表示知识节点所在层级，j表示知识节点的序号，t为所在层级所具有的知识节点数；

特别地，当i=1表示该知识节点处于工艺方案知识层，此时有：

上式中，M1j表示工艺方案知识层第j个知识节点的加工模型信息，它是进行工艺方案检索重用的推理条件；P1j表示该工艺方案知识节点的工艺路线；R1j表示该工艺方案知识节点工艺资源的有序集合。

当i=2表示该知识节点处于工序知识层，此时有：

上式中，M2j表示工艺方案知识层第j个知识节点的加工模型信息，它是进行工序层知识检索重用的推理条件；P2j表示该工序层知识节点的加工方法集，它是工步的有序序列；R2j表示该工序层知识节点工艺资源的有序集合。

当i=3表示该知识节点处于加工知识元层，此时有：

上式中，M3j表示加工知识元层第j个知识节点的加工模型信息，它是进行加工知识元层知识检索重用的推理条件；P3j表示该加工知识元层知识节点的加工方法；R3j表示该知识节点的工艺资源信息。

式(6)～式(8)中，mijq表示知识节点KiPj加工模型信息的属性，q=1,2,…,n,n为加工模型信息所具有的属性个数；此外，可将属性mijq表示为一个三元向量组mijq(xijq,yijq,wijq），其中xijq表示属性名，yijq表示属性值，表示该属性在工艺规划中的重要程度，权值越大，表明该属性越重要。

为实现各层级知识节点间的相互关联，实现典型工艺方案知识、工序知识的重用，将明确各知识节点间的父子关系，实现工艺知识的精确组织。知识节点的组织方式如表2所示。

4 基于实例推理的工艺知识重用

尽管基于实例推理的方法出现较早，但它仅需将实例简单地存储便可实现知识的检索重用，原理简单，实用性强，因此在工程领域得到了广泛应用。本文将各知识节点看作检索实例，实现工艺知识的检索重用。

工艺人员在工艺设计时，首先对工艺问题进行简要描述，并确定工艺问题属于工艺方案层、工序层还是工步层，从而基于相似度计算在知识库中进行知识检索。若检索所得结果与问题精确匹配，则直接调用知识库中知识；若检索所得结果与问题不是精确匹配，则由工艺人员根据实际情况加以修改使用，同时将该实例存于数据库中，以便后续使用。基于CBR的工艺知识重用过程如图3所示。

表1详细描述了工艺知识的信息组成，从中可以看出在工艺设计过程中，加工模型信息一般可通过读取三维图直接得到，这些信息可作为工艺知识检索、推理的条件，它们在CBR中也作为进行相似度匹配的参数。而工艺过程信息、工艺资源信息则是在工艺规划过程中所求信息，它们是工艺知识检索、推理的结果。

其中，加工模型信息主要包括：几何信息、材料、尺寸、公差、表面粗糙度、精度。针对不同知识层级的工艺设计问题，所应用的加工模型信息会有所不同。如：工艺方案知识匹配仅需几何信息、材料信息，而在工序知识和加工知识元的匹配中则需要上述所有加工模型信息作为匹配参数。在这些匹配参数中，几何信息是三维CAD模型，公差是区间值，材料是离散值，表面粗糙度、精度及尺寸是连续值，各个参数值的属性是不同的，因此需要针对不同参数值属性进行相似度计算。

1）三维模型匹配。三维工序模型的匹配通过基于加工特征的提取与匹配方法进行相似度匹配，具体算法可参见文献[9]。

2）区间值匹配。设问题空间中某一属性Q的区间值为[q1,q2],知识库中某一属性B的区间值为[b1,b2]。则其相似度计算公式为：

当q1<b1且b1<q2≤b2时，两区间存在重叠区域，则有：

当b1<q1<q2<b2时，一个区间包含另外一个区间，此时：

3）离散值匹配。设问题空间中某离散型属性值为q，知识库中相对应的属性值为b。则其相似度计算公式为：

4）连续值匹配。设问题空间某连续值为q，知识库中相对应的属性值为b。则其相似度计算公式为：

通过以上公式，可逐一计算加工信息模型中各参数的相似度，接着可得出问题空间与知识库中知识节点的相似度计算公式为：

公式(14)中，S是匹配属性的个数，wi为各个属性在相似度计算中的权值，它是表示该属性在工艺规划中的重要程度。特别地，各属性权值的确定可通过工艺专家予以确定。

基于以上公式，可计算出问题描述与知识库中知识的相似度值。特别地，对于加工知识元层级的问题，可直接选择相似度最高的修改后即可应用。而对于工艺方案层和工序层的问题，在检索得到相应的知识节点后，还要找出其子节点，做相应修改后实现典型工艺方案知识与工序知识的重用。

5 实例验证

基于上述方法，本文以C#为开发语言，VS2013为开发工具，开发了一个三维机加工艺知识管理与重用系统。图4是以矩形齿花键套的内孔加工为例，应用该系统实现知识重用的实例界面。

从上图可看出，在知识重用过程中，工艺人员首先要确定所求知识所属的知识层级，接着输入相应的匹配参数，如：几何模型、材料、尺寸等，通过参数的相似度计算，得到知识相似度列表，列表依相似度降序依次排列。如图所示，序号为1的知识是与检索参数相似度最高的一条知识。通过对比分析可知，该条知识与所求问题的尺寸和公差稍有不同，因此可对该条知识稍加修改便可应用于所求问题。

工序知识层及工艺方案知识层的工艺知识重用界面如图5所示。与加工知识元层知识的重用类似，工序及工艺方案知识层的知识重用均是通过将加工模型信息作为匹配参数来实现工艺知识的检索、修改、重用。与加工知识元所不同的是，工序及工艺方案知识需要关联其知识子节点，从而实现典型工序及典型工艺方案的检索重用。

6 结束语

本文针对三维工艺设计的过程特点，提出了一种三维工艺知识多粒度表示与重用方法。首先明确了工艺知识的信息组成，并在此基础上，提出基于三级多叉树的知识表示方法，实现了工艺方案知识、工序知识及加工知识元间的相互关联与有效标识。并基于该知识表示方法，在不同知识粒度上实现了基于实例推理的工艺知识检索重用。最后，基于本文提出的方法，开发了一个三维机加工艺知识管理与重用系统，并在实践中得到了应用。实践表明，该系统可实现加工知识元、工序知识及工艺方案知识的高效检索重用，为基于知识的快速工艺设计提供有效支撑。

参考文献

[1]赵昌葆,郑双.一种工艺设计综合知识表示方法及其应用[J].制造业自动化,2011(03):29-32.

