基于規(guī)則的實(shí)例檢索模型

基于規(guī)則的實(shí)例檢索模型

基于實(shí)例的推理（rcr），該算法適用于復(fù)雜和病態(tài)結(jié)構(gòu)的機(jī)械設(shè)計(jì)問(wèn)題。此步驟包括實(shí)際的表達(dá)和存儲(chǔ)、檢索、調(diào)整和學(xué)習(xí)。其中，示例研究算法的效率和精度是cbr技術(shù)的關(guān)鍵。最近鄰算法是目前應(yīng)用最為廣泛的實(shí)例檢索算法,但尚存在一些不足:(1)沒(méi)有考慮實(shí)例的多索引機(jī)制。(2)隨著實(shí)例庫(kù)中實(shí)例增加,檢索效率呈線性下降。(3)特征權(quán)重和特征屬性相似度都需要由領(lǐng)域?qū)＜掖_定,其他算法如特征評(píng)估算法、反省算法和神經(jīng)網(wǎng)絡(luò)方法等考慮了特征權(quán)重的調(diào)整,但調(diào)整策略有待進(jìn)一步研究。(4)機(jī)械設(shè)計(jì)實(shí)例的索引詞匯的確定是一個(gè)NP難題,要求索引詞匯便于擴(kuò)充,而最近鄰算法和文獻(xiàn)算法都沒(méi)有考慮索引詞匯的動(dòng)態(tài)擴(kuò)充問(wèn)題。1生成信息的規(guī)范表達(dá)針對(duì)以上問(wèn)題,本文提出了一種基于多粒度的實(shí)例和規(guī)則索引統(tǒng)一表達(dá)機(jī)制,用基于規(guī)則推理(RBR)減小檢索范圍并優(yōu)化實(shí)例檢索的質(zhì)量,支持索引詞匯的動(dòng)態(tài)擴(kuò)充和特征權(quán)重與特征屬性相似度的動(dòng)態(tài)調(diào)整,基于多粒度的實(shí)例和規(guī)則索引統(tǒng)一表達(dá)機(jī)制見(jiàn)圖1。實(shí)例庫(kù)由零件-組合件-產(chǎn)品3層實(shí)例庫(kù)組成,產(chǎn)品實(shí)例的內(nèi)容包括實(shí)例號(hào)、實(shí)例索引碼、實(shí)例CAD模型(總體控制結(jié)構(gòu))和所包含的標(biāo)準(zhǔn)零件、組合件的描述信息或非常用件的名稱和存儲(chǔ)路徑等。規(guī)則的條件子句描述規(guī)則的適用條件,用“規(guī)則索引碼”表示,結(jié)論子句可以是規(guī)范的信息,如標(biāo)準(zhǔn)件的名稱、類別,也可以是自由語(yǔ)義信息。定義1特征集:記實(shí)例d有n個(gè)描述特征項(xiàng),d={pi},每個(gè)描述特征項(xiàng)的當(dāng)前取值為vi,其中1≤i≤n。對(duì)于實(shí)例庫(kù)中的所有實(shí)例,若存在一個(gè)最小的整數(shù)I,1≤I≤n,使得d=d′?v1=v′1,v2=v′2,…,vI=v′I,則稱由描述特征項(xiàng)p1,p2,…,pI構(gòu)成的集合為特征集。即特征集是指能概括實(shí)例的主要功能和結(jié)構(gòu),且能使實(shí)例相互區(qū)分的描述特征項(xiàng)的集合。定義2特征屬性集:某一實(shí)例描述特征可能取值的集合,特征屬性集與特征集的關(guān)系為attribute-of?！疤卣骷焙汀疤卣鲗傩约睒?gòu)成索引詞匯,用以描述實(shí)例和規(guī)則的索引。“實(shí)例索引碼”和“規(guī)則索引碼”分別是一個(gè)序列,序列的各元素用相應(yīng)“特征項(xiàng)”的“特征屬性代號(hào)”以代號(hào)(單個(gè)“特征屬性代號(hào)”)、代號(hào)集(部分“特征屬性代號(hào)”的并集)或“*”(全部“特征屬性代號(hào)”的并集)3種粒度表示。“問(wèn)題描述碼”的表示方法同“實(shí)例索引碼”和“規(guī)則索引碼”類似,但序列的元素只以“代號(hào)”和“*”2種粒度表示。本文引入了“特征屬性相似度矩陣”的概念,用以表示某“特征項(xiàng)”的所有“特征屬性”兩兩間的相似度。