范例推理課件講座

高級(jí)人工智能第五章

范例推理史忠植

中國(guó)科學(xué)院計(jì)算技術(shù)研究所2/2/20231第三章范例推理5.1概述5.2流程5.3范例表示5.4范例檢索5.5相似性5.6范例復(fù)用5.7范例推理工具5.8范例推理應(yīng)用2/2/20232什么是范例？“范例是對(duì)某個(gè)過(guò)去發(fā)生的事件的真實(shí)描述，……目的是引發(fā)對(duì)一個(gè)特殊情境的討論和分析.〞范例是事件。范例是含有問(wèn)題或疑難情境在內(nèi)的事件。范例是典型的事件。范例是真實(shí)發(fā)生的事件。2/2/20233

概述范例〔case〕：“范例是一段帶有上下文信息的知識(shí)，該知識(shí)表達(dá)了推理機(jī)在到達(dá)其目標(biāo)的過(guò)程中能起關(guān)鍵作用的經(jīng)驗(yàn)〞。具體來(lái)說(shuō)，一個(gè)范例應(yīng)具有如下特性：·范例表示了與某個(gè)上下文有關(guān)的具體知識(shí)，這種知識(shí)具有可操作性?！し独梢允歉魇礁鳂拥?，可有不同的形狀和粒度，可涵蓋或大或小的時(shí)間片，可帶有問(wèn)題的解答或動(dòng)作執(zhí)行后的效應(yīng)?！し独涗浟擞杏玫慕?jīng)驗(yàn)，這種經(jīng)驗(yàn)?zāi)軒椭评頇C(jī)在未來(lái)更容易地到達(dá)目標(biāo)，或提醒推理機(jī)失敗發(fā)生的可能性有多大等等。2/2/20234概述人們?yōu)榱私鉀Q一個(gè)新問(wèn)題，先是進(jìn)行回憶，從記憶中找到一個(gè)與新問(wèn)題相似的范例，然后把該范例中的有關(guān)信息和知識(shí)復(fù)用到新問(wèn)題的求解之中。在基于范例推理(Case-BasedReasoning,簡(jiǎn)稱CBR)中，把當(dāng)前所面臨的問(wèn)題或情況稱為目標(biāo)范例(targetcase)，而把記憶的問(wèn)題或情況稱為源范例(basecase)。粗略地說(shuō)，基于范例推理就是由目標(biāo)范例的提示而獲得記憶中的源范例，并由源范例來(lái)指導(dǎo)目標(biāo)范例求解的一種策略。2/2/20235概述基于范例推理中知識(shí)表示是以范例為根底，范例的獲取比規(guī)那么獲取要容易,大大簡(jiǎn)化知識(shí)獲取。對(duì)過(guò)去的求解結(jié)果進(jìn)行復(fù)用，而不是再次從頭推導(dǎo)，可以提高對(duì)新問(wèn)題的求解效率。過(guò)去求解成功或失敗的經(jīng)歷可以指導(dǎo)當(dāng)前求解時(shí)該怎樣走向成功或避開(kāi)失敗，這樣可以改善求解的質(zhì)量。對(duì)于那些目前沒(méi)有或根本不存在可以通過(guò)計(jì)算推導(dǎo)來(lái)解決的問(wèn)題。如在法律中的判例，基于范例推理能很好發(fā)揮作用。2/2/20236概述2/2/20237范例推理開(kāi)展簡(jiǎn)況2/2/20238范例推理開(kāi)展簡(jiǎn)況2/2/20239范例推理開(kāi)展簡(jiǎn)況中國(guó)科學(xué)院計(jì)算技術(shù)研究所智能信息處理開(kāi)放實(shí)驗(yàn)室在基于范例推理方面進(jìn)行了一系列研究。1991年提出了記憶網(wǎng)模型和范例檢索算法。

1993年研制了基于范例學(xué)習(xí)的內(nèi)燃機(jī)油產(chǎn)品設(shè)計(jì)系統(tǒng)EOFDS。

1994年開(kāi)發(fā)了基于范例推理的天氣預(yù)報(bào)系統(tǒng)。1995年開(kāi)發(fā)了基于范例推理的軋鋼規(guī)程系統(tǒng)

