案例推理的应用综述

[摘 要]案例推理（Case-based reasoing，简称CBR）是人工智能领域一种较新的问题求解和学习方法，可以模仿人类思维解决问题，并具有增量学习能力等特点，CBR在许多知识经验丰富却难以建立数学模型的领域得到了广泛的应用。本文介绍了CBR的认知模型，并对其典型应用进行了研究综述。

[关键词]案例推理;案例推理应用;研究综述

中图分类号：TP18 文献标识码：A 文章编号：1009-914X（2016）24-0310-02

1引言

案例推理（Case-based reasoing，简称CBR）起源于认知科学对人类推理和学习机制的探索[1]，是伴随认知心理学的研究而发展起来的一门新的推理方式，是人工智能领域较新崛起的一种问题求解和学习方法。其核心思想在于对新问题求解时，可以使用以前求解类似问题的经验来进行推理和学习，从而对问题的求解进行指导甚至直接重用结果，而不必从头做起。概括地讲，CBR就是利用过去的经验案例推理求解新的问题。CBR在推理求解时直接利用案例，而不需要提取规则，弥补了基于规则的专家推理系统在知识获取和组合推理等方面的不足。

由于CBR被定义为一种方法而不是一种技术，使得CBR可以更加好吸收各种新方法和技术来完善自身，从1982年耶鲁大学的沙克提出动态记忆理论发展至今，已在计算机科学、医学、故障诊断、交通运输、信息管理、法律、突发事件应急管理、决策、工业、农业、电力等领域获得了广泛应用。本文首先介绍了案例推理的认知模型，然后对案例推理的典型应用进行了研究综述。

2案例推理的认知机理模型

有许多模型试图更好地描述CBR，其中应用最为广泛的是Admodt和Plaza提出的4R认知模型[2]，如图1所示。

在该认知模型的描述中，一个CBR循环通常包括以下四个阶段：

（1）检索（retrieve）最相似的案例;

（2）重用（reuse）检索到的结论尝试解决新问题;

（3）修正（revise）建议的解答;

（4）保存（retrain）新问题和修正的解为一条新案例。

根据图1所示的4R循环，案例推理的认知机理可描述如下：一个新问题最初被描述成一个新案例（也称目标案例）。历史案例库中存储的是先前的问题描述及相应的解答，称之为源案例。当有新的待求解问题，即目标案例出现时，通过案例检索从历史案例库中搜寻出与目标案例相似的源案例。在案例重用阶段，如果源案例与目标案例的问题描述完全一致，则可直接将源案例的解答作为目标案例的建议解;否则，就需要对源案例的解答进行调整，进而得到目标案例的建议解。在案例修正阶段会对系统给出的建议解进行评估，可通过实际应用检验或者领域专家评价实现，如果评估为失败解就需继续修正。最后通过案例保存将新学习的案例或者修正后的案例储存到案例库中，以用于将来的问题求解，从而实现CBR的学习功能。

3案例推理的应用

3.1计算机科学与信息系统

针对目前的主流搜索引擎和Web浏览器均针对用户的单独搜索行为设计，不便于进行协同Web搜索的问题，文[3]提出了一种基于CBR的协同Web搜索模型，并介绍了基于此模型实现的两套协同Web搜索原型系统。根据数字图书馆个性化推荐系统的设计思想和方法，文[4]提出了基于案例推理方法在信息系统总体设计中的应用，并通过结构化建模方法对案例修正环节进行改进。文[5]使用分级标准架构对案例进行表示，并使用多层案例检索，将此新型的案例推理模型用于推荐机制辅助决策系统，通过一个旅行计划推荐实验证明该方法可提高推荐的有效性。

3.2医学

案例推理可用于建立各种医疗诊断系统。文[6]提出一种基于相似度阈值的案例匹配算法，可通过对病人表现症状的匹配分析得到诊断结果，并推荐相应的治疗方案，实验结果表明该系统具有较高的诊断效率和较好的智能性，能为医生进行医疗诊断提供一定的辅助作用。文[7]将案例推理用于中医四诊的一般过程，设计了四诊辅助诊断系统，可以克服中医辨证论治在收集外部信息时不准确的缺陷，并提高诊断过程的准确性。文[8]和文[9]分别将其用于高血压检测、肝病诊断。

3.3故障诊断

案例推理广泛应用于航空航天、电力、工业生产、数控机床等不同行业的故障诊断。文[10]探究了案例推理在飞行器故障诊断中的应用。文[11]介绍一种以领域规则和案例推理为基础的电力设备故障红外诊断系统，该系统可实现电力设备红外测温现场的测温数据录入和设备故障诊断，有效避免了人为原因导致的设备诊断偏差和安全隐患。文[12]将案例推理和软测量技术相结合，提出一种竖炉燃烧过程的智能故障预报方法，并将该方法应用于竖炉燃烧过程的生产实际中，结果表明故障发生率明显降低。文[13]设计了神经网络与案例推理相结合的复杂装备故障诊断模型，较好地解决了复杂电子装备故障诊断的快速与准确问题，并通过对雷达情报综合电子信息系统故障实例的诊断仿真验证了算法的有效性。

3.4商业

文[14]提出一种基于案例推理与灰色关联度的企业财务危机预警模型，实验结果表明，该方法得到的案例相似性排序结果符合实际情况，可提高相似企业的检索效率，满足企业财务危机预警的要求。文[15]提出基于案例推理技术的化妆品销售组合预测模型，能够弥补短生命周期产品数据不足的问题，该预测模型在化妆品销售预测方面，能够达到令人满意的精度要求，具有实际应用价值。