“特征屬性相似度矩陣”是一個(gè)上三角陣,可作為關(guān)系型數(shù)據(jù)庫(kù)的一個(gè)大對(duì)象儲(chǔ)存。特征屬性相似度和特征權(quán)重的初值都由用戶在0和1之間設(shè)定,并在應(yīng)用中進(jìn)行調(diào)整。一個(gè)實(shí)例往往適合不同的設(shè)計(jì)需求,本文實(shí)例的索引采用基于多粒度的表達(dá)方法,同一實(shí)例可以響應(yīng)不同設(shè)計(jì)問(wèn)題的檢索,從而提高了檢索的成功率;當(dāng)前設(shè)計(jì)問(wèn)題的描述、實(shí)例和規(guī)則的索引采用統(tǒng)一的表達(dá)機(jī)制,耦合度高,便于實(shí)例和規(guī)則的混合推理。2用戶選擇相似實(shí)例實(shí)例檢索流程如圖1,通過(guò)比較“問(wèn)題描述碼”和規(guī)則庫(kù)中各規(guī)則的“規(guī)則索引碼”,計(jì)算當(dāng)前設(shè)計(jì)問(wèn)題與每條規(guī)則的匹配度,取匹配度最大的N條規(guī)則形成規(guī)則集供用戶確認(rèn)。通過(guò)比較“問(wèn)題描述碼”和實(shí)例庫(kù)中每個(gè)實(shí)例的“實(shí)例索引碼”,計(jì)算當(dāng)前設(shè)計(jì)問(wèn)題與每個(gè)實(shí)例的相似度,取相似度最大并符合用戶確認(rèn)的設(shè)計(jì)規(guī)則的前M條實(shí)例按相似度由高到低排列形成“實(shí)例集”。某一階段內(nèi),檢索出的M條實(shí)例中包含相似實(shí)例的次數(shù)與總的檢索次數(shù)的比值定義為檢索成功率,而實(shí)例集中第一條實(shí)例即為最相似實(shí)例的檢索次數(shù)與總的檢索次數(shù)的比值,定義為檢索準(zhǔn)確率。用戶選擇“實(shí)例集”中最符合要求的實(shí)例作為設(shè)計(jì)的起點(diǎn),系統(tǒng)根據(jù)用戶的選擇動(dòng)態(tài)地調(diào)整相關(guān)特征的權(quán)重和相關(guān)特征屬性的相似度?！疤卣骷薄ⅰ疤卣鲗傩约焙汀耙?guī)則庫(kù)”都可以在檢索過(guò)程中動(dòng)態(tài)地?cái)U(kuò)充。3特征集和特征屬性相似度計(jì)算實(shí)例庫(kù)中各實(shí)例與當(dāng)前設(shè)計(jì)問(wèn)題的相似度V=∑i=1NQ(Wi×Sim)∑i=1NQWi(1)V=∑i=1ΝQ(Wi×Sim)∑i=1ΝQWi(1)式中:NQ表示問(wèn)題描述碼的長(zhǎng)度;Wi為第i個(gè)特征的權(quán)重;Sim表示當(dāng)前問(wèn)題描述碼和實(shí)例索引碼第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分別表示問(wèn)題描述碼和實(shí)例索引碼第i位元素;VQi和VCi分別表示問(wèn)題描述碼和實(shí)例索引碼第i位元素在相應(yīng)特征屬性集中的序號(hào);l=min(VQi,VCi);k=max(VQi,VCi);Si是第i個(gè)特征項(xiàng)所有特征屬性間相似度矩陣,m=1,2,3,…,n=1,2,3,…,NA表示該特征項(xiàng)包含的特征屬性的個(gè)數(shù);NQ和NC分別表示問(wèn)題描述碼和實(shí)例描述碼的長(zhǎng)度,NQ≥NC。特征集和特征屬性集動(dòng)態(tài)擴(kuò)充時(shí),根據(jù)式(1)可分析新增特征權(quán)重和特征屬性相似度對(duì)實(shí)例檢索準(zhǔn)確率的影響,當(dāng)兩者的初始值都為0時(shí),影響最平和;初始值越大,影響越激烈。同時(shí)為盡量減少應(yīng)用過(guò)程中進(jìn)行調(diào)整的變動(dòng)量,所以擴(kuò)充特征集時(shí),把新增特征權(quán)重初始為原有特征權(quán)重的平均值,新特征項(xiàng)各特征屬性相似度的初值由用戶給定;擴(kuò)充特征屬性集時(shí),新增特征屬性與同一特征項(xiàng)其他特征屬性的相似度初始為該特征項(xiàng)各相異特征屬性相似度的平均值。