1996年開(kāi)發(fā)了基于范例推理的淮河王家壩洪水預(yù)報(bào)調(diào)度系統(tǒng)FOREZ。

2000年研制了漁情分析專家系統(tǒng),獲國(guó)家科技進(jìn)步二等獎(jiǎng)2/2/202310實(shí)際范例2/2/202311實(shí)際范例2/2/202312范例問(wèn)題求解2/2/202313范例問(wèn)題求解2/2/202314范例問(wèn)題求解2/2/202315范例問(wèn)題求解2/2/202316范例問(wèn)題求解2/2/202317

基于范例學(xué)習(xí)的一般過(guò)程2/2/202318

基于范例學(xué)習(xí)的一般過(guò)程2/2/202319范例存儲(chǔ)2/2/202320

基于范例學(xué)習(xí)的一般過(guò)程2/2/202321主要問(wèn)題(1)范例表示:基于范例推理方法的效率和范例表示緊密相關(guān)。范例表示涉及這樣幾個(gè)問(wèn)題:選擇什么信息存放在一個(gè)范例中；如何選擇適宜的范例內(nèi)容描述結(jié)構(gòu)；范例庫(kù)如何組織和索引。對(duì)于那些數(shù)量到達(dá)成千上萬(wàn)、而且十分復(fù)雜的范例,組織和索引問(wèn)題尤其重要。(2)分析模型:分析模型用于分析目標(biāo)范例，從中識(shí)別和抽取檢索源范例庫(kù)的信息。(3)范例檢索:利用檢索信息從源范例庫(kù)中檢索并選擇潛在可用的源范例?；诜独评矸椒ê腿祟惤鉀Q問(wèn)題的方式很相近。碰到一個(gè)新問(wèn)題時(shí)，首先是從記憶或范例庫(kù)中回憶出與當(dāng)前問(wèn)題相關(guān)的最正確范例。后面所有工作能否發(fā)揮出應(yīng)有的作用，很大程度上依賴于這一階段得到的范例質(zhì)量的上下，因此這步非常關(guān)鍵。一般講，范例匹配不是精確的，只能是局部匹配或近似匹配。因此，它要求有一個(gè)相似度的評(píng)價(jià)標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)定義得好，會(huì)使得檢索出的范例十分有用，否那么將會(huì)嚴(yán)重影響后面的過(guò)程。2/2/202322主要問(wèn)題(4)類比映射:尋找目標(biāo)范例同源范例之間的對(duì)應(yīng)關(guān)系。(5)類比轉(zhuǎn)換:轉(zhuǎn)換源范例中同目標(biāo)范例相關(guān)的信息，以便應(yīng)用于目標(biāo)范例的求解過(guò)程中。其中，涉及到對(duì)源范例的求解方案的修改。把檢索到的源范例的解答復(fù)用于新問(wèn)題或新范例之中。它們分別是，源范例與目標(biāo)范例間有何不同之處；源范例中的哪些局部可以用于目標(biāo)范例。對(duì)于簡(jiǎn)單的分類問(wèn)題，僅需要把源范例的分類結(jié)果直接用于目標(biāo)范例。它無(wú)需考慮它們之間的差異，因?yàn)閷?shí)際上范例檢索已經(jīng)完成了這項(xiàng)工作。而對(duì)于問(wèn)題求解之類的問(wèn)題，那么需要根據(jù)它們之間的不同對(duì)復(fù)用的解進(jìn)行調(diào)整。(6)解釋過(guò)程:對(duì)把轉(zhuǎn)換過(guò)的源范例的求解方案應(yīng)用到目標(biāo)范例時(shí)所出現(xiàn)的失敗做出解釋，給出失敗的因果分析報(bào)告。有時(shí)對(duì)成功也同樣做出解釋?；诮忉尩乃饕彩且环N重要的方法。(7)范例修補(bǔ):有些類似于類比轉(zhuǎn)換，區(qū)別在于修補(bǔ)過(guò)程的輸入是解方案和一個(gè)失敗報(bào)告，而且也許還包含一個(gè)解釋，然后修改這個(gè)解以排除失敗的因素。2/2/202323主要問(wèn)題(8)類比驗(yàn)證:驗(yàn)證目標(biāo)范例和源范例進(jìn)行類比的有效性。(9)范例保存:新問(wèn)題得到了解決，那么形成了一個(gè)可能用于將來(lái)情形與之相似的問(wèn)題。這時(shí)有必要把它參加到范例庫(kù)中。這是學(xué)習(xí)也是這是知識(shí)獲取。此過(guò)程涉及選取哪些信息保存，以及如何把新范例有機(jī)集成到范例庫(kù)中。修改和精化源范例庫(kù),其中包括泛化和抽象等過(guò)程。在決定選取范例的哪些信息進(jìn)行保存時(shí)，一般要考慮以下幾點(diǎn)：和問(wèn)題有關(guān)的特征描述；問(wèn)題的求解結(jié)果；以及解答為什么成功或失敗的原因及解釋。把新范例參加到范例庫(kù)中，需要對(duì)它建立有效的索引，這樣以后才能對(duì)之作出有效的回憶。索引應(yīng)使得與該范例有關(guān)時(shí)能回憶得出，與它無(wú)關(guān)時(shí)不應(yīng)回憶出。為此，可能要對(duì)范例庫(kù)的索引內(nèi)容甚至結(jié)構(gòu)進(jìn)行調(diào)整，如改變索引的強(qiáng)度或特征權(quán)值。2/2/202324基于范例推理流程2/2/202325范例的表示

