AI-CH5人工智能引论.pdfVIP

第五章 基于范例的推理 传统的推理通常是通过一系列规则由问题的初始描 述导出结论的过程。 基于范例的推理 （CBR—Case Based Reasoning ）通 过联想 （或类比），将解决过去问题的经验 （解答、解 答过程）用于解决当前问题。  CBR中的知识不是应用领域中的基本规则，而是记 载了特别解答情节的案例，即值得借鉴的有代表性的案 例，即范例。 CBR进行问题求解的过程 首先从范例库中检索出 （联想到）与手头问题最 类似 （相关）的范例， 然后比较其差别，并通过解答改编，使其适合 于手头的问题。 5.1 基于范例的推理系统 5.1.1 研究动机 1 有效地模拟人的推理与学习 人的问题求解过程： 认真考虑手头问题的属性； 广泛联想经历过的类似问题及其求解方法； 尝试用类似的方法 （视问题的性质进行不同程度 的修改），解决手头问题； 随着解决问题的经历增长，问题求解能力不断提 高。 2 开发更有效的智能问题求解技术 CBR是新型的智能问题求解技术，特别适合问题诊断、 战略规划、司法引证、状态分析、缺陷探测等领域。 CBR系统的优点： 知识获取较容易 范例记忆 （鉴别、存贮、索引） 规则抽取 知识维护方便 范例库 规则库 问题求解的有效性高 解答质量好 对于在对应用领域的本质缺乏深入理解的场 合，如市场分析、战略规划等，不存在结构良 好的知识能用于建立一致性的规则库。CBR 特别适合此种场合。 用户接纳性好 5.1.2 CBR系统分类 按其执行的任务划分为两类： 解释型CBR 系统提供具体的正、反案例作为上下文帮助用户理 解和分析当前新问题的处境。 范例检索 处境分析：鉴 基于处境分析 别当前问题及其 的结果，从范例库 环境的关键特征 检索出具有类似索 以作为检索范例 引指标的范例，并 库的凭据； 按类似度加以排序 解答辩证 判别从类似的范例 解答检测 借鉴的解答是否适合 预测：鉴别解答执行的 于要解决的问题。类 可能结果和潜在的问题 似分析是其中的关键 评价：依据解答执行后 反馈的信息，评价解答的有 效性。 问题求解型CBR 依据对当前新问题的处境分析，系统首先在问 题空间检索到类似的范例，并取出该范例问题的解 答，然后在解答空间中改编该解答以适用于新问题 。 关键是解答改编，目前还缺少有效的方法。目 前的方法是基于规则的推理，或者手工完成。 CBR应用系统开发： CBR范例库的建立 范例库初建为一个三步开发过程： ①理解应用领域； ②制定范例表示和索引； ③存贮足够的范例 （种子范例）。 在系统应用过程中可以按一定的学习策略，逐 步将系统经历的新范例充实范例库。 CBR过程设计 重点设计检索、改编、检测环节。