[2]Alizon F,Shooter S B,Simpson T W.Reuse of manufacturing knowledge to facilitate platform-based product realization[J].Journal of Computing and Information Science in Engineering,2006,06(02):170.

[3]吕素刚.基于本体的加工工艺知识库系统研究及应用[D].南京:南京航空航天大学,2011.

[4]孙刚,万毕乐,刘检华,尚炜.基于三维模型的卫星装配工艺设计与应用技术[J].计算机集成制造系统,2011(11):2343-2349.

[5]严键,陈友玲,刘文科.基于本体映射的零件工艺实例重用方法研究[J].计算机应用研究,2012(01):177-180.

[6]常智勇,黄一波,万能,赵杰.零件工艺知识建模及其相似度度量方法研究[J].机械科学与技术,2015(06):892-897.

[7]龚亮亮,张振明,等.基于模型定义的工艺知识表示及工艺决策方法研究[J].机械制造,2013,05:78-81.

[8]吴晓晓,敬石开,刘海滨.航天产品设计知识的表示与重用技术研究[J].制造业自动化,2009(11):04-07,18.

基于知识树的知识表示模型设计 篇4

通过对现有各种智能化教学系统进行分析,不难发现要实现系统的智能化关键要解决两个难题:一是网络课程的知识表示模型设计二是获取用户兴趣的用户模型设计,典型的智能化教学系统模型如图1所示。

用户模型:描述用户的个性特征,包括用户基本信息、学习风格、学生兴趣、认知水平(背景知识、知识熟练程度、认知能力);学习行为记录了用户的学习历史过程(如访问哪些资源、学习时间、访问次数等),系统可根据用户的学习历史过程更新用户模型。

课程知识库:智能化教学系统的核心,是实现个性化知识推荐的关键。知识表示模型决定了知识库的架构。知识表示模型能够有效地控制教学过程,与科学的教学策略相结合,能够满足个性化知识推荐的需求,实现因材施教的教育思想。知识表示是学科知识与教学策略的整合,它的实质是知识的符号化,主要是为了便于计算机对知识进行存储和处理。目前,使用较多的知识表示技术有一阶谓词逻辑表示法、语义网表示法、产生式表示法、框架表示法等。课程知识库[3]包含与知识点对应的教学素材、试题、辅助学习资料等,它包含知识点属性和知识点链接两个部分,是知识表示的基础,反映了知识库的层次结构和知识点之间的相互关系。

知识点过滤推荐算法:在用户模型、课程知识库基础之上,根据不同类型的学习风格及个性差异,选择相应的教学内容和教学策略,适应性地向用户推荐最佳学习活动序列和学习资源。

呈现模型:该模型的主要工作是将个性化推荐结果返还给用户,个性化推荐结果可以以各种方式返还给用户,如信函、电子邮件、网络电子公告栏等。

1 知识表示模型设计

网络课程的知识结构可以看做是一棵倒立的知识树,课程相当于根,每一章和每一节构成树的茎,知识点是树的叶。课程的章节之间存在着一定联系,课程的知识点也存在着内在联系,通过前驱、后继关系描述这种联系,并通过关联度反映知识点之间关联的紧密程度。每一个课件或者每一个专题讲解资料都对应一个或者若干个知识点。基于此种思路,该文设计的知识表示模型如图3所示,它也是下文进行个性化知识推荐的基础和依据。

1.1 知识与知识点

知识点:是指不能再分的完整、独立的基本知识单位,如数学中的基本概念、定义等。

单元知识:由内容相关度较高的知识点整合而成,如教材中的每一节知识,就是由若干相关的知识点整合而成。

章知识:由若干相关的单元知识整合而成,是比较完整的教学知识的表达。

课程知识:由若干篇章知识整合而成,其特点是知识体系相对系统、完整、独立,通过课程的学习,学员能够深入掌握某种专门的技能,或为进一步学习打下良好的基础,如高等数学课程、网络设计课程等。

为了方便用户学习,知识点划分的基本作法是教科书的一章可以化为一个大的知识点,其中一节的内容又可细划为较小的知识点,一节中的定义、定理等还可以划分为更小的知识点。从这种知识组织的角度来讲,将知识点分为基本知识点和整合知识点两种基本类型。其中基本知识点为领域知识中最基本的知识单元,对教学而言基本知识点在内容上具有不可划分性。而整合知识点由两个或两个以上的知识点组成,组成整合知识点的知识点可以是基本知识点,也可以是若干整合知识点的整合[3]。

知识点是教学组织的知识单位,就计算机专业的《操作系统》课程而言,见下图,知识点可以是一个概念、一个实例、某个操作,某个实现模式等,也可以是几个知识点的整合或一个知识点的分解。

1.2 知识表示模型的设计[4]

该文的知识表示模型特点是通过层次关系描述知识点之间的相互关系结构,为此定义了两种关系:前驱关系和后继关系。

(1)前驱关系:例如,知识点“进程”与“线程”之间的关系。知识点“线程”的学习依赖于知识点“进程”的学习,则知识点“进程”是知识点“线程”的前驱。前驱关系具有传递性,如果A是B的前驱,B是C的前驱,则A是C的前驱。

(2)后继关系:例如,“线程”与“处理器调度”之间的关系。学习完知识点“线程”后学习的知识点为“处理器调度”,则“线程”与“处理器调度”构成后继关系。“处理器调度”是“线程”的后继。后继关系与前驱关系是互逆的。后继关系也具有传递性。

课程的知识表示模型可通过知识之间的层次关系图描述。下图是《操作系统》课程的教学知识层次关系图,图中由若干结点与知识点组成,每一个结点表示一个知识点,结点之间的连线表示它们之间具有关联关系,连线上的值代表关联程度。关联程度是反映知识点之间相互关系的基本参数,整个课程的知识结构由这种层次关系图描述,不过,如何科学的确定知识点之间的关联程度,直接影响对课程知识体系的表述与构建,显然不可以随心所欲地主观确定。我们的作法是:由若干有丰富教学经验的老师先提出各自的预案,对知识点间的关联度先给出参考值,然后通过求取平均值来确定。

知识点之间的关系可能有一个前驱知识点多个后继知识点,例如:对于知识点“进程”,它有一个前驱知识点“进程管理”和多个后继知识点“进程的基本特征”、“进程状态及转换”、“进程描述”和“进程控制”。此外,知识点还会有如下几种情况:一个前驱知识点一个后继知识点;多个前驱知识点一个后继知识点;一个前驱知识点多个后继知识点;以及没有前驱知识点或者没有后继知识点等情况。

