范例推理課件講座

高級人工智能第五章

范例推理史忠植

中國科學院計算技術(shù)研究所2/2/20231第三章范例推理5.1概述5.2流程5.3范例表示5.4范例檢索5.5相似性5.6范例復用5.7范例推理工具5.8范例推理應用2/2/20232什么是范例？“范例是對某個過去發(fā)生的事件的真實描述，……目的是引發(fā)對一個特殊情境的討論和分析.〞范例是事件。范例是含有問題或疑難情境在內(nèi)的事件。范例是典型的事件。范例是真實發(fā)生的事件。2/2/20233

概述范例〔case〕：“范例是一段帶有上下文信息的知識，該知識表達了推理機在到達其目標的過程中能起關鍵作用的經(jīng)驗〞。具體來說，一個范例應具有如下特性：·范例表示了與某個上下文有關的具體知識，這種知識具有可操作性。·范例可以是各式各樣的，可有不同的形狀和粒度，可涵蓋或大或小的時間片，可帶有問題的解答或動作執(zhí)行后的效應?！し独涗浟擞杏玫慕?jīng)驗，這種經(jīng)驗能幫助推理機在未來更容易地到達目標，或提醒推理機失敗發(fā)生的可能性有多大等等。2/2/20234概述人們?yōu)榱私鉀Q一個新問題，先是進行回憶，從記憶中找到一個與新問題相似的范例，然后把該范例中的有關信息和知識復用到新問題的求解之中。在基于范例推理(Case-BasedReasoning,簡稱CBR)中，把當前所面臨的問題或情況稱為目標范例(targetcase)，而把記憶的問題或情況稱為源范例(basecase)。粗略地說，基于范例推理就是由目標范例的提示而獲得記憶中的源范例，并由源范例來指導目標范例求解的一種策略。2/2/20235概述基于范例推理中知識表示是以范例為根底，范例的獲取比規(guī)那么獲取要容易,大大簡化知識獲取。對過去的求解結(jié)果進行復用，而不是再次從頭推導，可以提高對新問題的求解效率。過去求解成功或失敗的經(jīng)歷可以指導當前求解時該怎樣走向成功或避開失敗，這樣可以改善求解的質(zhì)量。對于那些目前沒有或根本不存在可以通過計算推導來解決的問題。如在法律中的判例，基于范例推理能很好發(fā)揮作用。2/2/20236概述2/2/20237范例推理開展簡況2/2/20238范例推理開展簡況2/2/20239范例推理開展簡況中國科學院計算技術(shù)研究所智能信息處理開放實驗室在基于范例推理方面進行了一系列研究。1991年提出了記憶網(wǎng)模型和范例檢索算法。

1993年研制了基于范例學習的內(nèi)燃機油產(chǎn)品設計系統(tǒng)EOFDS。

1994年開發(fā)了基于范例推理的天氣預報系統(tǒng)。1995年開發(fā)了基于范例推理的軋鋼規(guī)程系統(tǒng)

1996年開發(fā)了基于范例推理的淮河王家壩洪水預報調(diào)度系統(tǒng)FOREZ。

2000年研制了漁情分析專家系統(tǒng),獲國家科技進步二等獎2/2/202310實際范例2/2/202311實際范例2/2/202312范例問題求解2/2/202313范例問題求解2/2/202314范例問題求解2/2/202315范例問題求解2/2/202316范例問題求解2/2/202317