3.5农业

案例推理在农业科学中主要用于各种农作物虫病的预测、诊断或诊治。文[16]利用农业专家对病虫害诊断的经验案例，建立了基于CBR的蔬菜病虫害诊治专家系统，可为菜农和专家提供诊断决策。文[17]利用CBR预测系统，有效预测黄瓜枯萎病，从而增加防治胜算并能辅助生产决策的动态修订。

3.6其它方面

其它方面的应用，如气象、教育、法律等。文[18]提出将案例推理与模型推理相结合用于天气预报研究，探索提高天气预报准确性的新方法，并运用这种方法，利用java语言，实现了一个新的天气预报系统。文[19]把基于案例推理技术引入智能教学系统中教学策略的推理和控制中， 应用以前学生学习的经验作为以后学生学习的引导，从而实现教学策略的自动组织、自动规划，实现学生的自主选择、自由学习。

4结语

通过了解 CBR 系统的应用状况，可以发现 CBR 系统适用于历史案例丰富但难以提取规则或者不易建立模型的领域。CBR还具有学习能力，利于用户对知识进行维护。另外，CBR系统的结论是由以前的案例推理得出，与人类的推理过程相似，因此CBR系统给出的结果更易于被用户接受。

参考文献 （References）

[1] R L D Mántaras， D Mcsherry， D Bridge， et al. Retrieval， Reuse， Revision and Retention in Case-based Reasoning [J]. The Knowledge Engineering Review， 2005， 20（3）：215-240.

[2] A Aamodt， E Plaza. Case-Based Reasoning： Foundational Issues， Methodological Variation， and System Approaches [J]. AI Communications， 1994， 7（1）： 39-59.

[3] 孙静宇， 陈俊杰， 余雪丽等. 基于CBR的协同Web搜索模型及应用研究[J]. 山东大学学报（理学版）， 2012， 47（5）： 19-24.

[4] 徐晓敏， 甘仞初. 结构建模方法在基于案例信息系统总体设计中的应用[J]. 计算机应用， 2004，24（S2）：118-119.

[5] C S Wang， H L Yang. A Recommender Mechanism Based on Case-based Reasoning [J]. Expert Systems with Applications， 2012， 39 （4）： 4335-4343.

[6] 申静. 基于案例推理的疾病诊断专家系统的研究[J]. 计算机与现代化， 2013， （2）： 143-146.

[7] 忻凌. 基于案例推理的四诊辅助诊断系统的设计[J]. 医学信息， 2009， 22（5）： 589-590.

[8] K H Hsu， C C Chiu， N H Chiu， P C Lee， W K Chiu， T H Liu， C J Hwang. A Case-based Classifier for Hypertension Detection [J]. Knowledge-Based Systems， 2011， 24 （1）： 33-39.

[9] C L Chuang. Case-based Reasoning Support for Liver Disease Diagnosis [J]. Artificial Intelligence in Medicine， 2011， 53 （1）： 15- 23.

[10] Song D， Zhang K. Research and Application on Case Self-Revision Approach in CBR[C]. 2008 International Conference on Computer Science and Software Engineering， Wuhan， 2008：368-371.

[11] 李孟兴. 电力设备故障红外诊断系统的研究与实现[J]. 电力信息化， 2013， 11（2）： 36-39.

[12] 严爱军， 王普， 曾宇. 竖炉燃烧过程智能故障预报系统[J]. 化工学报， 2008， 59（7）： 1768-1772.

[13] 黄子俊， 周政， 汤景棉等. 基于ANN与CBR相结合的复杂装备故障诊断研究[J]. 计算机应用与软件， 2010， 27（12）： 196-198.

[14] 廖志文. 基于CBR与灰色关联度的财务危机预警[J]. 计算机工程， 2012， 38（1）： 174-176.

[15] 吴迪， 李苏剑， 李海涛等. 基于CBR的化妆品销售组合预测模型[J]. 北京航空航天大学学报（社会科学版）， 2012， 25（1）： 78-84.

[16] 刘鹤， 李东明， 陈桂芬. 基于CBR的蔬菜病虫害诊治专家系统的研究[J]. 安徽农业科学， 2010， 38（27）：15380-15381..

[17] 杨振刚， 刘伟章， 方永美. CFW的CBR动态预测[J]. 计算机工程与应用， 2009， 45（6）： 236- 239.

[18] 沈利峰. 案例推理方法（专家系统）在气象方面的应用研究[D]. 上海海事大学博士学位论文， 2005.

[19] 杨健， 杨邓奇， 秦祖启. 智能教学系统中基于案例推理的教学策略研究[J]. 计算机工程与设计， 2008， 29（15）： 4006-4008.

基金项目：促进高校内涵建设-教育教学类-大学生科研训练（CJGX2016-JX-07）;科技类博士资助课题 （YZKB2015010）;促进高校内涵建设-师资队伍建设-校内专业教学团队和优秀人才培养计划-校级骨干教师培育项目（CJGX2016-JX-26/004）.

收稿日期：2016年10月26日;修回日期：-年-月-日.

基金项目：

促进高校内涵建设-教育教学类-大学生科研训练（CJGX2016-JX-07）;科技类博士资助课题 （YZKB2015010）;促进高校内涵建设-师资队伍建设-校内专业教学团队和优秀人才培养计划-校级骨干教师培育项目（CJGX2016-JX-26/004）;

作者简介：

马耀星（1994-），男，大专，主要研究方向为自动化控制等;张春晓（1983-），通讯作者，女，博士，讲师，从事人工智能、优化控制等方面的研究;曲鸣飞（1979-）， 男，副教授，主要研究方向为自动化控制等。