图3的分析思路相应的表格设计如下:

知识点描述表(编号,名称,描述,所属章节),编号为此表的主键。

知识点关系表(编号,前驱知识点编号,知识点间的关联度),编号和前驱知识点编号共同作为此表的主键,知识点编号是相对于知识点表的外键。对应的表关系如下:

表1中知识点“进程”有一个前驱知识点“进程管理”和多个后继知识点“进程的基本特征”、“进程状态及转换”、“进程描述”和“进程控制”,它们的关联度分别为0.8,0.7,0.7,0.60

2 个性化知识推荐[5]

在完成了基于网络课程的知识表示设计的基础上,实施课程知识点的个性化推荐。侧重通过知识点之间的关联关系(如表1所示)来进行知识点的推荐,考察用户过去的学习行为也即浏览访问的知识点,从而可以获取用户感兴趣的学习内容,并向用户推荐同类的教学资源。知识树过滤推荐算法的具体步骤如下:

1)通过对课程的基本知识点的测试,获得用户的基础水平,根据专家经验,向用户推荐符合其基础水平的章节知识点进行学习。具体思路如下:

若用户是新生,则用户基础水平的知识点范围涉及本课程的基本知识点内容,根据专家经验向学生推荐章节进行学习,如:

If认知水平值<=0.3 then学习第四章知识点

Else if认知水平值>=0.7 then学习第六章知识点

Else学习第五章知识点

若用户是老生,测试其基础水平,分析其对此章节的学习掌握程度,以决定推荐下一章节的学习或前一章节的学习,如:

If认知水平值>0.5 then学习下一章节知识点

Else学习上一章节知识点

2)获得用户可能感兴趣的知识点集合。通过上步测试,确定向学员推荐当前适合的知识点,并得到这些知识点的后继知识点根据知识点关联度属性,去掉关联度小于0.5的相邻知识点。表1表示了知识点间的关联度,知识点“进程”有一个前驱知识点“进程管理”和多个后继知识点“进程的基本特征”、“进程状态及转换”、“进程描述”和“进程控制”,它们的关联度分别为0.8,0.7,0.70.60,表明这些知识点的关联度都超过0.5,即它们与知识点“进程”关系密切,是用户必须学习掌握的内容。如果当前访问的知识点是“进程”,则用户感兴趣的知识点集合包含这些后继知识点。

3)然后选择当前知识点相关度最高的前若干项(Top-N)作为推荐结果给当前用户。

3 实验评估设计[6]

为验证知识树过滤推荐算法的准确性和有效性,按以下方法进行实验评估设计:由多名专家通过讨论提出操作系统课程到底包含哪些基础知识点,我们的设计方案中应有30个基础知识点,并组织专家提供两套操作系统试题,每套30个选择题,每个选择题都是对一个基础知识的考核,并且考核的难度相,只是考核的角度有所不同。

第一步,抽取15名用户对第一套试题进行自测,该套试题共涉及到30个知识点。测试后,根据知识点掌握熟练情况及知识点间的关联程度按知识树过滤推荐算法获取推荐集合。

第二步,组织用户按照推荐结果进行复习,用户复习完全部推荐内容后,组织用户对第二套试题进行自测,并对自测成绩和第一次自测成绩进行对比。通过统计,15名学员推荐前的平均学习成绩为38,通过知识树过滤推荐算法进行学习后的平均学习成绩则达到84,算法的有效性值得肯定。

4 结论

该文研究网络教学平台下如何实施因材施教,为学员提供个性化知识推荐问题,通过知识库、教学方法、教学手段、学员认知水平等方面的协同整合,实现目标知识的发现、定位及访问,是对传统的填鸭式教学的变革,使网络教学平台智能化。为此基于网络课程进行了知识表示模型的设计,在此基础上提出了一种知识点过滤推荐算法,能够避免“冷启动”造成的对新学员无法进行知识点推荐的问题,也能够针对个体特征引导学生学习,从而改善用户学习效率低、学习过程盲目混乱的状况,能够激发学生求知的欲望,引导学生主动探求知识,让学生与教学平台“互动”起来。但该文的研究局限于网络课程,而不是网络教学平台的个性化知识推荐研究,需要今后进一步扩展和完善。

参考文献

[1]杨德华.个性化远程教学模型的研究与实现[J].现代远距离教育,2008(2).

[2]李高敏.基于协同过滤的教学资源个性化推荐技术的研究及应用[D].北京交通大学,2010.

[3]曹伟.自适应网络教学系统中知识表示模型的设计[J],计算机仿真,2010(3).

[4]胡晓楠.基于知识点的学习内容个性化推荐研究[D].重庆大学计算机学院,2010.

[5]Jonathan L.Herlocker,Joseph A.Konstan,Loren G.Terveen,Johh T.Riedl,Evaluatingcollaborative iltering recommender systems.ACMTransaction on Information Systems,2004,22(1),20-21.

突发事件案例知识表示研究 篇5

突发事件案例是应急管理领域宝贵的资源, 近年来案例库的建设也得到了发展, 但总案例的形式仍然是以文本的形式为主, 尽管从纸面迁移到了计算机系统中, 但本质上并无太大变化。因此对案例的利用仍旧停留在简单和混沌的状态。

本文从知识管理的角度对案例所蕴含的信息和知识加以剖析, 准确锁定案例知识的表示方法, 为基于知识管理的案例库建设奠定基础, 这对于引入人工智能、机器学习等技术, 促进案例利用水平具有积极意义。

1 突发事件案例知识表达的诉求

所谓知识表示就是指把知识客体中的知识因子与知识关联起来, 突发事件的内在机理、现有的技术手段及其发展趋势, 案例知识的应用预期等因素决定了知识表示策略和方法。

1.1 突发事件的性质易变及发展演化的多变性

根据发生概率的大小以及危害程度, 可以将事件分为干扰、危机和突发事件三种情况, 三者之间往往存在逐级转化的关系, 可以看作事物发展过程中性质不同的三个阶段, 在应急管理的业务中, 分别对应不同的工作机制。图1示意了干扰、危机和突发事件的性质变化机理。

突发事件的发展和演化体现出了过程的复杂性。

突发事件的发展指的是事件的影响在程度和范围等不同层面的扩展, 从程度上讲主要是指事件对承载体的破坏能力和破坏程度的增强, 从范围来讲包括时间和空间的变化。

突发事件的演化是指事件在发生发展过程中性质、类别级别, 物质及化学形式, 范围及区域等要素变化过程, 表现为蔓延、转换、衍生和耦合四种形式。

蔓延和转化都是事件随着自身的发展而产生了新的事件, 不同之处在于, 转化是指新旧事件之间存在着一种接续关系, 新的事件产生时, 它的前导事件已经消失。蔓延则是新旧事件并存。

