人工智能參考論文(2)
人工智能參考論文
人工智能參考論文篇二
作為框架的CBR設計:用其他人工智能增強CBR
摘 要：設計是一種活動，其中經驗在生成超越理論或正式知識的選擇性的設計中扮演了一個重要的角色。這導致了逐漸增加的對CBR作為一種協助或自動化設計過程的方式的興趣。然而，CBR范例的主要領域并不致力于實際的CBR的需求。這里的CBR是作為設計的一個框架呈現的，而且其他人工智能技術支持CBR的不同方面。從案例內存和遺傳基因運算法則中得來的知識發(fā)現是增強CBR的可行方法。?
關鍵詞：基于案例的推理(CBR);人工智能技術(AI)?
0 引言
基于案例的推理(CBR)應用于人工智能的推理范例，人工智能以先前經驗的形式為基礎使用知識解決新問題。由作為框架的CBR設計采用的主要“推理周期”。
一個新的設計問題可作為一個案例庫的索引。一系列設計案例被取消并且成為設計案例改編的基礎。然后一個新的設計解決方案就包含在案例庫中了，允許系統像經歷一個新的情境一樣學習。由于問題沒被很好的定義，與設計是有索引的和可被取消的這種方式有關的議題并不能被CBR范例良好的表達。設計案例改編為了改變先前的設計和識別充足的新設計提升了針對方法需求的議題。這種方法是CBR范例本身所沒有的。
1 整合CBR和其他人工智能技術的需要
CBR作為一種達成虛擬智能的方法承擔了經驗記憶的表征，沒有具體說明這種記憶是如何被索引或者如何獲得進CBR系統的。CBR作為問題解決范例承擔了兩個過程的最小化：取消和適應。范例本身不能指出哪些方法可被用于達成這些。這些領域中的每一個都有能整合CBR概念和其他問題解決范例或人工智能的潛能。例如：獲得記憶和記憶指標：如知識獲得技術的人工智能，和如概念聚集的機械學習技術都是有用的;取消案例：如歸納法的機械學習技術能用于開發(fā)索引樹;模板匹配和相似點測量可用于從案例內存中選擇案例;改編：各種各樣的問題解決范例如限制滿足，啟發(fā)搜索，遺傳基因的計算方法可以用來決定哪種知識是可利用的。
在我們發(fā)展基于案例的設計系統的經驗基礎之上，我們承認在發(fā)展基于案例的推理系統中的以下瓶頸：表征和適應。
先前設計的改編要求案例和概括化的知識。設計作為一個創(chuàng)造性的活動意味著設計改編不是一個簡單的過程，事實上它可能被證明適應先前設計是設計分析程序的核心。CBR的這個方面沒有被很好的發(fā)展并且為了獲得任意一種協助或自動化，要求領域知識的分析?；诎咐脑O計的這個方面的困難反映在許多CBR設計系統把這部分留給使用者的傾向中，關注索引和檢索是CBR設計的主要貢獻。然而，有一些其他人工智能范例可支持CBR設計的這個方面。
2 用GA’s改編設計案例
設計案例的改變要求改變和組合設計案例的技術，一個內在的再生程序，以及評估提出的設計解決方案的技術，一個內在的分析程序。基于知識的方法的類型應用于CBR周期的這個部分，包括啟發(fā)式搜索和限制滿足。這些方法共有的一個缺陷是知識密集的方法性質同時生成建議的解決方案和分析建議的解決方案。
作為一個可供替代的選擇，我們正在探索運行設計案例改編的遺傳基因運算法則(GA’s)的使用。關于大多數基于知識的方法GA’s有幾個優(yōu)勢：為了搜尋一空間它們幾乎不需要領域知識，同時依然生成“可行的”結果;它們在不受限制的使用帶有固定設置和固定數目變量的前定義計劃描述設計案例上更加靈活;而且為了解決一個新問題，他們內在的從許多過去經驗中組合位和片段，能力似乎是對創(chuàng)造性的設計是必須的。
遺傳基因的運算法則(GA’s)通過模仿基因中的尋找機制為傳統搜索技術提供了一個可供替代的選擇。從生物學系統中借來三個概念：
①顯型，可以是生物學系統一個現存的有機體或者是為設計系統的設計方案;②基因型，是一種表征或解碼用以生產顯型的信息的方式;③最適當的生存，它決定了一個基因型是否幸免于復制。