在生理學(xué)、心理學(xué)等領(lǐng)域，已經(jīng)廣泛開(kāi)展了關(guān)于記憶的研究。心理學(xué)的研究者們注重研究記憶的一般理論，已經(jīng)提出了許多記憶模型，典型的包括情景記憶(episodicmemory)，語(yǔ)義記憶(semanticmemory)，聯(lián)想記憶(associativememory)、Schank的動(dòng)態(tài)記憶理論(dynamicmemory)等。知識(shí)是有結(jié)構(gòu)的體系。在某些任務(wù)的執(zhí)行過(guò)程中，專家采用語(yǔ)義記憶來(lái)存儲(chǔ)信息。這種信息記憶方法具有以下優(yōu)點(diǎn):·有利于檢索?！ひ子诮M織?？梢园阉鼈冞B接成樹(shù)形層次或者網(wǎng)絡(luò)?！ひ子诠芾怼ＶR(shí)的改變只對(duì)局部產(chǎn)生影響。·有利于知識(shí)的共享。2/2/202326范例的表示

語(yǔ)義記憶單元，是指在學(xué)習(xí)、分析、理解、記憶知識(shí)的過(guò)程中所著重關(guān)注的其中那些概念、模式、主題等，以及據(jù)此形成的關(guān)于知識(shí)的概念性認(rèn)識(shí)。換言之，這些語(yǔ)義記憶單元是系統(tǒng)對(duì)知識(shí)經(jīng)“計(jì)算〞之后，抽取其中最能反映知識(shí)本身特征且可以很好地使知識(shí)內(nèi)在地聯(lián)系在一起的那些因素而獲得的。2/2/202327范例的表示

我們所記憶的知識(shí)彼此之間并不是孤立的，而是通過(guò)某種內(nèi)在的因素相互之間緊密地或松散地有機(jī)聯(lián)系成的一個(gè)統(tǒng)一的體系。我們使用記憶網(wǎng)來(lái)概括知識(shí)的這一特點(diǎn)。一個(gè)記憶網(wǎng)便是以語(yǔ)義記憶單元為結(jié)點(diǎn)，以語(yǔ)義記憶單元間的各種關(guān)系為連接建立起來(lái)的網(wǎng)絡(luò)。

2/2/202328范例的表示

SMU={SMU_NAMEslot Constraintslots Taxonomyslots Causalityslots Similarityslots Partonomyslots Caseslots Theoryslots }2/2/202329范例的表示

(1)SMU_NAMEslot:簡(jiǎn)記為SMU槽。它是語(yǔ)義記憶單元的概念性描述，通常是一個(gè)詞匯或者一個(gè)短語(yǔ)。(2)Constraintslots:簡(jiǎn)記為CON槽。它是對(duì)語(yǔ)義記憶單元施加的某些約束。通常，這些約束并不是結(jié)構(gòu)性的，而只是對(duì)SMU描述本身所加的約束。另外，每一約束都有CAS側(cè)面(facet)和THY側(cè)面與之相連。(3)Taxonomyslots:簡(jiǎn)記為TAX槽。它定義了與該SMU相關(guān)的分類體系中的該SMU的一些父類和子類。因此，它描述了網(wǎng)絡(luò)中結(jié)點(diǎn)間的類別關(guān)系。(4)Causalityslots:簡(jiǎn)記為CAU槽。它定義了與該SMU有因果聯(lián)系的其它SMU，它或者是另一些SMU的原因，或者是另外一些SMU的結(jié)果。因此，它描述了網(wǎng)絡(luò)中結(jié)點(diǎn)間的因果聯(lián)系。2/2/202330范例的表示