衍生是指某一突发事件发生后, 由于突发事件以外的因素而导致后一类突发事件的发生。耦合是指两个或两个以上因素共同作用导致突发事件进一步加剧。

突发事件性质易变及发展演化的多变性和非线性, 对知识表示的完备性提出了较高的要求。

1.2 突发事件中参与者的组织与协同的复杂性

我们国家的应急组织体系是一个纵横结合的联动网络体系, 在具体的突发事件处置中, 参与的人员和组织可能来自不同的系统和层次, 形成具有共同目标的行动体。面向突发事件, 它们会形成新的组织结构, 如矩阵式的组织结构:纵向形成按职能划分的专业组织, 横向上以突发事件的当前任务为驱动, 组成行动小组。根据突发事件的规模和程度, 这些组织的规模和联结程度会有很大的区别。在处置工作中, 必然还会涉及到工作职责的分工协调, 应急资源的调配权限的分配及其实际运行状态等诸多问题。

参与者的组织协同的复杂性, 要求知识表示具有一定的弹性, 同时能够很好地表达各种形式的关系和约束。

1.3 案例和案例库的深度应用需求对知识表达要求

可以预见, 突发事件案例应用将继续得到拓展, 其中案例对于应急决策支持是一个研究热点。

基于案例的推理 (CBR) 是应急决策支持技术的一个重要分支, 其主要的思想就是从记忆或以往案例库 (Case Base) 中查找与该新问题相同或最为相似的源案例 (Source Case) 。对众多案例进行同异比较, 判断新发生的问题与以前发生过的问题之间的相似性、关联性, 调整以前的经验和方法, 用一些可量化的方式, 形成支持方案。这一过程需要案例的表示具有规范性、共通性, 从而才能够通过相似性计算提高匹配准确度。

此外, 案例在应急管理研究、教育培训等方面也有了更深入的应用, 其共同的特征是将案例中的事实等显性的知识所蕴含的隐性知识 (技能知识和人力知识) 提炼出来。这就要求知识的表达方法要具备相应的表述隐性知识的潜质。

2 突发事件案例的知识表达原则

根据上节对相关因素的分析, 在选择知识表达方式时, 应遵循以下原则:

(1) 案例表示方式能够与应急案例专有的知识构成相匹配, 其要点包括:

1) 案例的过程化表示, 突发事件本身的发展演变过程以及人们的应对过程构成了突发事件的过程, 这一过程在信息系统中可能会采取工作流等方式来表示和处理。知识表示方法要对此有好的支持。

2) 案例的层次性和多粒度表示, 案例本身可以从不同的粒度来进行观察, 一个大事件可能分解为若干小事件, 原子事件可重构为新的事件。因此要求表示方法能够有灵活的粒度变化和组合管理能力。

3) 案例的演化关联表示, 案例的蔓延、转化、衍生、耦合使得案例之间构成了关联关系, 表示方法应具有表达演化关联的能力。

(2) 案例表示的可扩展性, 能够汲取新的认知。表示方法在核心稳定的前提下, 具有纳新变更的机制。

(3) 案例的表示要能够与现有的、可以预见的信息技术处理方法相适应, 表示的模型能够方便地以计算机数据库或文件系统储存, 能够支持高效便捷的查询检索。

(4) 案例的表示能够方便转换支持机器理解, 要能够在语义层次上达到统一, 为机器学习、人工智能等技术的应用提供条件。

(5) 案例的表示能够方便地转化生成友好的人机界面, 使领域专家、应急专业管理人员易于理解使用。

3 突发事件案例的本体表示

目前知识表示方法已有多种, 如谓词逻辑、语义网络、框架、面向对象、本体等。它们各具特点, 同一种知识可以采用不同的表示法, 不同的表示法会产生完全不同的效果。何绍华、马创新等对几种有代表性的方法进行了比较研究, 他们主要从知识表示方法对知识本身表达的完备性、表示方法的机器理解和实现难度、使用者 (人) 对表示方法的理解的难度三个大的维度进行评估。结论认为, 本体表示方法在知识表达的完备性、用户理解、机器推理等方面表现较其他的方法有优势, 该方法的主要的缺陷则表现为实现难度较大。本文认为本体方法的这些特性适合作为现阶段突发事件案例的知识表示方法。

本体原本是一个哲学概念, 本体被引入知识表示领域, 用来表达人们对于问题领域的知识的共同理解, 描述其中概念与概念之间的关系。本体论的基本元素是词汇 (term) /概念 (concept) , 转而构成同质化的类 (class) 和子类 (sub-class) , 然后各个类和概念之间加入了适合的关系 (relation) 后, 形成了一个简单的本体。近年来, 本体被应用于信息与知识的表达, 本体模型具有开放、可伸缩、长于描述语义关联的特性, 能够有力的支撑应用领域知识的共享与重用, 具有显性化隐性知识的能力。

以过程表示为例, ISO国际标准组织发布PSL, 它是一种描述语言和本体, 其扩展集的元素可用于描述具体应用和实践中的过程, 包括事件的执行树 (Occurrence Trees) 、子活动 (Subactivity) 、具体状态 (Discrete States) 、原子活动 (Atomic Activity) 、复杂活动 (Complex Activity) 和活动执行事件 (Activity Occurrences) 。这些描述的机制对于案例活动的表述清晰准确, 容易与本体化的应急预案作比对, 可以抽取过程复用, 在应急决策支持中形成新的处理方案。本体对于本文提出的突发事件案例的知识表达原则大都有较好的支持, 限于篇幅, 对本体表达案例知识的其他特性不做展开探讨。

4 突发事件案例本体的开发和应用过程

采用本体作为突发事件案例知识的表示方法, 在实践中其核心的工作是开发案例本体, 一般由应急领域专家和本体工程师协作, 从应急领域的知识、以及各种形式存在的案例资料中, 按照本体开发的标准过程, 抽取术语、概念、关系, 构成案例本体。

图1为采用本体表示法开发的案例本体的局部, 案例本体采用形式语言OWL描述, 此处以UML作可视化展示。

案例本体形成之后, 各种来源、形式和结构的案例资源按照案例本体的规约, 通过注释、格式化、形式化等整理加工, 形成本体化的数字化信息, 存储于数据库系统中, 作为后续应用的数据基础。

5 结论

通过研究, 本文认为以本体作为突发事件案例知识的表示方法, 对于案例知识的表达、案例知识共享以及基于案例的决策推理均能够有较好的支持, 案例本体的开发工作量巨大, 在具体过程中尚有大量的细节问题值得研究。

摘要：本文通过对突发事件的性质、发展演化、突发事件处置参与者的协同等的机理的分析, 以及对案例的深度应用需求的考量, 研究了本体用于表达突发事件案例知识的优越性和表示的基本方式, 并探讨了本体开发的基本过程。

关键词：突发事件,案例,知识表示,本体

参考文献

[1]何克清, 等.本体元建模理论与方法及其应用[M].科学出版社, 2011, 1.

