案例推理(case-based reasoning)是一种基于人类认知模型的机器学习算法,其根据以往的案例或经验高效地解决类似的新问题,已被广泛应用于各个领域。但由于传统的案例推理系统在赋予特征权重方面存在权重失衡和过度依赖专家经验等局限,且随着案例库规模的不断增长,案例推理的效率也受到了限制。因此,本文针对传统案例推理的局限性,从特征加权和案例组织两个方面进行了研究,构建了混合案例推理系统。同时,将所构建的混合案例推理系统应用于公安应急预案生成,设计实现了公安智能应急预案系统。其主要创新和工作如下。首先,提出一种随机森林加权的KNN(k-Nearest Neighbor,K最近邻)算法。在分析研究案例推理基本原理和循环结构的基础上,针对传统案例推理系统特征加权方面的不足,在案例推理的案例检索阶段引入随机森林算法,为案例检索的相似性度量算法提供合适的特征权重。通过实验对所提出算法的性能进行测试,实验结果证明所提出算法具有更高的准确度。其次,利用改进的动态分层自组织映射算法对案例推理系统进行优化。由于传统案例推理系统在案例检索时,需将新案例与案例库中所有历史案例进行相似性度量,导致案例检索准确度和效率较低。因此,运用改进的动态分层自组织映射算法(GHSOM)进行案例组织,将初始案例库按照相似度划分为若干个子案例库,案例检索时先定位到对应的子案例库,再检索出子案例库中与新问题最为相似的案例,通过实验测试证明提高了案例检索的准确度和效率。最后,设计并实现了公安智能应急预案系统。针对当前公安应急预案形式单一、数字化程度低及不能及时投入使用等不足。在分析公安应急预案基本概念和需求的基础上,将所构建的混合案例推理系统应用于公安应急预案自动生成,以Eclipse为编译平台,采用PyQt5作为用户图形界面开发框架,设计并实现了公安智能应急预案系统,该系统包括用户模块、案例管理模块、预案管理模块、案例库模块、案例推理模块五个功能模块,有助于公安机关更加高效地处置公共突发事件。