(5)Similarityslots:簡(jiǎn)記為SIM槽。它定義了與該SMU相似的其它SMU，描述網(wǎng)絡(luò)中結(jié)點(diǎn)間的相似關(guān)系。(6)Partonomyslots:簡(jiǎn)記為PAR槽。它定義了與該SMU具有局部整體關(guān)系的其它SMU。(7)Caseslots:簡(jiǎn)記為CAS槽。它定義了與該SMU相關(guān)的范例集。(8)Theoryslots:簡(jiǎn)記為THY槽。它定義了關(guān)于該SMU的理論知識(shí)。上述8類槽可以總地分成三大類。一類反映各SMU之間的關(guān)系，包括TAX槽、CAU槽、SIM槽和PAR槽;第二類反映SMU自身的內(nèi)容和特性，包括SMU槽和THY槽;第三類反映與SMU相關(guān)的范例信息，包括CAS槽和CON槽。2/2/202331范例組織

范例組織時(shí)由兩局部組成，一是范例的內(nèi)容，范例應(yīng)該包含哪些有關(guān)的東西才能對(duì)問(wèn)題的解決有用；二是范例的索引，它和范例的組織結(jié)構(gòu)以及檢索有關(guān)，反響了不同范例間的區(qū)別。2/2/202332范例內(nèi)容

〔1〕問(wèn)題或情景描述是對(duì)要求解的問(wèn)題或要理解的情景的描述，一般要包括這些內(nèi)容：當(dāng)范例發(fā)生時(shí)推理器的目標(biāo)，完成該目標(biāo)所要涉及的任務(wù)，周圍世界或環(huán)境與可能解決方案相關(guān)的所有特征。〔2〕解決方案的內(nèi)容是問(wèn)題如何在一特定情形下得到解決。它可能是對(duì)問(wèn)題的簡(jiǎn)單解答，也可能是得出解答的推導(dǎo)過(guò)程?！?〕結(jié)果記錄了實(shí)施解決方案后的結(jié)果情況，是失敗還是成功。有了結(jié)果內(nèi)容，CBR在給出建議解時(shí)有能給出曾經(jīng)成功地工作的范例，同時(shí)也能利用失敗的范例來(lái)防止可能會(huì)發(fā)生的問(wèn)題。當(dāng)對(duì)問(wèn)題還缺乏足夠的了解時(shí)，通過(guò)在范例的表示上加上結(jié)果局部能取得較好的效果。2/2/202333范例索引

建立范例索引有三個(gè)原那么：①索引與具體領(lǐng)域有關(guān)。數(shù)據(jù)庫(kù)中的索引是通用的，目的僅僅是追求索引能對(duì)數(shù)據(jù)集合進(jìn)行平衡的劃分從而使得檢索速度最快；而范例索引那么要考慮是否有利于將來(lái)的范例檢索，它決定了針對(duì)某個(gè)具體的問(wèn)題哪些范例被復(fù)用；②索引應(yīng)該有一定的抽象或泛化程度，這樣才能靈活處理以后可能遇到的各種情景，太具體那么不能滿足更多的情況；③索引應(yīng)該有一定的具體性，這樣才能在以后被容易地識(shí)別出來(lái)，太抽象那么各個(gè)范例之間的差異將被消除。2/2/202334范例的檢索

范例檢索——從范例庫(kù)(CaseBase)中找到一個(gè)或多個(gè)與當(dāng)前問(wèn)題最相似的范例；CBR系統(tǒng)中的知識(shí)庫(kù)不是以前專家系統(tǒng)中的規(guī)那么庫(kù)，它是由領(lǐng)域?qū)＜乙郧敖鉀Q過(guò)的一些問(wèn)題組成。范例庫(kù)中的每一個(gè)范例包括以前問(wèn)題的一般描述即情景和解法。一個(gè)新范例并入范例庫(kù)時(shí)，同時(shí)也建立了關(guān)于這個(gè)范例的主要特征的索引。當(dāng)接受了一個(gè)求解新問(wèn)題的要求后，CBR利用相似度知識(shí)和特征索引從范例庫(kù)中找出與當(dāng)前問(wèn)題相關(guān)的最正確范例，由于它所回憶的內(nèi)容，即所得到的范例質(zhì)量和數(shù)量直接影響著問(wèn)題的解決效果，所以此項(xiàng)工作比較重要。它通過(guò)三個(gè)子過(guò)程，即特征辯識(shí)、初步匹配，最正確選定來(lái)實(shí)現(xiàn)。2/2/202335特征辨識(shí)