基于范例學習的一般過程2/2/202318

基于范例學習的一般過程2/2/202319范例存儲2/2/202320

基于范例學習的一般過程2/2/202321主要問題(1)范例表示:基于范例推理方法的效率和范例表示緊密相關。范例表示涉及這樣幾個問題:選擇什么信息存放在一個范例中；如何選擇適宜的范例內(nèi)容描述結(jié)構(gòu)；范例庫如何組織和索引。對于那些數(shù)量到達成千上萬、而且十分復雜的范例,組織和索引問題尤其重要。(2)分析模型:分析模型用于分析目標范例，從中識別和抽取檢索源范例庫的信息。(3)范例檢索:利用檢索信息從源范例庫中檢索并選擇潛在可用的源范例?；诜独评矸椒ê腿祟惤鉀Q問題的方式很相近。碰到一個新問題時，首先是從記憶或范例庫中回憶出與當前問題相關的最正確范例。后面所有工作能否發(fā)揮出應有的作用，很大程度上依賴于這一階段得到的范例質(zhì)量的上下，因此這步非常關鍵。一般講，范例匹配不是精確的，只能是局部匹配或近似匹配。因此，它要求有一個相似度的評價標準。該標準定義得好，會使得檢索出的范例十分有用，否那么將會嚴重影響后面的過程。2/2/202322主要問題(4)類比映射:尋找目標范例同源范例之間的對應關系。(5)類比轉(zhuǎn)換:轉(zhuǎn)換源范例中同目標范例相關的信息，以便應用于目標范例的求解過程中。其中，涉及到對源范例的求解方案的修改。把檢索到的源范例的解答復用于新問題或新范例之中。它們分別是，源范例與目標范例間有何不同之處；源范例中的哪些局部可以用于目標范例。對于簡單的分類問題，僅需要把源范例的分類結(jié)果直接用于目標范例。它無需考慮它們之間的差異，因為實際上范例檢索已經(jīng)完成了這項工作。而對于問題求解之類的問題，那么需要根據(jù)它們之間的不同對復用的解進行調(diào)整。(6)解釋過程:對把轉(zhuǎn)換過的源范例的求解方案應用到目標范例時所出現(xiàn)的失敗做出解釋，給出失敗的因果分析報告。有時對成功也同樣做出解釋?；诮忉尩乃饕彩且环N重要的方法。(7)范例修補:有些類似于類比轉(zhuǎn)換，區(qū)別在于修補過程的輸入是解方案和一個失敗報告，而且也許還包含一個解釋，然后修改這個解以排除失敗的因素。2/2/202323主要問題(8)類比驗證:驗證目標范例和源范例進行類比的有效性。(9)范例保存:新問題得到了解決，那么形成了一個可能用于將來情形與之相似的問題。這時有必要把它參加到范例庫中。這是學習也是這是知識獲取。此過程涉及選取哪些信息保存，以及如何把新范例有機集成到范例庫中。修改和精化源范例庫,其中包括泛化和抽象等過程。在決定選取范例的哪些信息進行保存時，一般要考慮以下幾點：和問題有關的特征描述；問題的求解結(jié)果；以及解答為什么成功或失敗的原因及解釋。把新范例參加到范例庫中，需要對它建立有效的索引，這樣以后才能對之作出有效的回憶。索引應使得與該范例有關時能回憶得出，與它無關時不應回憶出。為此，可能要對范例庫的索引內(nèi)容甚至結(jié)構(gòu)進行調(diào)整，如改變索引的強度或特征權(quán)值。2/2/202324基于范例推理流程2/2/202325范例的表示

在生理學、心理學等領域，已經(jīng)廣泛開展了關于記憶的研究。心理學的研究者們注重研究記憶的一般理論，已經(jīng)提出了許多記憶模型，典型的包括情景記憶(episodicmemory)，語義記憶(semanticmemory)，聯(lián)想記憶(associativememory)、Schank的動態(tài)記憶理論(dynamicmemory)等。知識是有結(jié)構(gòu)的體系。在某些任務的執(zhí)行過程中，專家采用語義記憶來存儲信息。這種信息記憶方法具有以下優(yōu)點:·有利于檢索?！ひ子诮M織?？梢园阉鼈冞B接成樹形層次或者網(wǎng)絡?！ひ子诠芾?。知識的改變只對局部產(chǎn)生影響?！び欣谥R的共享。2/2/202326范例的表示