一個遺傳基因的運算法則從大量潛在的設計方案開始，表現為基因型。部分匹配檢索設計案例為遺傳基因的運算法則提供了最初(種子)種群。假定一組屬性價值配對代表一個設計案例，組屬性等同于一
個設計的基因型。與一個案例描述的屬性相關的價值體現在一個特定設計的結構和行為的具體化。屬性價值配對組補足了共同等同于一個設計的基因型的一個案例描述。
3 從案例庫中學習召回和改編知識
設計案例庫的 發(fā)展和落實是一項持續(xù)不斷的任務。當案例表征被確定后通常這個領域更好理解，而且如果再次啟動該項目時將會不同。我們已經開發(fā)出一個以結構設計為重心的多媒體案例庫 建筑。庫適用于SAM，其作用是為本科體系學生教結構和材料。
發(fā)展SAM，我們考慮：
?、俦憩F和 管理復雜設計案例的需要;②使典 型的非正式知識和 經驗主體正式化的需要。
任何領域的設計通常涉及復雜系統的發(fā)展和理解。復雜表征需要充分的捕捉把挑戰(zhàn)引進CBR系統的設計案例。CBR范例假定存在“案例”概念，但在大多數的設計領域這個概念不是簡單的“案例”，而是導致復雜系統的一組復雜經驗和決定。有三個說明復雜性的方法是：
?、侔咐怯^念等級或次案例;②案例被不同的觀點表達;③案例被當做多媒體呈現
基于案例的知識管理繼承了用于發(fā)展專家系統的方法。索引 計劃的生成通過專家干預的知識獲得技術去確認關鍵技術，或通過 機械學習技術通過歸納去確認最有識別力的特征。這樣一來，基于知識的范例從專業(yè)技術到經驗的轉變，確定了與案例的知識精密性索引，檢索，改編和保持相關的新的不確定的問題。然而，這個知識是不容易捕捉的;要求認真的發(fā)展詢問策略，觀測的程序和分析方法。合乎邏輯的結果是對基于案例的推理團體的注意轉向了機械學習算法。
我們正研究數據采礦和知識發(fā)現(KD)技術的 應用，最近開發(fā)了在數據庫中確認有用的隱式信息編碼，作為克服這些困難的一種方法。視知識管理為一種發(fā)現過程意味著為隱含信息檢測一個人之前的無意識發(fā)現和用顯性的方式記錄這個信息的數據資源。這個跨越了從沒有知識的人那里發(fā)現的到只能確認眾所周知的信息的整個范圍。目前KD方法主要為結構值數據。
在數據庫中發(fā)現隱含的信息實質上與數據采礦是不同的。在數據采礦中的數據 組織單位是數據列。在數據庫內部有組織的單位是一個案例，它包括多樣的數據類型和格式。然后在我們使用的期限內，知識發(fā)現包含主要是無結構的，多媒體數據的發(fā)現式模式。
我們使用知識發(fā)現的兩個階段大致對應數據驅動和期望驅動方法。在第一個數據驅動階段，分析器被用于案例庫以提取一組相關特征。在第二個階段從案例中提取出來的特征用作各種機械學習技術的輸入有助于索引計劃和改編知識。分析案例發(fā)現相關特征引出了詞匯和發(fā)生頻率。我們用兩種分析器：文本分析和圖像分析反映了設計案例的多媒體性質。
從案例數據中發(fā)現知識依然處于初級階段。部分成功的基于案例的推理作為基于知識的交互式計算模型被記入其較少要求的知識工程和及時學習循環(huán)嵌入式模型。然而，CBR方法的現實是知識工程依然是應用程序的關鍵和困難部分。隨著知識發(fā)現技術的使用，我們有一種增強的基于案例的推理模型。
4 結束語
CBR作為設計的框架重點強調先前設計案例的表征和對這個表征的推理?？紤]到對有關設計是如何生成的缺乏正式的了解，這個是適當的。然而，作為框架的CBR設計需要其他人工智能技術作為一種表征方式，并且使用不那么容易或合適嵌入案例的設計知識。我們這里考慮的兩個人工智能技術是：為尋找一般化從案例內存和遺傳基因運算法則中得來的知識發(fā)現作為新設計生成的案例組合的機制。
看了“人工智能參考論文”的人還看了：