人工智能参考论文(2)
人工智能参考论文篇二
作为框架的CBR设计:用其他人工智能增强CBR
摘 要：设计是一种活动，其中经验在生成超越理论或正式知识的选择性的设计中扮演了一个重要的角色。这导致了逐渐增加的对CBR作为一种协助或自动化设计过程的方式的兴趣。然而，CBR范例的主要领域并不致力于实际的CBR的需求。这里的CBR是作为设计的一个框架呈现的，而且其他人工智能技术支持CBR的不同方面。从案例内存和遗传基因运算法则中得来的知识发现是增强CBR的可行方法。?
关键词：基于案例的推理(CBR);人工智能技术(AI)?
0 引言
基于案例的推理(CBR)应用于人工智能的推理范例，人工智能以先前经验的形式为基础使用知识解决新问题。由作为框架的CBR设计采用的主要“推理周期”。
一个新的设计问题可作为一个案例库的索引。一系列设计案例被取消并且成为设计案例改编的基础。然后一个新的设计解决方案就包含在案例库中了，允许系统像经历一个新的情境一样学习。由于问题没被很好的定义，与设计是有索引的和可被取消的这种方式有关的议题并不能被CBR范例良好的表达。设计案例改编为了改变先前的设计和识别充足的新设计提升了针对方法需求的议题。这种方法是CBR范例本身所没有的。
1 整合CBR和其他人工智能技术的需要
CBR作为一种达成虚拟智能的方法承担了经验记忆的表征，没有具体说明这种记忆是如何被索引或者如何获得进CBR系统的。CBR作为问题解决范例承担了两个过程的最小化：取消和适应。范例本身不能指出哪些方法可被用于达成这些。这些领域中的每一个都有能整合CBR概念和其他问题解决范例或人工智能的潜能。例如：获得记忆和记忆指标：如知识获得技术的人工智能，和如概念聚集的机械学习技术都是有用的;取消案例：如归纳法的机械学习技术能用于开发索引树;模板匹配和相似点测量可用于从案例内存中选择案例;改编：各种各样的问题解决范例如限制满足，启发搜索，遗传基因的计算方法可以用来决定哪种知识是可利用的。
在我们发展基于案例的设计系统的经验基础之上，我们承认在发展基于案例的推理系统中的以下瓶颈：表征和适应。
先前设计的改编要求案例和概括化的知识。设计作为一个创造性的活动意味着设计改编不是一个简单的过程，事实上它可能被证明适应先前设计是设计分析程序的核心。CBR的这个方面没有被很好的发展并且为了获得任意一种协助或自动化，要求领域知识的分析。基于案例的设计的这个方面的困难反映在许多CBR设计系统把这部分留给使用者的倾向中，关注索引和检索是CBR设计的主要贡献。然而，有一些其他人工智能范例可支持CBR设计的这个方面。
2 用GA’s改编设计案例
设计案例的改变要求改变和组合设计案例的技术，一个内在的再生程序，以及评估提出的设计解决方案的技术，一个内在的分析程序。基于知识的方法的类型应用于CBR周期的这个部分，包括启发式搜索和限制满足。这些方法共有的一个缺陷是知识密集的方法性质同时生成建议的解决方案和分析建议的解决方案。
作为一个可供替代的选择，我们正在探索运行设计案例改编的遗传基因运算法则(GA’s)的使用。关于大多数基于知识的方法GA’s有几个优势：为了搜寻一空间它们几乎不需要领域知识，同时依然生成“可行的”结果;它们在不受限制的使用带有固定设置和固定数目变量的前定义计划描述设计案例上更加灵活;而且为了解决一个新问题，他们内在的从许多过去经验中组合位和片段，能力似乎是对创造性的设计是必须的。
遗传基因的运算法则(GA’s)通过模仿基因中的寻找机制为传统搜索技术提供了一个可供替代的选择。从生物学系统中借来三个概念：