指對(duì)問(wèn)題進(jìn)行分析，提取有關(guān)特征，特征提取方式有：(a)從問(wèn)題的描述中直接獲得問(wèn)題的特征，如自然語(yǔ)言對(duì)問(wèn)題進(jìn)行描述并輸入系統(tǒng)，系統(tǒng)可以對(duì)句子進(jìn)行關(guān)鍵詞提取，這些關(guān)鍵詞就是問(wèn)題的某些特征。(b)對(duì)問(wèn)題經(jīng)過(guò)分析理解后導(dǎo)出的特征,如圖象分析理解中涉及的特征提取。(c)根據(jù)上下文或知識(shí)模型的需要從用戶那里通過(guò)交互方式獲取的特征，系統(tǒng)向用戶提問(wèn)，以縮小檢索范圍，使檢索的范例更加準(zhǔn)確。2/2/202336初步匹配指從范例庫(kù)中找到一組與當(dāng)前問(wèn)題相關(guān)的候選范例。這是通過(guò)使用上述特征作為范例庫(kù)的索引來(lái)完成檢索的。由于一般不存在完全的精確匹配，所以要對(duì)范例之間的特征關(guān)系進(jìn)行相似度估計(jì)，它可以是基于上述特征的與領(lǐng)域知識(shí)關(guān)系不大的外表估計(jì)，也可以通過(guò)對(duì)問(wèn)題進(jìn)行深入理解和分析后的深層估計(jì)，在具體做法上，那么可以通過(guò)對(duì)特征賦于不同的權(quán)值表達(dá)不同的重要性。相似度評(píng)價(jià)方法有最近鄰法、歸納法等。2/2/202337最正確選定指從初步匹配過(guò)程中獲得的一組候選范例中選取一個(gè)或幾個(gè)與當(dāng)前問(wèn)題最相關(guān)的范例。這一步和領(lǐng)域知識(shí)關(guān)系密切。可以由領(lǐng)域知識(shí)模型或領(lǐng)域知識(shí)工程師對(duì)范例進(jìn)行解釋，然后對(duì)這些解釋進(jìn)行有效測(cè)試和評(píng)估，最后依據(jù)某種度量標(biāo)準(zhǔn)對(duì)候選范例進(jìn)行排序，得分最高的就成為最正確范例,比方最相關(guān)的或解釋最合理的范例可選定為最正確范例。2/2/202338相似性關(guān)系范例的表示說(shuō)明，范例的情境是由許多屬性組成，范例間的相似度就是根據(jù)屬性〔或變量〕之間的相似度定義的。目標(biāo)范例與源范例之間的相似性有語(yǔ)義相似、結(jié)構(gòu)相似、目標(biāo)相似和個(gè)體相似。2/2/202339語(yǔ)義相似性兩范例之間是可以類比的，首先必須滿足語(yǔ)義上具有相似性關(guān)系。相似性關(guān)系是類比問(wèn)題求解的根底。兩實(shí)體的類比可以區(qū)分為正類比、反類比、不確定類比。正類比是由相似性關(guān)系所確定的兩實(shí)體之間的可類比局部，反類比那么是已被確定為兩實(shí)體間不相似的局部，不確定類比是兩實(shí)體之間尚未確定是否可類比的局部。兩個(gè)實(shí)體可類比的條件之一是:模型的本質(zhì)性質(zhì)和因果關(guān)系不構(gòu)成反類比的一局部。不確定類比使得類比具有一定的預(yù)見(jiàn)性，這種預(yù)見(jiàn)可能是正確的，也可能是錯(cuò)誤的。在類比求解中，目標(biāo)范例的本質(zhì)特征和源范例的本質(zhì)特征必須具有相似性關(guān)系，才能使類比有了根底。2/2/202340個(gè)體相似性在我們的模型中強(qiáng)調(diào)的另一重要約束是個(gè)體的類別信息。從不嚴(yán)格的意義上講，如果兩個(gè)個(gè)體之間具有一些(或一個(gè))相似的屬性，那么它們是屬于同一類別的。在概念聚類中，我們使用概念(或客體)間的相關(guān)性或緊致性來(lái)對(duì)概念(客體)集進(jìn)行分類。相關(guān)性是指概念的屬性之間相似度的平均值。但在這里，我們將把電線和繩索看作是同一類別的，因?yàn)樗鼈兙梢杂脕?lái)綁縛物體。 2/2/202341相似性計(jì)算絕對(duì)值距離(Manhattan):

