案例推理在认知引擎中的应用

遗传算法可用于认知引擎中传输参数的优化,但随着认知用户数的增加,遗传算法染色体增长,导致算法收敛时间过长,难以满足认知无线电实时通信的需求．以现有认知引擎为基础提出一种新型的认知引擎架构,并将案例推理融入遗传算法中,利用案例推理寻找匹配案例,为遗传算法提供初始种群,减小遗传算法选择初始种群的盲目性．仿真分析结果表明,与仅采用遗传算法的认知引擎相比,融合案例推理的遗传算法构造的认知引擎收敛速度和处理能力有显著提高,效用函数值也有一定增强．     

基于案例推理技术的自学习答疑引擎

将基于案例的推理技术引入传统的自动答疑系统，并结合用户交互机制，提出了一种基于案例推理的自学习答疑引擎。该引擎通过对问题的关键字描述来触发案例，并根据它们与问题的关联程度进行排序；同时，利用用户端的反馈及时有效地对关键字的权重进行维护，提高了答疑系统的效率准确性。     

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能.提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析.实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致.     

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

一种基于认知引擎的t分布变异萤火虫算法

针对认知引擎中智能优化的问题,提出了一种基于t分 布变异萤火虫算法的认知无线电决策引擎技术,分析了萤火虫算法的仿生原理,从数学角度 对算法实现优化过程进行了定义,并设计了一种基于t分布随机扰动的变异方案。最后 ,在 多载波环境下对该算法进行了仿真实验,结果表明与普通基于遗传算法的认知引擎相比,该 算法收敛速度快且具有较高的目标函数值,并且在加入t分布变异之后,算法的全局寻 优能 力进一步加强。     

规则推理和案例推理的集成研究

基于规则的推理（ＲＢＲ）和基于案例的推理（ＣＢＲ）是知识或两类实用有效的推理方式，文中提出了一种ＲＢＲ与ＣＢＲ相互集成的方法，为消除ＣＢＲ和ＲＢＲ结果之间的冲突，引入了逆案例，隐含规则和相似性度量等概念，以此提高了系统求解问题的效率，增强了系统对不良结构问题的适应性。     

基于案例推理系统的Petri网模型

在基于案例推理中，一个重要的问题就是如何在案例存储空间进行推演，本文中，我们提出了一个基于案例推理系统的Ｐｅｔｒｉ网模型，而且使用网论中的线性技术来解决基于案例的推演。     

人工智能中的案例推理

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.     

基于案例推理和启发式Q学习的资源分配算法

针对集中式认知网络的信道和功率分配问题,提出了一种基于案例推理和启发式Q学习算法。为了提高Q学习算法的收敛速度,将当前分配问题与存储的历史案例进行相似度匹配,选取最相似案例的◢Q◣值,归一化处理后作为启发式Q学习算法的初值。为了提高启发式Q学习的算法性能,引入一个基于信息强度的指导函数,通过强调动作的重要性来改变动作策略;设计的奖赏函数反映了认知系统的能量效率。仿真结果表明,该算法可以明显提高认知网络信道和功率分配的认知系统能量效率和收敛速度。     

基于案例推理的中医诊疗专家系统

把基于案例推理技术用于中医诊疗专家系统的知识表示和推理。提出一个系统模型,介绍案例推理的基本结构,案例提取网以及案例提取算法,对系统中案例的学习和修正机制进行了说明,给出用基于案例的解释来生成诊断结果的解释性说明,以及辅助构建基于案例的中医诊疗辅助教学系统。对系统的特点进行总结,指出进一步研究发展方向。     

一种基于CBR的特征属性权重选取与自修正方法

提出了一种基于CBR的特征属性权重选取与自修正方法,即通过构建历史权重案例库和相似性检索得到与目标权重最相似的权重来完成权重的选取,并对相似权重与目标权重进行差异性分析,基于差异属性集对案例库进行聚类分析,再从聚类结果中检索出与相似权重最相近的权重,以实现权重的自修正。以突发大气环境污染事故案例推理为例,对该方法进行了试验,结果表明此方法能充分借鉴以往的特征属性权重分配经验,较好地解决了特殊环境下的复杂特征属性权重选取与调整问题。     