①显型，可以是生物学系统一个现存的有机体或者是为设计系统的设计方案;②基因型，是一种表征或解码用以生产显型的信息的方式;③最适当的生存，它决定了一个基因型是否幸免于复制。
一个遗传基因的运算法则从大量潜在的设计方案开始，表现为基因型。部分匹配检索设计案例为遗传基因的运算法则提供了最初(种子)种群。假定一组属性价值配对代表一个设计案例，组属性等同于一
个设计的基因型。与一个案例描述的属性相关的价值体现在一个特定设计的结构和行为的具体化。属性价值配对组补足了共同等同于一个设计的基因型的一个案例描述。
3 从案例库中学习召回和改编知识
设计案例库的 发展和落实是一项持续不断的任务。当案例表征被确定后通常这个领域更好理解，而且如果再次启动该项目时将会不同。我们已经开发出一个以结构设计为重心的多媒体案例库 建筑。库适用于SAM，其作用是为本科体系学生教结构和材料。
发展SAM，我们考虑：
①表现和 管理复杂设计案例的需要;②使典 型的非正式知识和 经验主体正式化的需要。
任何领域的设计通常涉及复杂系统的发展和理解。复杂表征需要充分的捕捉把挑战引进CBR系统的设计案例。CBR范例假定存在“案例”概念，但在大多数的设计领域这个概念不是简单的“案例”，而是导致复杂系统的一组复杂经验和决定。有三个说明复杂性的方法是：
①案例是观念等级或次案例;②案例被不同的观点表达;③案例被当做多媒体呈现
基于案例的知识管理继承了用于发展专家系统的方法。索引 计划的生成通过专家干预的知识获得技术去确认关键技术，或通过 机械学习技术通过归纳去确认最有识别力的特征。这样一来，基于知识的范例从专业技术到经验的转变，确定了与案例的知识精密性索引，检索，改编和保持相关的新的不确定的问题。然而，这个知识是不容易捕捉的;要求认真的发展询问策略，观测的程序和分析方法。合乎逻辑的结果是对基于案例的推理团体的注意转向了机械学习算法。
我们正研究数据采矿和知识发现(KD)技术的 应用，最近开发了在数据库中确认有用的隐式信息编码，作为克服这些困难的一种方法。视知识管理为一种发现过程意味着为隐含信息检测一个人之前的无意识发现和用显性的方式记录这个信息的数据资源。这个跨越了从没有知识的人那里发现的到只能确认众所周知的信息的整个范围。目前KD方法主要为结构值数据。
在数据库中发现隐含的信息实质上与数据采矿是不同的。在数据采矿中的数据 组织单位是数据列。在数据库内部有组织的单位是一个案例，它包括多样的数据类型和格式。然后在我们使用的期限内，知识发现包含主要是无结构的，多媒体数据的发现式模式。
我们使用知识发现的两个阶段大致对应数据驱动和期望驱动方法。在第一个数据驱动阶段，分析器被用于案例库以提取一组相关特征。在第二个阶段从案例中提取出来的特征用作各种机械学习技术的输入有助于索引计划和改编知识。分析案例发现相关特征引出了词汇和发生频率。我们用两种分析器：文本分析和图像分析反映了设计案例的多媒体性质。
从案例数据中发现知识依然处于初级阶段。部分成功的基于案例的推理作为基于知识的交互式计算模型被记入其较少要求的知识工程和及时学习循环嵌入式模型。然而，CBR方法的现实是知识工程依然是应用程序的关键和困难部分。随着知识发现技术的使用，我们有一种增强的基于案例的推理模型。
4 结束语
CBR作为设计的框架重点强调先前设计案例的表征和对这个表征的推理。考虑到对有关设计是如何生成的缺乏正式的了解，这个是适当的。然而，作为框架的CBR设计需要其他人工智能技术作为一种表征方式，并且使用不那么容易或合适嵌入案例的设计知识。我们这里考虑的两个人工智能技术是：为寻找一般化从案例内存和遗传基因运算法则中得来的知识发现作为新设计生成的案例组合的机制。
看了“人工智能参考论文”的人还看了：