[2]刘建炜, 燕路峰.知识表示方法比较[J].计算机系统应用, 2010 (3) :242-246.

[3]马创新.论知识表示[J].现代情报, 2014, 34 (3) :23-26, 30.

工艺知识表示 篇6

数控机床设计涉及不同的学科领域,其知识类型广、知识数量大,既有显性的设计实例知识,又有隐性的专家经验知识,管理起来非常困难。随着知识库系统的不断发展,应用该领域的先进技术建立一个性能好的数控机床设计知识库系统的需求已经越来越迫切。

知识库系统的构建面临三个关键问题:知识获取、知识表示与知识推理。长期以来,知识获取问题一直是构建知识库的瓶颈,传统方法是由知识工程师同专家交流,然后进行大量的分析、总结与统计工作,再将知识输入知识库中,会占用大量的精力和财力并降低系统的智能型[1]。知识表示是知识库系统的重要方面,经过多年的发展,现在已经出现了多种知识表示方法,比如一阶谓词逻辑、产生式规则、框架、语义网络、脚本、过程、面向对象及神经网络等。但是随着知识库系统的复杂性不断增强,这些知识表达方法的局限性也渐渐显露出来[2]。基于知识工程的知识推理方式可分为三种:基于实例的推理(case-based reasoning, CBR)、基于规则的推理(rule-based reasoning, RBR )和基于模型的推理(model-based reasoning, MBR) [3]。文献[3] 运用基于模型的推理方法设计了注塑模具模架选型推理机,文献[4] 和文献[5] 分别从技术和理念两个不同侧面研究了知识管理系统中基于案例推理技术的应用问题,文献[6] 利用基于规则的正向推理方式进行推理,并应用于Lotus Domino平台的KMS中,证明了该方法的可行性。当前的研究一般只基于其中一种方式来建立知识库的推理机制,有一定的局限性。

结合上文论述的知识库系统发展情况,本文依据数控机床设计知识库系统的实际需求,基于CBR和自然语言理解技术建立知识获取模型;规则库中专家经验知识采用产生式规则表示,案例库中事实性设计知识采用面向对象的表示方法;采用CBR和RBR相结合的方式建立了知识库推理机制。

1 系统结构

数控机床设计知识库系统的结构流程图如图1所示,它利用Visual Basic 6.0作为开发平台,数据库系统采用SQL Server 2005建立数据表,利用产生式规则,CBR,RBR等技术实现机床设计知识库系统的功能。系统输入用户名和密码登陆后,进入知识库管理系统界面。初步选择知识类型后进入知识获取功能,对于事实性知识系统采用CBR技术和自然语言理解技术实现知识获取,对于专家经验知识等具有不确定性的知识系统采用自然语言理解技术实现知识获取。接下来是知识表示功能,对于事实性知识系统采用面向对象知识表示技术,对于专家经验知识等具有不确定性的知识系统采用产生式规则来实现。知识表示结束后经过知识检查进入案例库和规则库。推理部分系统采用基于CBR技术实现案例库知识推理,采用基于RBR技术实现规则库的推理,分别输出推理结果,并将其保存入知识库中。

2 系统实现的关键技术

2.1 知识获取

知识获取工作贯穿在系统工作的整个过程中,决定了知识库系统拥有知识的数量和品质以及系统的性能,如何准确有效的获取知识是知识获取必须要解决的问题。本文基于CBR和自然语言理解技术建立知识获取模型,如图2所示,文献[7] 给出了自然语言理解技术的发展及应用,在此不再赘述。知识工程师在进行知识添加的时候,首先可将设计知识分成两类:1) 具有不确定性的知识,比如专家经验知识,2) 事实性设计知识,比如公式、标准等知识。

对于事实性设计知识,知识获取模型采用CBR技术和自然语言理解技术相结合,首先进行案例检索,如果在案例库中已经存在或者存在类似的知识,就可以进行案例重用或者案例修改后进入案例库实现知识获取。如果检索不到,系统启用自然语言理解功能,将知识进行自动分词和句法分析,得到知识的主语信息和剩余信息,主语信息变成对象,由剩余信息提炼出属性和关系,事实的对象、属性和关系具有唯一性,这样就将描述性的事实性知识转化为三要素,进而系统处理后就实现这类知识的获取。

对于专家经验等不确定性知识,系统启用自然语言理解功能,将知识进行自动分词和句法分析,得到知识的前提部分和结论部分。专家工程师通过系统设置前提和结论的可信度和阈值,然后进入规则库中,完成知识获取。

2.2 知识表示

知识表示是把从知识源获得的关于事实、判断和推理的知识进行归纳概括并建立起各种关系,然后将知识表达成计算机易于表达和利用的符号。知识表示是知识库研究的重要内容,知识表示技术运用的好坏将会影响到整个知识库系统的性能。本文依据数控机床设计知识本身的特点,以及对比各种知识表示方法的优劣,提出了一种综合运用面向对象知识表示技术和产生式规则表示技术的方法。

对于具有不确定性的知识,如非常宝贵的专家经验知识,系统采用带有阈值限度的产生式规则表示方法[8],知识表示如下:

IF <前提> THEN <结论> (CF,λ)

其中,前提可以是一个简单的条件,也可以是用AND或OR将几个简单条件组合起来的复合条件。CF是可信度因子,取值范围是[0,1],取值越小表示可信度越小。λ是阈值,取值范围是[0,1],阈值是作用是对知识的可应用性规定限度,前提的可信度达到或者超过这个阈值时,规则才能被应用。

面向对象的知识表示方法是以对象为中心,将对象的属性、关系和特征、类型等有关知识封装在表达对象的结构中,以便于数据的共享和再利用。对于事实性设计知识,这里采用面向对象的方法。知识表示形式可以简要表示为[9]:

其中对象是主体(主语),属性是直属于对象的特点或功能,关系指的是对象和属性之间的关系,类是依据面向对象的方法把对象抽象成的类,父类和子类之间有继承关系,描述是直接显示给用户的内容。这样就实现了事实性知识的表示。