語義記憶單元，是指在學習、分析、理解、記憶知識的過程中所著重關注的其中那些概念、模式、主題等，以及據(jù)此形成的關于知識的概念性認識。換言之，這些語義記憶單元是系統(tǒng)對知識經(jīng)“計算〞之后，抽取其中最能反映知識本身特征且可以很好地使知識內(nèi)在地聯(lián)系在一起的那些因素而獲得的。2/2/202327范例的表示

我們所記憶的知識彼此之間并不是孤立的，而是通過某種內(nèi)在的因素相互之間緊密地或松散地有機聯(lián)系成的一個統(tǒng)一的體系。我們使用記憶網(wǎng)來概括知識的這一特點。一個記憶網(wǎng)便是以語義記憶單元為結(jié)點，以語義記憶單元間的各種關系為連接建立起來的網(wǎng)絡。

2/2/202328范例的表示

SMU={SMU_NAMEslot Constraintslots Taxonomyslots Causalityslots Similarityslots Partonomyslots Caseslots Theoryslots }2/2/202329范例的表示

(1)SMU_NAMEslot:簡記為SMU槽。它是語義記憶單元的概念性描述，通常是一個詞匯或者一個短語。(2)Constraintslots:簡記為CON槽。它是對語義記憶單元施加的某些約束。通常，這些約束并不是結(jié)構(gòu)性的，而只是對SMU描述本身所加的約束。另外，每一約束都有CAS側(cè)面(facet)和THY側(cè)面與之相連。(3)Taxonomyslots:簡記為TAX槽。它定義了與該SMU相關的分類體系中的該SMU的一些父類和子類。因此，它描述了網(wǎng)絡中結(jié)點間的類別關系。(4)Causalityslots:簡記為CAU槽。它定義了與該SMU有因果聯(lián)系的其它SMU，它或者是另一些SMU的原因，或者是另外一些SMU的結(jié)果。因此，它描述了網(wǎng)絡中結(jié)點間的因果聯(lián)系。2/2/202330范例的表示

(5)Similarityslots:簡記為SIM槽。它定義了與該SMU相似的其它SMU，描述網(wǎng)絡中結(jié)點間的相似關系。(6)Partonomyslots:簡記為PAR槽。它定義了與該SMU具有局部整體關系的其它SMU。(7)Caseslots:簡記為CAS槽。它定義了與該SMU相關的范例集。(8)Theoryslots:簡記為THY槽。它定義了關于該SMU的理論知識。上述8類槽可以總地分成三大類。一類反映各SMU之間的關系，包括TAX槽、CAU槽、SIM槽和PAR槽;第二類反映SMU自身的內(nèi)容和特性，包括SMU槽和THY槽;第三類反映與SMU相關的范例信息，包括CAS槽和CON槽。2/2/202331范例組織

范例組織時由兩局部組成，一是范例的內(nèi)容，范例應該包含哪些有關的東西才能對問題的解決有用；二是范例的索引，它和范例的組織結(jié)構(gòu)以及檢索有關，反響了不同范例間的區(qū)別。2/2/202332范例內(nèi)容

〔1〕問題或情景描述是對要求解的問題或要理解的情景的描述，一般要包括這些內(nèi)容：當范例發(fā)生時推理器的目標，完成該目標所要涉及的任務，周圍世界或環(huán)境與可能解決方案相關的所有特征?！?〕解決方案的內(nèi)容是問題如何在一特定情形下得到解決。它可能是對問題的簡單解答，也可能是得出解答的推導過程?！?〕結(jié)果記錄了實施解決方案后的結(jié)果情況，是失敗還是成功。有了結(jié)果內(nèi)容，CBR在給出建議解時有能給出曾經(jīng)成功地工作的范例，同時也能利用失敗的范例來防止可能會發(fā)生的問題。當對問題還缺乏足夠的了解時，通過在范例的表示上加上結(jié)果局部能取得較好的效果。2/2/202333范例索引