其中Vik

和Vjk

分別表示范例i和范例j的第k個(gè)屬性值

。

2/2/202342相似性計(jì)算2.歐氏距離(Euclidean)

2/2/202343相似性計(jì)算3.麥考斯基距離2/2/202344范例的復(fù)用把檢索到的舊范例的解答復(fù)用到新問(wèn)題或新范例之中。通過(guò)所給問(wèn)題和范例庫(kù)中范例比較得到新舊范例之間的不同之處，然后答復(fù)哪些解答局部可以復(fù)用到新問(wèn)題之中。對(duì)于簡(jiǎn)單的分類問(wèn)題，僅需要把舊范例的分類結(jié)果直接用于新范例，它無(wú)需考慮新舊范例之間的差異。而對(duì)于問(wèn)題求解類的問(wèn)題，那么需要對(duì)領(lǐng)域知識(shí)的深入理解，根據(jù)范例之間的不同對(duì)問(wèn)題進(jìn)行調(diào)整，可以是對(duì)整個(gè)解的某項(xiàng)作一些調(diào)整，也可以對(duì)整個(gè)解的進(jìn)行微調(diào)。2/2/202345替換法(1)重新例化〔reinstantiation〕：這是一種很簡(jiǎn)單的替換操作，僅僅是用新的個(gè)體替換舊解中的個(gè)體。例如，川菜設(shè)計(jì)系統(tǒng)CHEF，在根據(jù)牛排炒甘藍(lán)菜來(lái)設(shè)計(jì)一道雞肉炒雪豆菜，它就是把該菜譜中的所有牛排替換成雞肉，把甘藍(lán)替換成雪豆。(2)參數(shù)調(diào)整〔parameteradjustment〕:這是一種處理數(shù)值參數(shù)的啟發(fā)式方法。它和具體的輸出與輸入?yún)?shù)間的關(guān)系模型〔輸入發(fā)生什么變化，會(huì)導(dǎo)致輸出產(chǎn)生怎樣的相應(yīng)變化〕有關(guān)。(3)局部搜索〔localsearch〕：使用輔助的知識(shí)結(jié)構(gòu)來(lái)獲得替換值。例如，設(shè)計(jì)點(diǎn)心時(shí)缺少桔子，那么可使用此法在一個(gè)水果語(yǔ)義網(wǎng)知識(shí)結(jié)構(gòu)中搜索一個(gè)與桔子相近的水果如蘋(píng)果來(lái)代替。2/2/202346替換法(4)查詢〔query〕：用帶條件的查詢?cè)诜独龓?kù)或輔助知識(shí)結(jié)構(gòu)中獲取要替換的內(nèi)容。(5)特定搜索〔specializedsearch〕：同時(shí)在范例庫(kù)和輔助知識(shí)結(jié)構(gòu)中進(jìn)行查詢，但在范例庫(kù)中查詢時(shí)使用輔助知識(shí)來(lái)啟發(fā)式指導(dǎo)如何搜索。(6)基于范例的替換〔case-basedsubstitution〕：使用其它的范例來(lái)建議一個(gè)替換。2/2/202347轉(zhuǎn)換法轉(zhuǎn)換法包括：常識(shí)轉(zhuǎn)換法〔common-sensetransformation〕：使用明白易懂的常識(shí)性啟發(fā)式從舊解中替換、刪除或增加某些組成局部。典型的常理轉(zhuǎn)換法是，“刪去次要組成局部〞。模型制導(dǎo)修補(bǔ)法〔model-guidedrepair〕：通過(guò)因果模型來(lái)指導(dǎo)如何轉(zhuǎn)換。故障診斷中就經(jīng)常使用這種方法。

