基于CBR油菜病害诊断推理系统设计.docVIP

基于CBR油菜病害诊断推理系统设计 　　摘要：根据案例推理（CBR）的方法对油菜病例进行二值化， 建构油菜病害推理系统；用面向对象的思想， 以VC++为开发平台， SQL Server 2000为服务平台， 开发了油菜病害诊断系统。系统可很好地应用于油菜病害的诊断和推理。 　　关键词：案例推理（CBR）；油菜病害；诊断系统 　　中图分类号：TP182；S435.654 文献标识码：A 文章编号：0439-8114（2013）03-0699-03 　　案例推理（Case-Based Reasoning，简称为CBR）是人工智能领域中的一个重要范畴，与基于规则推理模式不同，它是指借用已有的相似案例来解决问题[1]。目前CBR已成为人工智能与专家系统的一种非常具有生命力的推理技术，广泛应用于诸多领域， 并受到越来越多的重视。 　　国内外许多专家学者对病虫害的诊断与防治进行了研究，但对病虫害诊断的准确率不高。该设计采用案例推理（CBR）方法对油菜的病例进行二值化后， 根据设计的推理机进行判断分析，并做出相应的决策，其诊断的效果良好。 　　1 油菜病害的知识表示 　　知识表示是专家系统中十分重要的研究领域，与知识获取、推理、搜索、解释等有直接关系，知识表示水平的高低决定了农业病虫害诊断系统性能的优劣[2]。如何研制开发出一个准确、细腻、真实的模拟农业病虫害专家诊断系统，首先要考虑的是选用合适的知识表示策略。 　　1.1 病例的知识表示 　　病例是对事件或问题的描述和表示，其内容包括问题描述、问题求解和病例结果三部分。以油菜病害案例为例，对其进行病例知识的建模。 　　1）问题的描述。描述油菜病害案例发生时的背景和状态， 包括发病时间和症状表现等。 　　2）问题求解。对问题描述选择处理方法和解决策略，得到相关结构、解释或建议，即根据症状描述推理得出确诊的疾病、病因和防治措施。 　　3）诊断结果。此案例是成功案例还是失败案例等，是诊断的效果反馈。 　　1.2 油菜病害系统基础数据 　　病例主要针对油菜病害中6种常见病构造的。病例库数据经预处理，其结构以及对应属性取值见表1。对表1中的数据，根据专家经验形成含106个症状条件属性，分别对应6种常见疾病。根据张信等[3]列出的症状信息经预处理后作为案例数据（表2）。 　　对病例的描述进行二值化处理，例如，对于“为害”属性有6个可取值，则设置6个不同的属性H1，H2，H3，H4，H5，H6来代替“为害”属性，当H1的取值为“1”时，表示为害的部分为叶。 　　病例1： 茎部受害，淡褐色水渍状斑点，老叶出现轮纹，内外长出白色絮状菌丝，花瓣黄褐色，易脱落。根据表1对病例1进行预处理，得到表2。 　　1.3 典型的CBR模型 　　从目前的研究来看，普遍被接受的、典型的CBR模型是建立在Aamodt等[4]提出的“4R”循环基础之上的，即将CBR过程划分为4个主要阶段：①实例检索（Retrieve），根据问题的描述找到最相似的实例；②实例复用（Reuse），重用相似实例的建议解；③实例修正（Revise），如有必要，修正建议以更好地适应新问题；④实例保存（Retain），将验证后的新解与问题存储到实例库中。 　　2 系统工作流程设计 　　系统工作流程如图1，用户首先进入用户登录界面，输入登录信息后系统根据不同用户的身份赋予不同的权限。普通用户登录后使用诊断系统进行油菜病害诊断或进行病害知识浏览。 　　2.1 系统知识库设计 　　由于在这个系统中所涉及到的表有诊断表、案例表、农药知识、防治信息、疾病信息、专家信息、农户信息。产生的知识库见图2。 　　2.2 规则库 　　对常见的油菜病害进行二值化，产生下面的处理逻辑规则库： 　　IF H1（叶为害） H5（果为害）（枝为害）（叶斑近褐） 　　（叶同心轮纹）（絮状菌丝菌核）（茎枝枯死）（茎斑形梭）（茎斑边褐色）||SX 　　Then D01（菌核病） 　　IF H1（叶为害） H5（果为害） （叶斑近黄） 　　（叶大V合并）（叶枯）（茎枝斑形同心轮纹）（茎秆纵裂）（茎秆生白色分泌物）||SY 　　Then D02（病毒病） 　　…. 　　其中SX，SY为病害案例。（SX，SY？哿S），S？哿M。 　　2.3 推理机设计 　　推理机设计主要是指诊断推理流程的设计，推理机的诊断算法如下。 　　步骤1：用户根据自己的需求登入系统； 　　步骤2：用户若选择病害诊断的操作，由用户对现在的症状进行描述，通过勾选的方式进行。系统对用户所做的勾选到规则库里进行匹配查找。若查找成功，输出诊断结论，并给予相应的建议；若未找到相应的结论，则由用户重新勾选，同时保存该病案，用于以后的规则判断中。 　　步骤3：