人工智能中的案例推理

摘要：随着Internet技术的发展给人工智能提出了极富挑战的问题，它的运用领域也在不断的扩展。

关键词：人工智能，案例推理，案例库

中图分类号：TP18 文献标识码：A文章编号：1007-9599 (2010) 15-0000-01

Artificial Intelligence of Case-based Reasoning

Wang HongXin

（Puyang Vocational and Technical College,Puyang457000,China）

Abstract:With the development of Internet technology to artificial intelligence proposed challenging problems,its application is also in constant expansion.

Keyword:Artificial intelligence;Case reasoning;Putted forward

一、人工智能

智能决策支持系统和一般决策支持系统的主要区别在于学习和推理，而学习和推理均是计算机科学中个人工智能(artificial intelligent，AI)研究的内容，因而我们可以说：IDSS = DSS + AI人工智能是计算机技术研究的前沿，在用计算机模拟人脑的长河中只是迈出了第一步。人工智能技术将计算机用于要求知识、感知、推理、理解和识别的场所。人工智能可以定义为：使机器能做到像人那样做智能工作的科学。人工智能着重向两个方向发展：一方面，基于数据挖掘和分析的计算智能；另一方面，在传统人工智能领域，基于规则推理的方法在解决复杂领域或知识不完备领域的一些问题时，越来越显示出它的不足，而基于相似性的推理则倍加受到重视，从而提出了基于案例的推理方法。

二、案例推理

（一）案例推理的起源

案例推理（Case Based Reasoning, CBR）的研究起源于从认知科学的角度对推理和学习机制的探索过程。认知心理学研究认为基于过去案例的推理是人类最常用的学习和解决实际问题的办法，比基于规则的推理更接近人类的思维。人类在进行问题求解时，往往受到主观认识以及客观环境的影响，几乎不可能获得解决问题所需要的所有信息，缺乏全面、客观的认识，信息不完全。所以一方面，人类不断的收集相关的信息和知识，提高自身的认识，另一方面，通过利用以前学到的经验来指导现在问题的求解。

案例推理(CBR)的概念第一次由耶鲁大学Roger Schank教授在其1982年的著作《Dynamic Memory》中提出并描述。他在对人类认知科学的研究过程中，提出了脚本的知识表示概念。并提出了基于MOPS(Memory Organization Packers，记忆组织包)的动态记忆理论。这个理论被认为是最早的关于CBR思想在人工智能领域中的描述。

1983年佐治亚工学院的Janet Kolodner教授，基于动态存储模型和MOP理论，开发了第一个真正意义上的CBR系统CYRUS。从事机器学习方面研究的德克萨斯大学教授Pbruce Porter 开发了知识表示结构的系统PROTOS，将领域知识和特定的知识整合在一起。PROTOS系统被应用在临床诊断中，通过对病人的检查情况对疾病进行分类。

（二）案例推理概述

基于案例的推理是从过去的经验中发现解决当前问题线索的方法。过去事件的集合构成一个案例库(casebase)，即问题处理的模型。当前处理的问题成为目标案例，记忆的问题或情境成为源案例，CBR处理问题时，先在案例库中搜索与目标案例具有相同属性的源案例，再通过案例的匹配情况进行调整。基于案例推理简化了知识获取的过程，对过去的求解过程的复用，提高了问题求解的效率，对有些难以通过计算推导来求解的问题，可以发挥很好的作用。

基于案例推理（CBR）理论是由Schank、Abelson教授于1977年提出的一套理论与方法。它的基本思想是依据以前的经验来推理和解决当前问题，而经验是以案例的形式储存在案例库中。人在现实生活中求解问题时，在没有系统的理论与规则的指导下，往往是依据以前遇到的经验，找到最相似的求解方法，经过改进解决当前问题。CBR正是基于这种认知学原理，融合类比推理与机器学习的一种解决问题的方法。

在CBR中，知识是以案例形式表示。当求解问题时，通过案例的相似性，利用过去的经验来引导问题求解。在汽车故障诊断领域中，由于受到主观认识、客观条件和环境的限制，难以用精确数学模型或规则等结构化的知识来描述，但同时在汽车故障诊断台帐中却拥有大量的诊断记录来记载问题发生的环境和求解经验。在这些领域中，案例比规则、数学模型更容易获取。CBR则能通过解决问题而不断地学习。这种学习基本上是不需要训练。当问题成功解决后，问题求解经验将被储存。CBR的这种学习、归纳机制是十分容易且有效的。Riesbeck与Schank指出，CBR是一种增量学习方法，随着经历过的案例的数量和类型增多，对问题求解范围的案例覆盖度也增大。CBR机器学习的优点和特点使得其非常适于构建汽车故障智能诊断系统。

三、案例推理的运用

人工智能具有推理机构，能模拟决策者的思维过程，所以能根据决策者的需求，通过提问会话、分析问题、应用有关规则引导决策者选择合适的模型。推理机能跟踪问题的求解过程，从而可以证明模型的正确性，增加了决策者对决策方案的可信度。

随着人工智能技术的迅速发展，以知识处理为核心的智能诊断技术已成为设备故障诊断技术的主要发展方向，尤其是故障诊断专家系统在实际应用中获得了很大成功，受到了工程界的普遍重视。但是对于大型设备而言，由于其故障产生的原因非常复杂，目前的故障诊断技术还存在一定的局限性不能有效地解决所有问题。因此，需要不断地吸收和借鉴人工智能领域的最新研究成果，以丰富和完善智能诊断技术。

比如对于复杂、庞大的汽车进行故障源的定位，仅仅依靠传统的人工故障诊断与维修有较大的局限性。所以有必要利用计算机强大的信息处理功能，广泛收集各种车型的技术数据、各种故障现象和维修诊断程序、各种维修工艺及不同专家维修经验，研发一个汽车故障智能诊断系统，使其可以快速完成车辆故障诊断工作，提出解决方案，提高维修质量、降低维修成本。