2/2/202348特定目標(biāo)驅(qū)動(dòng)法這種方法主要用于完成領(lǐng)域相關(guān)以及要做結(jié)構(gòu)修改的修正。該法使用的各種啟發(fā)式需要根據(jù)它們可用的情景進(jìn)行索引。特定目標(biāo)驅(qū)動(dòng)的修正啟發(fā)式知識(shí)一般通過(guò)評(píng)價(jià)近似解作用，并通過(guò)使用基于規(guī)那么的產(chǎn)生式系統(tǒng)來(lái)控制。

2/2/202349

派生重演上述方法所做的修正是在舊解的解答上完成的。重演方法那么是使用過(guò)去的推導(dǎo)出舊解的方法來(lái)推導(dǎo)出新解。這種方法關(guān)心的是解是如何求出來(lái)的。同前面的基于范例替換相比，派生重演使用的那么是一種基于范例的修正手段。2/2/202350CBR工具

CBRDesignExplorer-Diagnostic&DesignShell

(ArtificialIntelligenceApplicationsInstituteatUniversityofEdinburgh)CBRFrameworkforBioprocessing

(BioprocessesGroupatVTTBiotechnologyandFoodResearch)CBRTools

-objectorientedsoftwarelibraryinJAVA

(AIDresearchgroupatINRIASophiaAntipolis)CBR-Worksproductfamily

-CBRshell(researchlicensesavailable)

(tec:innoGmbH)

2/2/202351AIAICBRDiagnostic&DesignShellPage

Fuzzylogicmatchingalgorithms(latticed,SmoothFuzzy)

Adaptiveconfidencemeasures

Multiplediagnosticalgorithms(negativeselection,densityselection,omissionmatching,identifyoutliers,bestmatch,one-caseone-vote,probabilisticcurve,default)

Adaptivethresholding(adaptive'k'neighbourhood)

High/low/linearityinvestigationalgorithm

Metaweightingstructureforfieldsbyoperatortype

Adaptivefieldweightingsystem(stochastichill-climbing)

2/2/202352AIAICBRDiagnostic&DesignShellPage

"Createakey"fromASCIIwithautomaticparsingandoperatorselection

Key/casebase/testbasecreation/savingsupport

Unlimiteddata/fielddepth-testedto6000fields

Serialandparalleltestingmethodswithbatchprocessingandsummarymode

Helpsystem

Nightlearningcycle

Aninteractivetutorialwithmachinelearningexamplesets

2/2/202353AIAICBRDiagnostic&DesignShellPage

Thenewreleasewillfeature:

Next-generationanalysisalgorithms

Corporatememorycomponents

Geneticalgorithmfieldweightlearning

ODBCdatabasesupport

Multiplegoals

'Overlap'matchingofvaryinglengthrecords

Adaptivetextparsingalgorithms

Meta-inductionforrulesandindexing

Automaticcasebuilderandtreegeneration

Dynamiccasebasereductionandcompression

Parsinganddatatransformationsystem2/2/202354CBR*Tools

CBR*Toolsisanobject-orientedsoftwarelibraryforCase-BasedReasoning(CBR).ItprovidesabasicreusableCBRframeworkthatsupportsthedevelopmentofCBRapplications.Itcanbeespeciallyusedforproblemsaddressingbehavorialsituationretrievalandindexation.2/2/202355CBR*Tools

CBR*Toolsconsistsofthreepackages,namely,thecore,time,andnavigationpackage.ThelibraryisspecifiedwiththeOMTmethodandwritteninJava.Clickontheicon(ontherighthandside),togetafullimageofthesystem'smainuserinterface.

2/2/202356CBR*Tools2/2/202357CBR*Tools2/2/202358TheKnowledgeModelCycle2/2/202359ACTIVATE

EXPLAIN

FOCUS?Goal-Appl.taskaccomplished?Situation-Findingsexplained-Constraintsconfirmed-Solutionfound?Goal-Appl.taskisdefined?Situation-Findingsarelisted-Constraintsarespecified-SolutionaskedforTheCreekExplanationEngine2/2/202360TheExplanationEnginewithintheCBRCycle2/2/202361TheCreek1Approach?Combinescase-basedandmodel-basedreasoning,forproblemsinopen

and

weaktheorydomains.?Inputisproblemsolvingcontext(e.g.goal)andproblemfeatures(e.g.alistoffindings).Outputisthebest

plausibleinterpretationoftheinputwithinthecontext.?Knowledgetypes,usedforreasoningareabodyofsituation-specificknowledge,

i.e.acasememoryoffindingslinkedtosolutions,annotatedwithotherrelevantinformationandknowledge