建立范例索引有三個原那么：①索引與具體領域有關。數(shù)據(jù)庫中的索引是通用的，目的僅僅是追求索引能對數(shù)據(jù)集合進行平衡的劃分從而使得檢索速度最快；而范例索引那么要考慮是否有利于將來的范例檢索，它決定了針對某個具體的問題哪些范例被復用；②索引應該有一定的抽象或泛化程度，這樣才能靈活處理以后可能遇到的各種情景，太具體那么不能滿足更多的情況；③索引應該有一定的具體性，這樣才能在以后被容易地識別出來，太抽象那么各個范例之間的差異將被消除。2/2/202334范例的檢索

范例檢索——從范例庫(CaseBase)中找到一個或多個與當前問題最相似的范例；CBR系統(tǒng)中的知識庫不是以前專家系統(tǒng)中的規(guī)那么庫，它是由領域?qū)＜乙郧敖鉀Q過的一些問題組成。范例庫中的每一個范例包括以前問題的一般描述即情景和解法。一個新范例并入范例庫時，同時也建立了關于這個范例的主要特征的索引。當接受了一個求解新問題的要求后，CBR利用相似度知識和特征索引從范例庫中找出與當前問題相關的最正確范例，由于它所回憶的內(nèi)容，即所得到的范例質(zhì)量和數(shù)量直接影響著問題的解決效果，所以此項工作比較重要。它通過三個子過程，即特征辯識、初步匹配，最正確選定來實現(xiàn)。2/2/202335特征辨識

指對問題進行分析，提取有關特征，特征提取方式有：(a)從問題的描述中直接獲得問題的特征，如自然語言對問題進行描述并輸入系統(tǒng)，系統(tǒng)可以對句子進行關鍵詞提取，這些關鍵詞就是問題的某些特征。(b)對問題經(jīng)過分析理解后導出的特征,如圖象分析理解中涉及的特征提取。(c)根據(jù)上下文或知識模型的需要從用戶那里通過交互方式獲取的特征，系統(tǒng)向用戶提問，以縮小檢索范圍，使檢索的范例更加準確。2/2/202336初步匹配指從范例庫中找到一組與當前問題相關的候選范例。這是通過使用上述特征作為范例庫的索引來完成檢索的。由于一般不存在完全的精確匹配，所以要對范例之間的特征關系進行相似度估計，它可以是基于上述特征的與領域知識關系不大的外表估計，也可以通過對問題進行深入理解和分析后的深層估計，在具體做法上，那么可以通過對特征賦于不同的權(quán)值表達不同的重要性。相似度評價方法有最近鄰法、歸納法等。2/2/202337最正確選定指從初步匹配過程中獲得的一組候選范例中選取一個或幾個與當前問題最相關的范例。這一步和領域知識關系密切?？梢杂深I域知識模型或領域知識工程師對范例進行解釋，然后對這些解釋進行有效測試和評估，最后依據(jù)某種度量標準對候選范例進行排序，得分最高的就成為最正確范例,比方最相關的或解釋最合理的范例可選定為最正確范例。2/2/202338相似性關系范例的表示說明，范例的情境是由許多屬性組成，范例間的相似度就是根據(jù)屬性〔或變量〕之間的相似度定義的。目標范例與源范例之間的相似性有語義相似、結(jié)構(gòu)相似、目標相似和個體相似。2/2/202339語義相似性兩范例之間是可以類比的，首先必須滿足語義上具有相似性關系。相似性關系是類比問題求解的根底。兩實體的類比可以區(qū)分為正類比、反類比、不確定類比。正類比是由相似性關系所確定的兩實體之間的可類比局部，反類比那么是已被確定為兩實體間不相似的局部，不確定類比是兩實體之間尚未確定是否可類比的局部。兩個實體可類比的條件之一是:模型的本質(zhì)性質(zhì)和因果關系不構(gòu)成反類比的一局部。不確定類比使得類比具有一定的預見性，這種預見可能是正確的，也可能是錯誤的。在類比求解中，目標范例的本質(zhì)特征和源范例的本質(zhì)特征必須具有相似性關系，才能使類比有了根底。2/2/202340個體相似性在我們的模型中強調(diào)的另一重要約束是個體的類別信息。從不嚴格的意義上講，如果兩個個體之間具有一些(或一個)相似的屬性，那么它們是屬于同一類別的。在概念聚類中，我們使用概念(或客體)間的相關性或緊致性來對概念(客體)集進行分類。相關性是指概念的屬性之間相似度的平均值。但在這里，我們將把電線和繩索看作是同一類別的，因為它們均可以用來綁縛物體。 2/2/202341相似性計算絕對值距離(Manhattan):

