利用数据挖掘技术构造范例库的新方法探究

范例推理技术作为基于规则推理技术的补充,其关键就是能很好地解决知识获取的瓶颈问题,但在范例推理技术的实际应用中,如何高效建立范例库也是一个棘手的问题。采用数据挖掘技术,提出一种综合算法从传统数据库中构造范例库,可望部分解决范例获取的自动化问题,提高系统的运行效率及整体性能。     

一种基于能力的范例库自动建立新方法

如何有效地建立简洁且性能可靠的范例库,以提高基于范例推理系统的性能,是当前基于范例推理研究的热点.本文结合NCL CLARA聚类算法与脚标数据的优点,给出了一种有效的基于能力的范例库自动建立新方法.通过实验表明,该方法能在保持原始领域数据库系统解决问题能力的前提下,最大程度地减少生成的范例库.     

应急响应系统的规则冗余检测技术研究*

在应急响应系统（ERS）中,规则及规则推理用于确定应急事件的响应级别。当系统的规则库增加规则时,会出现冗余的规则,冗余规则的存在导致响应级别的判断不准确,影响推理的效率和准确性。针对该问题,提出一种规则的冗余检测方法,使规则库中的规则始终保持无冗余状态;同时,给出了冗余规则的处理方法。最后给出该算法的一个应用实例,结果表明该算法能快速检测出冗余规则,有效降低规则数目。     

聚类算法在范例库维护中的应用研究

详细介绍了将传统的聚类算法应用于基于范例推理系统中,并为范例库维护提供了一条有效的途径。实验表明,在范例库的维护中,聚类方法是一种行之有效的方法。     

基于范例库推理的软件成本估算模型研究

用传统的经验函数估算软件成本有很多局限性，采用基于范例库推理的估算方法可以很好地弥补其中的问题。讨论了软件成本估算和基于CBR推理研究的特点，从总体上阐述了COSCBR系统结构，描述了系统重要的研究方面：影响软件成本因素；层次推理；COSCRB系统的范例表示方法；相似度的基本计算算法。     

数据挖掘技术在构造范例库中的应用

将基于范例的推理应用于实际系统中，一个很关键的问题是如何构造一个丰富而高效的范例库。采用了数据挖掘技术， 提出了一个综合算法，从传统数据库中构造范例库，以提高知识获的自动化程度。     

范例推理系统中的范例库维护

在范例推理系统中，系统的学习会使范例库逐渐增大，一般来说范例库越大，知识越丰富，但也不能无限增加，否则会大大增加相似范例检索的时间，降低系统的总体性能。因此范例推理学习系统必须有维护功能，主要目的是限制范例库的无限膨胀，且能保持系统的性能。本文在给出一个改进的删除策略维护方案的同时，并从另一角度出发，提出一个基于范例增加的维护策略，以保证系统的性能不受影响，从而达到小范例库强功能的目的。     

用遗传模拟退火算法挖掘特征项权重的研究

能否在范例库中检索和选择出最为相似的范例决定了范例推理系统性能。文中介绍了遗传算法和模拟退火算法,比较了两种算法的特性,提出一种混合遗传模拟退火算法。该算法不但具有强的局部搜索能力,还缩短了搜索时间。将该算法用于发掘范例库上特征权重,理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法。     

用遗传模拟退火算法挖掘特征项权重的研究

能否在范例库中检索和选择出最为相似的范例决定了范例推理系统性能。文中介绍了遗传算法和模拟退火算法，比较了两种算法的特性．提出一种混合遗传模拟退火算法。该算法不但具有强的局部搜索能力．还缩短了搜索时间。将该算法用于发掘范例库上特征权重，理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法。     