abodyof

generaldomainknowledge,asdeeprelationshipsorheuristicrules1Case-basedReasoningthroughExtensiveExplicitKnowledge2/2/202362中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)魚(yú)類的洄游以及中心漁場(chǎng)的形成受到這幾個(gè)因素的制約：海水溫度〔包括海洋外表溫度，海洋底層溫度〕；臺(tái)站數(shù)據(jù)，如海水鹽度，鹽度梯度，長(zhǎng)江徑流量，風(fēng)向，風(fēng)速等；海洋葉綠素濃度。但是，魚(yú)類的洄游規(guī)律受很多因素制約，變化非常復(fù)雜，難以用傳統(tǒng)的數(shù)學(xué)方法和模型描述。同時(shí)專家關(guān)于中心漁場(chǎng)規(guī)律的知識(shí)是不精確的，不完全的。值得慶幸的是，我們已經(jīng)收集了20來(lái)年?yáng)|海的漁況海況數(shù)據(jù)，這是非常珍貴的資料,因此可以從中挖掘出許多有用的信息和知識(shí)，根據(jù)歷年的情況來(lái)分析、預(yù)測(cè)中心漁場(chǎng)的趨勢(shì)。整個(gè)系統(tǒng)采用了基于范例推理〔CBR〕的方案。因?yàn)镃BR非常適合應(yīng)用于系統(tǒng)已存在大量歷史數(shù)據(jù),專家通過(guò)實(shí)例來(lái)描述他們的領(lǐng)域,問(wèn)題未被完全理解，可用的領(lǐng)域知識(shí)很少,系統(tǒng)中有很多例外的規(guī)那么的情形。2/2/202363中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)由于大多數(shù)海況信息是以周為單位收集的，同時(shí)為了便于處理和計(jì)算，我們根據(jù)實(shí)際情況對(duì)需求進(jìn)行了簡(jiǎn)化，預(yù)測(cè)的周期規(guī)定為一周。這樣，問(wèn)題變成了如果知道本周中心漁產(chǎn)〔位置，產(chǎn)量和大小〕，預(yù)報(bào)下周〔下下周〕中心漁場(chǎng)〔位置，產(chǎn)量和大小〕。即使如此，問(wèn)題也是相當(dāng)困難的，因?yàn)闈O場(chǎng)位置、大小是一種空間數(shù)據(jù)。同時(shí)，海況信息涉及600來(lái)個(gè)空間和非空間屬性，回歸的方法2/2/202364中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)在我們的系統(tǒng)中，對(duì)空間條件屬性，采用三個(gè)相似性度量方法〔函數(shù)〕：·基于漁場(chǎng)位置的相似sim1=-∑(Wi*distance(pos(goal)-pos(source)))/∑wi·基于溫度場(chǎng)的相似sim2=-∑(wi*difference(temp(goal)-temp(source)))/∑wi·基于溫度梯度的相似sim3=-∑(wi*difference(delta(goal)-delta(source)))/∑wi其中，wi是權(quán)重。如果該溫度測(cè)試點(diǎn)與樣本的中心漁場(chǎng)距離di越近，權(quán)越大。2/2/202365中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)預(yù)處理（聚類）結(jié)果匯總范例保存

修正可視化接口瀏覽范例歷史數(shù)據(jù)范例庫(kù)數(shù)據(jù)過(guò)濾多策略相似檢索新范例

最終結(jié)果相似范例輸入數(shù)據(jù)2/2/202366中心漁場(chǎng)預(yù)報(bào)專家系統(tǒng)

2/2/202367機(jī)器翻譯基于規(guī)則和范例的推理相結(jié)合的技術(shù)。對(duì)于基于范例的推理，采用基于多功能層次和單詞驅(qū)動(dòng)相結(jié)合的混合式匹配算法。為了加快檢索的速度和提高檢索的效率，還在多抽象層次記憶庫(kù)的基礎(chǔ)上，提出了基于模式抽象特征的約束檢索方法。2/2/202368機(jī)器翻譯針對(duì)基于范例類比翻譯中的譯文構(gòu)造，通過(guò)建立例子譯文和目標(biāo)譯文之間的直接轉(zhuǎn)換算子來(lái)實(shí)現(xiàn)目標(biāo)相似解構(gòu)造的方法。2/2/202369機(jī)器翻譯"翻譯記憶