當(dāng)實(shí)例庫(kù)中實(shí)例索引碼的長(zhǎng)度小于問(wèn)題描述碼時(shí),式(2)用新增特征項(xiàng)各特征屬性相似度的平均值來(lái)近似實(shí)例索引碼與當(dāng)前問(wèn)題描述碼該項(xiàng)的相似度,并提醒用戶擴(kuò)展該實(shí)例索引碼。當(dāng)某特征的權(quán)重小于一閥值(本文取0.001)時(shí),在特征集和特征屬性集中刪除與該特征項(xiàng)相關(guān)的信息,并刪除各實(shí)例和規(guī)則索引碼中對(duì)應(yīng)的元素。4規(guī)則檢索算法如果用戶確認(rèn)規(guī)則的結(jié)論部分是規(guī)范的信息,則用以優(yōu)化實(shí)例的檢索,如果規(guī)則結(jié)論是自由語(yǔ)義信息,也可以滿足在線輔助決策的實(shí)用要求。產(chǎn)品實(shí)例包含若干標(biāo)準(zhǔn)件和標(biāo)準(zhǔn)組合件,一個(gè)標(biāo)準(zhǔn)零部件可以表示為一個(gè)四元組{nm,st,t,p},其中nm表示該標(biāo)準(zhǔn)件或組合件的名稱,st表示該零部件所屬的子類的名稱,t表示該零部件所屬的大類的名稱,p表示該零部件的主參數(shù)規(guī)格,有關(guān)標(biāo)準(zhǔn)零部件主參數(shù)的確定,參見(jiàn)文獻(xiàn)。規(guī)則的結(jié)論子句記為rc,則利用規(guī)則優(yōu)化實(shí)例檢索算法如下:(1)類似式(1)、式(2)計(jì)算規(guī)則庫(kù)中各設(shè)計(jì)規(guī)則與當(dāng)前設(shè)計(jì)問(wèn)題的匹配度,取匹配度最大的前N條規(guī)則形成規(guī)則集,用戶從中確認(rèn)與當(dāng)前設(shè)計(jì)問(wèn)題適用的規(guī)則(假設(shè)N′條)形成用戶確認(rèn)規(guī)則集。(2)提取零件實(shí)例庫(kù)和組合件實(shí)例庫(kù)零件與組合件的名稱、子類名稱和大類名稱,分別形成集合NM、ST和T。(3)I表示實(shí)例庫(kù)中實(shí)例的個(gè)數(shù),Ji表示第i個(gè)實(shí)例包含的標(biāo)準(zhǔn)零部件的個(gè)數(shù),則判斷第i條實(shí)例是否符合第k條規(guī)則的算法流程見(jiàn)圖2。圖2中條件1為:rc∈NM∪ST∪T或者rc-p∈NM∪ST∪T條件2為:rc=nm|rc=st|rc=t|rc=nm+p|rc=st+p|rc=t+p條件1、2中“-”和“+”分別為字符串的減操作和加操作。符合用戶確認(rèn)規(guī)則的實(shí)例再根據(jù)式(1)和式(2)計(jì)算與當(dāng)前問(wèn)題相似度,形成實(shí)例集,既減小了實(shí)例檢索的范圍,又保證了實(shí)例檢索的質(zhì)量。5動(dòng)態(tài)調(diào)整算法特征權(quán)重的調(diào)整是當(dāng)前CBR研究的熱點(diǎn)。在調(diào)整權(quán)重時(shí),特征評(píng)估算法只考慮了實(shí)例庫(kù)中各實(shí)例的比較,而反省算法只考慮了當(dāng)前問(wèn)題與實(shí)例庫(kù)中各實(shí)例的比較,本文綜合考慮了實(shí)例檢索時(shí)“當(dāng)前問(wèn)題”、“用戶選擇實(shí)例”和“實(shí)例集中相似度更高的實(shí)例”的比較,提出了動(dòng)態(tài)調(diào)整特征權(quán)重和特征屬性相似度算法。實(shí)例集(St)中各實(shí)例按與當(dāng)前問(wèn)題的相似度由高到低的順序排列,設(shè)用戶選擇實(shí)例為St[J],實(shí)例集中若存在比St[J]與當(dāng)前設(shè)計(jì)問(wèn)題更相似的實(shí)例,表示為St[j]式中:j=1,2…,J-1。