范例推理幻灯片.pptVIP

史忠植 高级人工智能 高级人工智能 第三章 范例推理 什么是范例？ “范例是对某个过去发生的事件的真实描述，……目的是引发对一个特殊情境的讨论和分析.” 概 述 概 述 概 述 概 述 范例推理发展简况 范例推理发展简况 范例推理发展简况 实际范例 实际范例 范例问题求解 范例问题求解 范例问题求解 范例问题求解 范例问题求解 基于范例学习的一般过程 基于范例学习的一般过程 范例存储 基于范例学习的一般过程 主要问题 主要问题 主要问题 基于范例推理流程 范例的表示 范例的表示 范例的表示 范例的表示 范例的表示 范例的表示 范例组织 范例内容 范例索引 范例的检索 特征辨识 初步匹配 最佳选定 相似性关系 语义相似性 个体相似性 相似性计算 相似性计算 相似性计算 范例的复用 替换法 替换法 转换法 特定目标驱动法 派生重演 CBR 工具 AIAI CBR Diagnostic Design Shell Page AIAI CBR Diagnostic Design Shell Page AIAI CBR Diagnostic Design Shell Page CBR*Tools CBR*Tools CBR*Tools CBR*Tools The Knowledge Model Cycle 中心渔场预报专家系统 中心渔场预报专家系统 中心渔场预报专家系统 中心渔场预报专家系统 中心渔场预报专家系统 机器翻译 机器翻译 机器翻译 机器翻译 机器翻译 机器翻译 课堂教学视频范例 用课堂录像（视频）的形式去捕捉和描述发生在课堂上的围绕教学问题的典型事件。 视频范例的基本结构 鱼类的洄游以及中心渔场的形成受到这几个因素的制约：海水温度（包括海洋表面温度，海洋底层温度）；台站数据，如海水盐度，盐度梯度，长江径流量，风向，风速等；海洋叶绿素浓度。但是，鱼类的洄游规律受很多因素制约，变化非常复杂，难以用传统的数学方法和模型描述。同时专家关于中心渔场规律的知识是不精确的，不完全的。值得庆幸的是，我们已经收集了20来年东海的渔况海况数据，这是非常宝贵的资料,因此可以从中挖掘出许多有用的信息和知识，根据历年的情况来分析、预测中心渔场的趋势。整个系统采用了基于范例推理（CBR）的方案。因为CBR非常适合应用于系统已存在大量历史数据,专家通过实例来描述他们的领域,问题未被完全理解，可用的领域知识很少,系统中有很多例外的规则的情形。 由于大多数海况信息是以周为单位收集的，同时为了便于处理和计算，我们根据实际情况对需求进行了简化，预测的周期规定为一周。这样，问题变成了如果知道本周中心渔产（位置，产量和大小），预报下周（下下周）中心渔场（位置，产量和大小）。即使如此，问题也是相当困难的，因为渔场位置、大小是一种空间数据。同时，海况信息涉及600来个空间和非空间属性，回归的方法 在我们的系统中，对空间条件属性，采用三个相似性度量方法（函数）： ·基于渔场位置的相似 sim1 = -∑(Wi * distance(pos(goal) - pos(source))) / ∑wi ·基于温度场的相似 sim2 = -∑(wi * difference(temp(goal) - temp(source))) / ∑wi ·基于温度梯度的相似 sim3 = -∑(wi * difference(delta(goal) - delta(source))) / ∑wi 其中，wi是权重。如果该温度测试点与样本的中心渔场距离di越近，权越大。 预处理（聚类） 结果汇总 范例保存 修 正 可视化接口 浏览范例 历史数据 范例库 数据过滤 多策略相似检索 新范例 最终结果 相似范例 输入数据 基于规则和范例的推理相结合的技术。 对于基于范例的推理，采用基于多功能层次和单词驱动相结合的混合式匹配算法。为了加快检索的速度和提高检索的效率，还在多抽象层次记忆库的基础上，提出了基于模式抽象特征的约束检索方法。 针对基于范例类比翻译中的译文构造，通过建立例子译文和目标译文之间的直接转换算子来实现目标相似解构造的方法。 翻译记忆（TM，TranslationMemory）是一种通过计算机软件来实现的专业翻译解决方案，它与机器翻译有着本质的区别。以欧盟为例，每天都有大量的文件需要翻译成各成员国的文字，翻译工作量极大，自1997年采用德国塔多思（TRADOS）公司的翻译记忆软件以来，欧盟的翻译工作效率大大提高。如今，欧盟、国际货币基金组织等国际组织，微软、SAP、ORACLE和德国大众等跨国企业以及许多世界级翻译公司和本地化公司都以翻译记忆软件作为信息处理的基本工具。 为什么翻译记忆技术会吸引如此众多