2.3 知识推理

知识推理是知识库系统的关键和核心部分。本系统依据知识获取和知识表示形成的案例库和规则库的不同点,采用CBR技术实现案例库的知识推理,采用RBR技术实现规则库的推理,实现了两种推理技术的综合运用,扬长避短。

CBR技术的核心思想[1]可以概括为四个方面:1) 提取:依据问题描述,提出目标范例以准备进入案例库查询。2) 重用:根据查询条件,如果案例库中存在相同的知识则可以用来重用。3) 修改:查询到相似或相近案例,依据待求问题及修改规则进行案例修改,产生符合问题的解并输出。4) 保存:将这个问题的求解作为新的案例存储到知识库中。

系统采用CBR技术的推理工作流程如图3所示。针对问题描述进入实例查询,如果有完全匹配的知识则知识重用。如果没有则计算相似值并依据修改规则进行实例修改,修改后实例如果符合要求则输出结果并存入实例库中,如果不符合则结束。

RBR技术进行问题求解通常采用易于叙述的if-then规则来求解问题。数控机床设计知识库系统的规则库运用带有阈值限度的产生式规则来进行知识表示,相应的采用RBR技术进行规则库的知识推理。

系统的推理过程实际上是问题求解的过程,这不仅依赖于所使用的推理方法,还依赖于推理的控制策略。推理的控制策略包括推理方向、求解策略、和冲突消解策略。而推理方法则是指在确定了推理控制策略以后,在进行具体的推理时所要选用的匹配方法或不确定性传递算法等方法。

本系统采用正向推理方法,规则知识的表示中引入了可信度和阈值,实现过程中由专家工程师进行设置,规则推理中采用的是可信度传播算法[10],冲突消解策略是指当推理过程中有很多条知识或规则可以用时,如何选择一条用于推理的策略。本系统采用的冲突消解策略是可信度高的规则先执行。

系统采用RBR技术的推理工作流程[9]如图4所示。依据推理任务的前提条件进入规则库读取规则,前提满足则计算其可信度,可信度不小于设置的阈值则继续计算其结论的可信度,结论可信度不小于设置的阈值则最后判断规则是否已经执行完,是则输出结果。在判断过程中哪一步不满足条件则返回读取规则选择下一条,重新执行。

3 结论

针对知识库系统构建面临三个关键问题:知识获取、知识表示与推理进行了研究,在大量学习相关领域知识的基础上提出了数控机床设计知识库系统的知识获取模型以及案例库和规则库的知识表示方法,并针对知识推理部分提出了CBR和RBR相结合的推理方法,依据这些理论运用Visual Basic 6.0和SQL Server 2005开发的数控机床设计知识库管理系统软件已经在课题合作单位开始试用,将会为数控机床设计提供智力支持。

参考文献

[1]董文革.基于范例推理和自动案例启发的知识获取模型[J].武汉理工大学学报.2008,30(7):149-151.

[2]姚锡凡,等.人工智能技术及应用[M].北京:中国电力出版社,2008.

[3]李凯岭,等.注塑模具模架选型中知识库与推理机连接技术的研究[J].机械科学与技术,2005,24(9):1087-1092.

[4]Watson I.Applying Knowledge Management:Techniques forBuilding Organizational Memories[M].San Francisco:MorganKaufmann Publishers,2002.

[5]Chau K W,Chuntia C,Li C W.Knowledge management systemon flow and water quality modeling[J].Expert System with Ap-plications,2002,22(4):321-330.

[6]黄福玉,等.基于关系模型的不确定性知识表示与推理及其在KMS中的应用[J].南京理工大学学报,2006,30(5):653-658.

[7]郭艳华,周昌乐.自然语言理解研究综述[J].杭州电子工业学院学报,2000,(20):59-67.

[8]马宪民.人工智能的原理与方法[M].西安:西北工业大学出版社,2002.

[9]白永强,等.基于规则推理和自然语言理解的坦克火控知识库系统[J].火力与指挥控制,2005,30(2):57-61.

工艺知识表示 篇7

针对于专题地图表示方法自动选择的研究,目前主要集中在以下几个方面:1基于知识推理的表示方法自动选择[2,3]。2通过数据分析引导表示方法的选择[4]。3基于案例推理的表示方法智能选择[5]。通过对研究现状的梳理可以看出,专题地图表示方法的自动选择已基本实现,而基于知识推理实现表示方法的自动选择与推荐并将其融合到专题制图中去,进而形成一种专题制图模式的研究还较为欠缺。据此,本文以旅游专题地图为研究对象,选用Arc GIS符号化模块为制图工具,针对于旅游专题地图表示方法构建知识库,通过知识推理自动推荐表示方法,依据各表示方法与Arc GIS符号化模块之间的对应关系,调用相应的Arc GIS功能,将推荐的表示方法直接用于制图表达,目的在于实现集表示方法自动推荐、数据处理、制图表达于一体的旅游专题制图过程,进而提高旅游专题制图的自动化、智能化水平。

1 表示方法知识库与旅游专题制图

将表示方法相关知识应用于旅游专题制图领域,需要对零散的知识进行相应的组织,构建知识库。同时需要采用合适的知识表达将知识表示成计算机能够理解和处理的形式[6],实现人机交互,进而为基于表示方法知识库与知识推理的旅游专题制图过程打下基础。

1.1旅游专题地图表示方法知识库

知识库是针对某一领域问题求解的需要,采用某种知识表示方式在计算机中存储、组织、管理和使用的互相联系的知识片集合[7]。某一领域内的定理、方法、经验、常识等都可以作为知识库的组成部分,知识片需要采用一定的知识表示在知识库中进行存储,作为知识表达、获取与推理的依据。

在旅游专题制图中,针对于旅游要素制图表达的不同需求,构建旅游专题地图表示方法知识库。知识库对不同表示方法可以描述的空间与数据特征进行相应的总结,同时建立起表示方法与Arc GIS符号化模块之间的对应关系,以便于将表示方法直接应用于指导旅游专题制图。知识库还依据旅游专题制图经验,对常用的旅游专题地图类型与其表示方法进行归纳,组织成知识。基于旅游专题地图表示方法知识库,系统可以根据制图需求,进行相应的知识推理,推荐出合适的表示方法与Arc GIS符号化模块对旅游要素进行制图表达。