其中Vik

和Vjk

分別表示范例i和范例j的第k個屬性值

。

2/2/202342相似性計算2.歐氏距離(Euclidean)

2/2/202343相似性計算3.麥考斯基距離2/2/202344范例的復用把檢索到的舊范例的解答復用到新問題或新范例之中。通過所給問題和范例庫中范例比較得到新舊范例之間的不同之處，然后答復哪些解答局部可以復用到新問題之中。對于簡單的分類問題，僅需要把舊范例的分類結(jié)果直接用于新范例，它無需考慮新舊范例之間的差異。而對于問題求解類的問題，那么需要對領域知識的深入理解，根據(jù)范例之間的不同對問題進行調(diào)整，可以是對整個解的某項作一些調(diào)整，也可以對整個解的進行微調(diào)。2/2/202345替換法(1)重新例化〔reinstantiation〕：這是一種很簡單的替換操作，僅僅是用新的個體替換舊解中的個體。例如，川菜設計系統(tǒng)CHEF，在根據(jù)牛排炒甘藍菜來設計一道雞肉炒雪豆菜，它就是把該菜譜中的所有牛排替換成雞肉，把甘藍替換成雪豆。(2)參數(shù)調(diào)整〔parameteradjustment〕:這是一種處理數(shù)值參數(shù)的啟發(fā)式方法。它和具體的輸出與輸入?yún)?shù)間的關系模型〔輸入發(fā)生什么變化，會導致輸出產(chǎn)生怎樣的相應變化〕有關。(3)局部搜索〔localsearch〕：使用輔助的知識結(jié)構(gòu)來獲得替換值。例如，設計點心時缺少桔子，那么可使用此法在一個水果語義網(wǎng)知識結(jié)構(gòu)中搜索一個與桔子相近的水果如蘋果來代替。2/2/202346替換法(4)查詢〔query〕：用帶條件的查詢在范例庫或輔助知識結(jié)構(gòu)中獲取要替換的內(nèi)容。(5)特定搜索〔specializedsearch〕：同時在范例庫和輔助知識結(jié)構(gòu)中進行查詢，但在范例庫中查詢時使用輔助知識來啟發(fā)式指導如何搜索。(6)基于范例的替換〔case-basedsubstitution〕：使用其它的范例來建議一個替換。2/2/202347轉(zhuǎn)換法轉(zhuǎn)換法包括：常識轉(zhuǎn)換法〔common-sensetransformation〕：使用明白易懂的常識性啟發(fā)式從舊解中替換、刪除或增加某些組成局部。典型的常理轉(zhuǎn)換法是，“刪去次要組成局部〞。模型制導修補法〔model-guidedrepair〕：通過因果模型來指導如何轉(zhuǎn)換。故障診斷中就經(jīng)常使用這種方法。

2/2/202348特定目標驅(qū)動法這種方法主要用于完成領域相關以及要做結(jié)構(gòu)修改的修正。該法使用的各種啟發(fā)式需要根據(jù)它們可用的情景進行索引。特定目標驅(qū)動的修正啟發(fā)式知識一般通過評價近似解作用，并通過使用基于規(guī)那么的產(chǎn)生式系統(tǒng)來控制。