基于禁忌遗传算法的权重发现技术

相似范例的检索是范例推理的关键步骤之一,为了准确表达范例之间的本质特征,采用带有权重的特征项方法对范例检索起到重要的作用。在讨论了带有权重的最近邻算法的基础上,提出了一种禁忌遗传算法来获取范例库上的特征项权重,通过利用禁忌算法的自适应性和具有记忆功能的优点来改善遗传算法的全局搜索能力和提高其收敛速度。实验结果表明将这种方法应用于范例推理的案例检索过程中具有可行性,并且可以得到较高的分类精度和搜索效率。     

A Case Study of Maintenance of a Commercially Fielded Case-Based Reasoning System

This article is a case study of the maintenance required to the case base of a commercially fielded case-based reasoning (CBR) system that provides support for HVAC engineers enabling them to better specify HVAC installations. The article briefly describes the system and details how the case base grew rapidly, causing a problem of case redundancy. A simple algorithm to identify and remove redundant cases is described, along with the results of applying it to the case base. Case obsolescence also was encountered and partially remedied using DBMS techniques. The article analyzes the case-base maintenance (CBM) required by the system in terms of Richter's knowledge containers and Leake and Wilson's CBM framework and contrasts this case study with experience from NEC and DaimlerChrysler. The article observes that had maintenance of the case base been considered more explicitly during system design and implementation, some of the resulting maintenance would have been unnecessary. The article concludes by identifying lessons learned and highlighting the relationship between the sophistication of the case-representation and similarity metrics and the ease with which CBM can be undertaken by nontechnical staff. This relationship does not always work in favor of the maintainer.     

无线传感器网络概率覆盖控制研究*

在无线传感器网络中进行覆盖控制能有效缓解无线传感器网络中节点能量受限的问题,通常采用的是基于二元感知模型的几何方法计算休眠冗余节点,其算法在实际应用中受到局限,不够精确。针对此问题,将提高能量利用效率作为重要指标,采用概率感知模型,提出一种新的覆盖控制算法(PSMC)。仿真结果表明,PSMC算法在较好地保持网络覆盖度的同时,可关闭大量冗余节点,有效地延长了网络寿命。     

一种基于相似粗糙集技术的案例库维护

最近的研究工作突现了在案例推理过程中案例库维护的重要性,越来越多的人认为基于案例推理系统包含了案例库维护的有关过程(Review和Restore)。案例库维护作为CBR研究的一个分支,已经研究出不同的案例库维护策略,其中一些是限制案例库的规模,由此引发了CBR系统的能力与效率问题。相似粗糙集技术可以有效地利用差别矩阵,通过不同的相似度阈值发现以及处理案例库的冗余,有选择地删除多余的案例;同时案例库的覆盖度不降低,减少了案例适应性修改的代价,从而确保了CBR系统的能力与效率的兼顾。     

案例推理分类器的权重分配及案例库维护方法

由于特征权重分配以及案例库维护对案例推理（CBR）分类器的性能有重要影响,提出了用蚁狮（ALO）算法来分配权重且用高斯混合模型的期望最大化算法（GMMEM）进行案例库维护的案例推理算法模型——AGECBR（Ant Lion and Expectation Maximization of Gaussian Mixture Model Case-Based Reasoning）。首先采用蚁狮算法对特征权重进行分配,在这个过程中将案例推理分类准确率作为蚁狮算法对特征权重进行迭代寻优的适应度函数,以此实现特征权重的优化分配;然后,使用高斯混合模型的期望最大化算法对案例库中的各案例进行聚类分析,并删除其中的噪声案例和冗余案例,从而实现案例库的维护。在UCI标准数据集上进行了实验,所提模型AGECBR比反向传播（BP）、k-近邻（kNN）等分类算法平均分类准确率提升了3.83~5.44个百分点。实验结果表明,AGECBR能够使案例推理分类准确率得到有效改进。     