1.2 知识表达

常用的知识表达方法有逻辑谓词表示法、产生式表示法、语义网络表示法、框架表示法等[8]。知识表达方法的选择要从推理的需求出发,兼顾知识表达的直观性与高效性。本研究针对于旅游专题地图表示方法知识库,从知识库的结构及推理的过程考虑,采用较为直观的产生式表示法对知识库进行表达。产生式知识表达的特点是采用IF-THEN的形式对知识进行描述,IF后是条件,THEN后是结果。在旅游专题制图过程中,用户提供制图表达的条件,系统依据知识库经知识推理,将表示方法及其对应的Arc GIS符号化模块作为知识表达的结果推荐给制图者,实现旅游专题地图表示方法的知识表达。

1.3基于表示方法知识库的旅游专题制图模式

要实现旅游专题地图制图过程中表示方法的自动推荐,需要相应的人机交互过程与表示方法知识库的支撑。本文提出一种基于表示方法知识库的旅游专题地图制图模式,如图1所示。以用户的制图需求作为输入的条件,依据条件从构建的表示方法知识库中通过知识推理推荐对应的表示方法,当推荐的表达方法对应多个Arc GIS符号化模块时,知识库提供相应的区别描述知识,引导用户进行相应的人机交互,结合知识推理进一步确定制图条件进行知识过滤,进而确定唯一的Arc GIS符号化模块对旅游专题地图进行制图表达。从图1可以看出知识推理推荐表示方法的最终目的是推荐与表示方法对应的Arc-GIS符号化模块,以达到将表示方法知识应用于引导旅游专题地图自动化制图表达的目的。

2 旅游专题地图表示方法知识库的构建

旅游专题地图常用的表示方法包括定点符号法、线状符号法、范围法、质底法、等值线法、定位图表法、点数法、运动线法、分级统计图法、分区统计图表法等。不同的表示方法对应着不同的制图要素与成图效果。本文在对表示方法的特征进行研究的基础上,对其通常适用的情境进行总结,分别建立表示方法描述知识库和旅游专题地图类型与表示方法对应关系知识库,通过调用相应的Arc GIS符号化模块,实现指导旅游专题地图制图过程的作用。

2.1表示方法描述知识库的构建

通过对长期制图过程中制图经验的总结,可以确定不同旅游专题地图类型中各种表示方法的适用情况。如范围法用不同的色彩或纹理表示离散分布的面状地理事物的分布状况;分区统计图表法用不同的符号或统计图表表示制图区域内某种事物在各区域内的统计数据等。不同的表示方法有其特定的表示对象,适用于不同的数据处理过程,体现多样的成图效果。

本文从表示方法所能表达的专题要素空间分布特征、专题要素数据特征以及表示方法对应的专题要素数据体现形式三个方面对旅游专题制图过程中常用的十种表示方法的适用情况分别进行描述,并将不同的适用情况与Arc GIS符号化模块进行一一对应,构建表示方法描述知识库,为基于知识推理的表示方法自动推荐与制图表达提供依据。表示方法描述知识库的结构如表1所示。其中0表示对应的表示方法不能表现此特征或形式,非0表示可以表示此特征或形式,非0数值与相应的Arc GIS符号化模块数值是相互对应的。如定位图表法中数值为1的描述组合:点状分布、数据分级特征、点上分级符号,对应的Arc GIS符号化模块为分级符号即可用分级符号对描述进行制图表达;数值为2的描述组合:点状分布、数据数量特征、与数据一一对应的符号,对应的Arc GIS符号化模块为比例符号即可用比例符号对描述进行制图表达;数值为3的描述组合:点状分布、数据数量特征、点上图表,对应的Arc GIS符号化模块为图表即可用图表对描述进行制图表达。

2.2旅游专题地图类型与表示方法对应关系知识库的构建

表示方法描述知识库的构建对表示方法的使用范围、表示特征以及与Arc GIS功能模块的对应关系进行了一个较为全面的阐述,但在现实的制图过程中,为了体现制图效率,需要将相应的知识进行封装,进而减少人工干预的过程,简化制图步骤。据此,本文将旅游专题地图类型与其常用的表示方法进行归纳总结,构建旅游专题地图类型与表示方法对应关系知识库,通过输入旅游专题地图类型推荐表示方法,实现辅助决策的功能。

旅游专题地图类型与表示方法对应关系知识库的内部结构的构建过程可用图2进行表述。如图2所示,由于同一种类型的旅游专题地图,不同的专题要素可能会对应不同的表示方法,同一种表示方法也可以表示不同的旅游专题地图类型,因此它们之间是n:m即多对多的关系。这种关系决定了当给出一种旅游专题地图类型时会出现对应多个表示方法的情况,这时需要对知识依据表示方法描述知识库进行进一步的细化区别描述,以便针对一种旅游专题地图通过知识推理引导用户获取唯一的表示方法以及唯一的Arc GIS符号化模块。

3 基于表示方法知识推理的制图表达

在构建旅游专题地图表示方法知识库的前提下,可根据知识经验进行相应的知识表达,经过知识推理实现知识的应用,指导基于表示方法自动推荐的旅游专题地图制图过程。

3.1 产生式表达的知识推理过程

产生式知识表达是一种条件-结果形式的表示知识的方法[9]。本文依据构建的表示方法描述知识库以及旅游专题地图类型与表示方法对应关系知识库,从三个层面分不同情况对基于产生式表达的表示方法知识推理过程进行阐述:

1)当旅游专题地图类型与表示方法及对应的Arc GIS符号化模块一一对应时,依据旅游专题地图类型直接提供表示方法与Arc-GIS符号化模块。

如:IF旅游专题地图旅游类型为旅游区域分布图

THEN对应的旅游专题地图表示方法为范围法且其对应的Arc GIS符号化模块为唯一值渲染

2)当一种旅游专题地图类型对应多种表示方法或只对应一种表示方法但可用多个Arc GIS符号化模块进行表述时,结合知识库中的细化区别描述,让用户对其进行选择,根据用户的选择结果确定唯一的表示方法与唯一的Arc GIS符号化模块。

如:IF旅游专题地图类型为旅游人口数量统计图

THEN对应的旅游专题地图表示方法为定位图表法或分区统计图表法

细化区别描述:AND空间分布特征为连续面状分布AND数据表现形式为面上图表

THEN对应的旅游专题地图表示方法为分区统计图表法且对应的Arc GIS符号化模块为图表

3)当旅游专题地图类型不包含在知识库中时,需要以表示方法描述知识库为基础,结合用户对旅游要素空间分布特征、旅游要素数据特征、旅游要素数据体现形式的选择,推理出所需的表示方法及Arc GIS符号化模块。

