基于规则的实例检索模型.docxVIP

基于规则的实例检索模型 基于实例的推理（rcr），该算法适用于复杂和病态结构的机械设计问题。此步骤包括实际的表达和存储、检索、调整和学习。其中，示例研究算法的效率和精度是cbr技术的关键。最近邻算法是目前应用最为广泛的实例检索算法,但尚存在一些不足: (1) 没有考虑实例的多索引机制。 (2) 随着实例库中实例增加,检索效率呈线性下降。 (3) 特征权重和特征属性相似度都需要由领域专家确定,其他算法如特征评估算法、反省算法和神经网络方法等考虑了特征权重的调整,但调整策略有待进一步研究。 (4) 机械设计实例的索引词汇的确定是一个NP难题,要求索引词汇便于扩充,而最近邻算法和文献算法都没有考虑索引词汇的动态扩充问题。 1 生成信息的规范表达 针对以上问题,本文提出了一种基于多粒度的实例和规则索引统一表达机制,用基于规则推理(RBR)减小检索范围并优化实例检索的质量,支持索引词汇的动态扩充和特征权重与特征属性相似度的动态调整,基于多粒度的实例和规则索引统一表达机制见图1。 实例库由零件-组合件-产品3层实例库组成,产品实例的内容包括实例号、实例索引码、实例CAD模型(总体控制结构)和所包含的标准零件、组合件的描述信息或非常用件的名称和存储路径等。规则的条件子句描述规则的适用条件,用“规则索引码”表示,结论子句可以是规范的信息,如标准件的名称、类别,也可以是自由语义信息。 定义1 特征集:记实例d有n个描述特征项,d={pi},每个描述特征项的当前取值为vi,其中1≤i≤n。对于实例库中的所有实例,若存在一个最小的整数I,1≤I≤n,使得d=d′?v1=v′1,v2=v′2,…,vI=v′I,则称由描述特征项p1,p2,…,pI构成的集合为特征集。即特征集是指能概括实例的主要功能和结构,且能使实例相互区分的描述特征项的集合。 定义2 特征属性集:某一实例描述特征可能取值的集合,特征属性集与特征集的关系为attribute-of。 “特征集”和“特征属性集”构成索引词汇,用以描述实例和规则的索引。“实例索引码”和“规则索引码”分别是一个序列,序列的各元素用相应“特征项”的“特征属性代号”以代号(单个“特征属性代号”)、代号集(部分“特征属性代号”的并集)或“*”(全部“特征属性代号”的并集)3种粒度表示。“问题描述码”的表示方法同“实例索引码”和“规则索引码”类似,但序列的元素只以“代号”和“*”2种粒度表示。 本文引入了“特征属性相似度矩阵”的概念,用以表示某“特征项”的所有“特征属性”两两间的相似度。“特征属性相似度矩阵”是一个上三角阵,可作为关系型数据库的一个大对象储存。特征属性相似度和特征权重的初值都由用户在0和1之间设定,并在应用中进行调整。 一个实例往往适合不同的设计需求,本文实例的索引采用基于多粒度的表达方法,同一实例可以响应不同设计问题的检索,从而提高了检索的成功率;当前设计问题的描述、实例和规则的索引采用统一的表达机制,耦合度高,便于实例和规则的混合推理。 2 用户选择相似实例 实例检索流程如图1,通过比较“问题描述码”和规则库中各规则的“规则索引码”,计算当前设计问题与每条规则的匹配度,取匹配度最大的N条规则形成规则集供用户确认。通过比较“问题描述码”和实例库中每个实例的“实例索引码”,计算当前设计问题与每个实例的相似度,取相似度最大并符合用户确认的设计规则的前M条实例按相似度由高到低排列形成“实例集”。某一阶段内,检索出的M条实例中包含相似实例的次数与总的检索次数的比值定义为检索成功率,而实例集中第一条实例即为最相似实例的检索次数与总的检索次数的比值,定义为检索准确率。 用户选择“实例集”中最符合要求的实例作为设计的起点,系统根据用户的选择动态地调整相关特征的权重和相关特征属性的相似度。“特征集”、“特征属性集”和“规则库”都可以在检索过程中动态地扩充。 3 特征集和特征属性相似度计算 实例库中各实例与当前设计问题的相似度 V=∑i=1NQ(Wi×Sim)∑i=1NQWi(1)V=∑i=1ΝQ(Wi×Sim)∑i=1ΝQWi(1) 式中:NQ表示问题描述码的长度;Wi为第i个特征的权重;Sim表示当前问题描述码和实例索引码第i位的相似度。 Sim=?????????????1Si(l,k)2×∑n=1NA∑m=nNASi(m,n)NA×(1+NA)Qi∩Ci≠?Qi∩Ci=?且1≤i≤NCQi∩Ci=?且NC≤i≤NQ(2)Sim={1Qi∩Ci≠?Si(l,k)Qi∩Ci=?且1≤i≤ΝC2×∑n=1ΝA∑m=nΝASi(m,n)ΝA×(1+ΝA)Qi∩Ci=?且ΝC≤i≤ΝQ(2) 式中:Qi和Ci分别表示问题描述码和实例索引码第i位元素;VQi和VCi分别表示问题描述码和实例索引码第i位元素在相应特征属性