Redundancy detection in semistructured case bases

With the dramatic proliferation of case-based reasoning systems in commercial applications, many case bases are now becoming legacy systems. They represent a significant portion of an organization's assets, but they are large and difficult to maintain. One of the contributing factors is that these case bases are often large and yet unstructured or semistructured; they are represented in natural language text. Adding to the complexity is the fact that the case bases are often authored and updated by different people from a variety of knowledge sources, making it highly likely for a case base to contain redundant and inconsistent knowledge. We present methods and a system for maintaining large and semistructured case bases. We focus on a difficult problem in case base maintenance: redundancy detection. This problem is particularly pervasive when one deals with a semistructured case base. We discuss an information retrieval-based algorithm and an implemented system for solving this problem. As the ability to contain the knowledge acquisition problem is of paramount importance, our method allows one to express relevant domain expertise for detecting redundancy naturally and effortlessly. Empirical evaluations of the system demonstrate the effectiveness of the methods in several large domains     

基于布隆过滤器的RFID数据冗余处理算法研究

RFID技术作为物联网领域的关键技术,具有广阔的应用前景。然而RFID设备在读取标签信息时会产生大量冗余数据。因此,RFID数据冗余处理的研究对于减少RFID中间件系统负荷、快速检测出入标签有着重要的意义。之前针对RFID数据冗余过滤的研究往往是单维度、静态场景的简单过滤,无法实现复杂场景下标签的出入检测。因此,本文提出一种名为时间距离布隆过滤器（TDBF）的算法,该算法从时间和空间两个维度进行冗余过滤。与常用的时间布隆过滤器相比,该算法兼顾了RFID标签的读取时间和读取距离,极大的降低了数据的冗余问题。在保证漏读率较低的情况下,极大的降低了数据的误读率。同时该算法支持动态场景中移动标签的冗余过滤,能够较好的满足出入监控需求。     

Transferring Case Knowledge To Adaptation Knowledge: An Approach for Case-Base Maintenance

In this article we propose a case-base maintenance methodology based on the idea of transferring knowledge between knowledge containers in a case-based reasoning (CBR) system. A machine-learning technique, fuzzy decision-tree induction, is used to transform the case knowledge to adaptation knowledge. By learning the more sophisticated fuzzy adaptation knowledge, many of the redundant cases can be removed. This approach is particularly useful when the case base consists of a large number of redundant cases and the retrieval efficiency becomes a real concern of the user. The method of maintaining a case base from scratch, as proposed in this article, consists of four steps. First, an approach to learning feature weights automatically is used to evaluate the importance of different features in a given case base. Second, clustering of cases is carried out to identify different concepts in the case base using the acquired feature-weights knowledge. Third, adaptation rules are mined for each concept using fuzzy decision trees. Fourth, a selection strategy based on the concepts of case coverage and reachability is used to select representative cases. In order to demonstrate the effectiveness of this approach as well as to examine the relationship between compactness and performance of a CBR system, experimental testing is carried out using the Traveling and the Rice Taste data sets. The results show that the testing case bases can be reduced by 36 and 39 percent, respectively, if we complement the remaining cases by the adaptation rules discovered using our approach. The overall accuracies of the two smaller case bases are 94 and 90 percent, respectively, of the originals.     

多层前馈神经网络在基于案例推理的应用

基于案例的推理（CBR）系统的增量式学习会使案例库逐渐增大,导致案例的检索时间较长,效率较低。多层前馈神经网络是构造性神经网络技术,很容易构筑及理解,具有较低的时间和空间复杂性和较高的识别率。利用该神经网络技术对案例库进行分类后,待求解的新问题只需在某个子案例库中进行检索,便可以有效地解决大规模案例库的能力与效率的维护问题,确保CBR系统的能力保护与效率保护兼顾的实现,为大规模案例库的应用提供技术保证。     

一种面向服务的重复嵌套呼叫过滤机制

主动复制算法一般被使用在实时性要求很高的关键服务中，但这种复制算法会带来重复嵌套呼叫问题。目前，重复嵌套呼叫问题的基本解决方法在解决多极重复嵌套呼叫时存在缺陷。本文基于截获器提出一种新的过滤方法，能很好地解决多极重复嵌套呼叫问题。