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。     

混合编码粒子ABC算法的CR认知决策引擎

认知决策引擎是认知无线电（Cognitive Radio,CR）的核心。为适应CR参数的自适应重配置,提出了一种改进的二进制人工蜂群（Binary Artificial Bee Colony algorithm,BABC）算法。该算法在基本BABC算法的基础上,加入了反向学习初始化机制、混合编码规则以及社会认知策略,保证了个体的多样性、提高了搜索速度。给出了该算法的基本步骤,并在多载波通信系统中对算法性能进行了仿真。仿真结果表明,基于该算法的CR认知决策引擎的收敛速度和精度均优于经典的遗传算法（Genetic Algorithm,GA）和BABC算法,优化得到的系统参数具有更好的性能。     

基于案例推理的交通疏导辅助决策方法

为避免实际交通疏导问题中人为主观因素的影响,将案例推理理论应用于交通疏导决策中,提出一种基于案例推理的交通疏导决策方法,建立交通疏导案例库模型。区分属性数据类型,设计基于ID 3信息熵的案例相似度算法,案例匹配时可以兼顾特征属性与案例效果,避免传统算法中属性值缺失的问题。实例验证了该方法能够提高案例推理结果的准确度,对辅助处理交通疏导问题具有一定实际指导意义。     

基于智能引擎的知识型CRM系统

随着信息科技的蓬勃发展及知识经济的来临,企业间的竞争也越来越激烈。在这样的环境下,为了生存,越来越多的企业通过客户关系管理来扩大其市场占有率、取得竞争优势。然而,客户关系管理的力量来自于对知识的掌握,客户关系管理与知识管理的关系密不可分。为此,提出了一个基于多智能引擎的知识型客户关系管理系统架构,其中包含监视引擎、知识引擎、信息管理引擎与执行引擎;并通过一个范例来说明整个系统的运作流程。     

基于范例推理的船舶避碰决策支持系统

根据船舶避碰的特点,将范例推理（Case-based Reasoning,CBR）方法引入到船舶避碰决策支持系统的设计中．为提高决策系统的性能,优化范例表示方法;并在分析阶段先对碰撞局面进行分类;再通过搜索树进行范例匹配;最后,讨论该方法的可行性．     

基于本体的范例推理系统研究综述*

在总结本体和基于范例的推理（CBR）各自的发展现状,分析它们各自的特点、面临的困难与不足的基础上,从理论上分析了基于本体的CBR系统正在逐渐成为研究热点的原因——发现本体与CBR相结合必然产生双赢的局面;进而对国内外基于本体的CBR研究进行综述,总结了存在的不足和面临的主要困难,并提出了一个初步的解决策略和今后的发展方向。     

基于CBR的高校实验室建设专家系统

为促进高校实验室规范化建设,提高实验室建设经费的利用率,最大限度的发挥投资效益,提出了基于案例推理方法的高校实验室建设专家系统,并对基于案例的实验室建设方案的智能分析与处理技术进行了研究.在此基础上,介绍了CBR的基本概念及其问题求解的过程,描述了基于CBR实验室建设方案的分析处理过程,提出了基于关系数据库的案例组织方式,并对实现实验室建设专家系统的关键技术进行深入的分析和阐述.     

一种支持时间序列数据的CBR检索算法

探讨了如何为CBR（基于范例的推理）增加对一种特殊的范例类型——时间序列数据的支持．分析了基于谱分析的时间序列相似度比较算法不适用于CBR检索的缺点，并在此基础上设计了一种综合性能很好的CBR检索算法．思路是把时间序列相似度比较转化成一个卷积问题，并用DFT来简化这个卷积的计算．通过对这种CBR检索算法进行了深入的理论分析和认真的实验，结果证明，提出的算法是一个高效的算法．在这个检索算法的基础上，CBR就能够席用到时序数据的分析推理中，具有广阔的应用前景．     

基于CBR的文本自动分类研究

KNN方法是性能最好的文本分类方法之一,但它在分类时要计算待分类文档与所有训练样本的相似度,时间复杂度较大。文中提出了一种基于CBR的文本自动分类方法,先用聚类方法把训练样本库转换为范例库,然后用KNN思想分类。实验结果显示该方法分类的平均召回率和准确率达到了87.07%和89.17%;并且通过分析算法的时间复杂度得知,该方法的分类速度比KNN方法有很大的提高,因此具有很好的实用价值。