Q、C[J]和C[j]分別表示問(wèn)題描述碼、St[J]和St[j]的實(shí)例描述碼,Qi、C[J]i和C[j]i分別表示Q、C[J]和C[j]的第i位,VQi、VC[J]i和VC[j]i分別表示Q、C[J]和C[j]第i位元素在相應(yīng)特征屬性集中的序號(hào),則特征權(quán)重和特征屬性相似度動(dòng)態(tài)調(diào)整算法流程見(jiàn)圖3。圖3中:條件1:C[J]i∩C[j]i=Φ且C[J]i∩Qi≠Φ條件2:C[J]i∩C[j]i=Φ且C[j]i∩Qi≠Φ條件3:C[J]i∩C[j]i=Φ,C[J]i∩Qi=Φ且C[j]i∩Qi=Φ公式(1):Wi=augment(Q,C)×Wi公式(2):Wi=minish(Q,C)×Wi公式(3)∶Si(l,k)={augment(Q,C)×Si(l,k),l=min(VC[J]i,VQi),k=max(VC[J]i,VQi)minish(Q,C)×Si(l,k),l=min(VC[j]i,VQi),k=max(VC[j]i,VQi)公式(3)∶Si(l,k)={augment(Q,C)×Si(l,k),l=min(VC[J]i,VQi),k=max(VC[J]i,VQi)minish(Q,C)×Si(l,k),l=min(VC[j]i,VQi),k=max(VC[j]i,VQi)公式(1)、(2)、(3)中,augment(Q,C)是Q和C的函數(shù),取值范圍為(1,2),minish(Q,C)是Q和C的函數(shù),取值范圍為(0,1)。本文把a(bǔ)ugment(Q,C)定義為1+Nne/NQ,把minish(Q,C)定義為1-Nne/NQ,其中Nne表示Q和C不相等的位數(shù),NQ表示Q的位數(shù),以保證調(diào)整的快速收斂。在訓(xùn)練階段,可以用上述算法學(xué)習(xí)各特征項(xiàng)的權(quán)重和特征屬性的相似度;在應(yīng)用過(guò)程中,系統(tǒng)支持索引詞匯的動(dòng)態(tài)擴(kuò)充,并能動(dòng)態(tài)地調(diào)整特征的權(quán)重和特征屬性的相似度,從而具有良好的自適應(yīng)性。6基于實(shí)例的匹配規(guī)則學(xué)習(xí)采用本文算法,以大型關(guān)系數(shù)據(jù)庫(kù)Oracle和高端CAD軟件UG為平臺(tái),用VC++開(kāi)發(fā)了“基于混合推理的機(jī)床夾具設(shè)計(jì)系統(tǒng)”,見(jiàn)圖4。在實(shí)例描述過(guò)程中,“特征集”和“特征屬性集”可以動(dòng)態(tài)擴(kuò)充。用戶確認(rèn)與當(dāng)前問(wèn)題適合的設(shè)計(jì)規(guī)則,系統(tǒng)根據(jù)實(shí)例與規(guī)則匹配判斷算法檢索得到實(shí)例集后,用戶利用“實(shí)例預(yù)覽”功能,從實(shí)例集中選擇最符合要求的實(shí)例作為當(dāng)前設(shè)計(jì)的起點(diǎn),系統(tǒng)會(huì)根據(jù)用戶的選擇動(dòng)態(tài)地調(diào)整相應(yīng)特征項(xiàng)的權(quán)重和特征屬性的相似度。該系統(tǒng)已在某大型航空企業(yè)成功地應(yīng)用于國(guó)家重點(diǎn)型號(hào)工程的研制,算法應(yīng)用效果分析見(jiàn)表1。由于實(shí)例索引采用了基于多粒度的表達(dá)方法,同一實(shí)例可以響應(yīng)不同設(shè)計(jì)問(wèn)題的檢索,同時(shí)通過(guò)設(shè)計(jì)規(guī)則優(yōu)化實(shí)例的檢索,保證了實(shí)例檢索的成功率。統(tǒng)計(jì)發(fā)現(xiàn),用戶從規(guī)則集中確認(rèn)的規(guī)則平均為2.5條,一般不超過(guò)5條,實(shí)例集