2/2/202349

派生重演上述方法所做的修正是在舊解的解答上完成的。重演方法那么是使用過去的推導出舊解的方法來推導出新解。這種方法關心的是解是如何求出來的。同前面的基于范例替換相比，派生重演使用的那么是一種基于范例的修正手段。2/2/202350CBR工具

CBRDesignExplorer-Diagnostic&DesignShell

(ArtificialIntelligenceApplicationsInstituteatUniversityofEdinburgh)CBRFrameworkforBioprocessing

(BioprocessesGroupatVTTBiotechnologyandFoodResearch)CBRTools

-objectorientedsoftwarelibraryinJAVA

(AIDresearchgroupatINRIASophiaAntipolis)CBR-Worksproductfamily

-CBRshell(researchlicensesavailable)

(tec:innoGmbH)

2/2/202351AIAICBRDiagnostic&DesignShellPage

Fuzzylogicmatchingalgorithms(latticed,SmoothFuzzy)

Adaptiveconfidencemeasures

Multiplediagnosticalgorithms(negativeselection,densityselection,omissionmatching,identifyoutliers,bestmatch,one-caseone-vote,probabilisticcurve,default)

Adaptivethresholding(adaptive'k'neighbourhood)

High/low/linearityinvestigationalgorithm

Metaweightingstructureforfieldsbyoperatortype

Adaptivefieldweightingsystem(stochastichill-climbing)

2/2/202352AIAICBRDiagnostic&DesignShellPage

"Createakey"fromASCIIwithautomaticparsingandoperatorselection

Key/casebase/testbasecreation/savingsupport

Unlimiteddata/fielddepth-testedto6000fields

Serialandparalleltestingmethodswithbatchprocessingandsummarymode

Helpsystem

Nightlearningcycle

Aninteractivetutorialwithmachinelearningexamplesets

2/2/202353AIAICBRDiagnostic&DesignShellPage

Thenewreleasewillfeature:

Next-generationanalysisalgorithms

Corporatememorycomponents

Geneticalgorithmfieldweightlearning

ODBCdatabasesupport

Multiplegoals

'Overlap'matchingofvaryinglengthrecords

Adaptivetextparsingalgorithms

Meta-inductionforrulesandindexing

Automaticcasebuilderandtreegeneration

Dynamiccasebasereductionandcompression

Parsinganddatatransformationsystem2/2/202354CBR*Tools

CBR*Toolsisanobject-orientedsoftwarelibraryforCase-BasedReasoning(CBR).ItprovidesabasicreusableCBRframeworkthatsupportsthedevelopmentofCBRapplications.Itcanbeespeciallyusedforproblemsaddressingbehavorialsituationretrievalandindexation.2/2/202355CBR*Tools

CBR*Toolsconsistsofthreepackages,namely,thecore,time,andnavigationpackage.ThelibraryisspecifiedwiththeOMTmethodandwritteninJava.Clickontheicon(ontherighthandside),togetafullimageofthesystem'smainuserinterface.

2/2/202356CBR*Tools2/2/202357CBR*Tools2/2/202358TheKnowledgeModelCycle2/2/202359ACTIVATE