如:IF旅游专题地图旅游要素空间分布特征为连续面状分布AND数据特征为数据数量特征AND数据体现形式为点上的图表

THEN旅游专题地图表示方法为定位图表法且对应的Arc-GIS符号化模块为图表

需要特别说明的是本文面向的主要是旅游专题要素所在的单个图层的制图表达,每个图层表示方法的自动推荐是相互独立的,在这里不考虑多个图层表示方法之间组合搭配的自动推荐问题。

3.2基于三级推理的表示方法自动推荐模式

基于产生式的表示方法知识推理是对知识库信息的表达,在获取知识库信息的基础上可以将知识应用于指导旅游专题地图自动化制图表达过程,直接调用由知识推理推荐的表示方法对应的Arc GIS符号化模块进行旅游专题地图的制图表达。据此,本文提出了基于三级推理的表示方法自动推荐模式,其各级推理步骤与三个层面的表示方法知识推理的过程是相互对应的。根据三级推理过程构建系统的功能,可以保证系统对用户的逐级引导作用,以及实现对各种旅游专题地图类型都能够提供相应的表示方法及相应的Arc GIS符号化模块,进而实现直接成图的目的,具体过程可以用图3进行描述。

4 实证研究

在构建旅游专题地图表示方法知识库的基础上,依据三级推理推荐表示方法及相应的Arc GIS符号化模块,使用Visual Studio 2010开发平台,利用C#开发语言和Access数据库,通过Arc Engine10.1的二次开发组件包开发了基于表示方法自动推荐的旅游专题地图制图原型,验证了本研究的可行性。

4.1系统主要功能展示

本文以2012年安徽各市旅游收入分级统计图的制图过程为例,对基于表示方法自动推荐的制图过程分情况进行功能展示,如图4所示。其中4(a)为基于旅游专题地图类型即统计图推荐表示方法的界面;4(b)表示当旅游专题地图类型不包含在知识库中时,依据用户对制图信息的选择推荐表示方法的界面;4(c)表示根据细化区别描述或用户选择描述确定表示方法后,表示方法对应的Arc GIS符号化模块;4(d)表示依据Arc GIS符号化模块实现推荐表示方法的制图表达,即用分级色彩对2012年安徽各市旅游收入进行图面展示。

4.2 基于表示方法知识库的制图模式与其他制图模式的比较分析

对于地图表示方法的研究已经形成了较为系统的知识理论[10,11,12],本文将基于知识推理推荐的表示方法与Arc GIS强大的数据处理及符号化功能进行挂接,直接用于指导旅游专题地图制图表达过程,提出了基于表示方法知识库的旅游专题制图模式。与现有的主流制图软件如Corel DRAW、Arc GIS、Map GIS等的制图模式相比,加入了对表示方法选择的辅助决策与引导功能,在保证成图效率的同时,降低了制图难度,提高了制图的规范性。

5 结束语

本文依据表示方法的知识经验构建旅游专题地图表示方法知识库,利用产生式知识表达,对用户输入的旅游专题地图信息进行基于知识库的推理,进而推荐相关的表示方法;建立表示方法与Arc GIS符号化模块之间的对应关系,实现了集表示方法自动推荐、旅游专题数据处理与自动化制图表达于一体的旅游专题地图制图过程,降低了旅游专题制图的难度,提高了旅游专题制图的规范性与自动化水平。但是,由于旅游专题地图类型的多样性,依据知识库可以直接推荐唯一表示方法的旅游专题地图类型还是有限的,旅游专题地图类型的细化分类及知识库的完善工作还有待进一步加强。

摘要：表示方法的选择是旅游专题制图过程中的重要步骤,该文通过对表示方法及旅游专题制图过程的研究,提出一种基于知识库自动推荐表示方法的旅游专题制图模式。在构建表示方法知识库的前提下,利用产生式知识表示法对知识库进行知识表达。在此基础上,采用三级推理的模式对旅游专题地图表示方法进行自动推荐,并将推荐的表示方法直接应用于旅游专题地图的制图表达。通过Arc GIS的二次开发实现了基于表示方法自动推荐的旅游专题地图制图原型,验证了思想的可行性。

工艺知识表示 篇8

学生在一年级时已经学习了有关序数的概念,知道可以使用一个序数表示在一条直线上人或物体的位置。从一年级开始学生就接触、使用过数射线,建立了数与数射线上的点之间的对应关系。在二年级第二学期,也接触了直角坐标系的知识。本节课的教学正是基于前面学生已有认识基础上的进一步提升,引导学生会用抽象的数对来表示物体在平面上的位置,发展学生的抽象思维和空间观念,为学习平面直角坐标系打基础。

[案例描述]

片段一:

师:根据观察者的习惯,我们把从左往右数的这一组叫做第一列(课件演示),把从前往后数的这一排叫做第一行。

师:小明的位置就在第2列第4行。你知道小美的位置在哪儿吗?

生:第3列第5行。

师:你能用手势来表示小伟的位置吗?

生1:左手出4,右手出2。

师:你能说说这么表示的意思吗?

生:小伟的位置在第4列第2行,所以我左手出4表示第4列,右手出2表示第2行。

师:我们可以用2个数来表示一个同学的位置。板书(4,2)像这样的一组数叫做数对。这种表示方法和文字比,哪个更简洁?

片段二:

师:如果每个学生的位置用一个点来表示,位置图就变成了这样一幅图。(课件演示)

师:你能找到小伟的位置吗?(生用激光笔指出小伟的位置)

师:现在人数再增加一些,这个点的位置可以如何表示?(学生自发用手点着屏幕数第一列……)

师:你觉得加些什么就可以很容易知道他的位置在哪了?

生:最好下面写上第几列,第几行。

师:如果第一列用数字1来表示,那么它的左边一列可以用什么数字表示?

生:0。(课件出示竖线和0)

师:如果第一行用数字1来表示,那么它前面一行可以用什么数字表示?

生:0。(课件出示横线和0)

师:这里的0既表示行的起点,又表示列的起点。

师:(指着横轴上的数)你知道这些数表示什么意思吗?(指着纵轴上的数)你知道这些数表示什么意思吗?

教师演示课件:把点隐去,变成方格图,留下其中的一个点,并提问:这个点的位置可以如何用数对表示?

生:(11,9)。

师:你是如何思考的?

生:先竖着看找到第11列,再横着看找到第9行,所以可以用数对(11,9)来表示。

师:列所对应的数字在横轴上,行所对应的数在纵轴上,先找列再找行就是先看横轴上的数,再看纵轴上的数,也就是先横后纵。

[案例反思]