EXPLAIN

FOCUS?Goal-Appl.taskaccomplished?Situation-Findingsexplained-Constraintsconfirmed-Solutionfound?Goal-Appl.taskisdefined?Situation-Findingsarelisted-Constraintsarespecified-SolutionaskedforTheCreekExplanationEngine2/2/202360TheExplanationEnginewithintheCBRCycle2/2/202361TheCreek1Approach?Combinescase-basedandmodel-basedreasoning,forproblemsinopen

and

weaktheorydomains.?Inputisproblemsolvingcontext(e.g.goal)andproblemfeatures(e.g.alistoffindings).Outputisthebest

plausibleinterpretationoftheinputwithinthecontext.?Knowledgetypes,usedforreasoningareabodyofsituation-specificknowledge,

i.e.acasememoryoffindingslinkedtosolutions,annotatedwithotherrelevantinformationandknowledge

abodyof

generaldomainknowledge,asdeeprelationshipsorheuristicrules1Case-basedReasoningthroughExtensiveExplicitKnowledge2/2/202362中心漁場預報專家系統(tǒng)魚類的洄游以及中心漁場的形成受到這幾個因素的制約：海水溫度〔包括海洋外表溫度，海洋底層溫度〕；臺站數(shù)據(jù)，如海水鹽度，鹽度梯度，長江徑流量，風向，風速等；海洋葉綠素濃度。但是，魚類的洄游規(guī)律受很多因素制約，變化非常復雜，難以用傳統(tǒng)的數(shù)學方法和模型描述。同時專家關于中心漁場規(guī)律的知識是不精確的，不完全的。值得慶幸的是，我們已經(jīng)收集了20來年東海的漁況海況數(shù)據(jù)，這是非常珍貴的資料,因此可以從中挖掘出許多有用的信息和知識，根據(jù)歷年的情況來分析、預測中心漁場的趨勢。整個系統(tǒng)采用了基于范例推理〔CBR〕的方案。因為CBR非常適合應用于系統(tǒng)已存在大量歷史數(shù)據(jù),專家通過實例來描述他們的領域,問題未被完全理解，可用的領域知識很少,系統(tǒng)中有很多例外的規(guī)那么的情形。2/2/202363中心漁場預報專家系統(tǒng)由于大多數(shù)海況信息是以周為單位收集的，同時為了便于處理和計算，我們根據(jù)實際情況對需求進行了簡化，預測的周期規(guī)定為一周。這樣，問題變成了如果知道本周中心漁產(chǎn)〔位置，產(chǎn)量和大小〕，預報下周〔下下周〕中心漁場〔位置，產(chǎn)量和大小〕。即使如此，問題也是相當困難的，因為漁場位置、大小是一種空間數(shù)據(jù)。同時，海況信息涉及600來個空間和非空間屬性，回歸的方法2/2/202364中心漁場預報專家系統(tǒng)在我們的系統(tǒng)中，對空間條件屬性，采用三個相似性度量方法〔函數(shù)〕：·基于漁場位置的相似sim1=-∑(Wi*distance(pos(goal)-pos(source)))/∑wi·基于溫度場的相似sim2=-∑(wi*difference(temp(goal)-temp(source)))/∑wi·基于溫度梯度的相似sim3=-∑(wi*difference(delta(goal)-delta(source)))/∑wi其中，wi是權(quán)重。如果該溫度測試點與樣本的中心漁場距離di越近，權(quán)越大。2/2/202365中心漁場預報專家系統(tǒng)預處理（聚類）結(jié)果匯總范例保存

修正可視化接口瀏覽范例歷史數(shù)據(jù)范例庫數(shù)據(jù)過濾多策略相似檢索新范例

最終結(jié)果相似范例輸入數(shù)據(jù)2/2/202366中心漁場預報專家系統(tǒng)

2/2/202367機器翻譯基于規(guī)則和范例的推理相結(jié)合的技術(shù)。對于基于范例的推理，采用基于多功能層次和單詞驅(qū)動相結(jié)合的混合式匹配算法。為了加快檢索的速度和提高檢索的效率，還在多抽象層次記憶庫的基礎上，提出了基于模式抽象特征的約束檢索方法。2/2/202368機器翻譯針對基于范例類比翻譯中的譯文構(gòu)造，通過建立例子譯文和目標譯文之間的直接轉(zhuǎn)換算子來實現(xiàn)目標相似解構(gòu)造的方法。2/2/202369機器翻譯"翻譯記憶