论文部分内容阅读
随着计算机技术的快速发展,在人们的工作生活中,专家系统得到了越来越广泛的应用。通过使用专家系统,可以节约大量的人力资源,可以加快信息流通的速度,在许多领域里,专家系统都得到了成功的应用。基于事例推理(Case-Based Reasoning,CBR)作为专家系统的一个分支,它是目前人工智能(Artificial Intelligence,AI)研究中一种正在迅速发展的推理方法,它的思想是通过重用过去解决问题的经验来解决当前遇到的新问题。
本文首先讲述了CBR的基本概念和原理,然后结合本文的应用背景(学生心理测试分析系统),具体的阐述了CBR系统的关键环节:事例表示和存储、事例检索和匹配、事例的修改和学习、事例库的维护。
将聚类算法应用于CBR系统,使用改进的CURE KNN算法,对事例库中的事例进行聚类,将事例库分成若干子集;在事例的表示中采用了面向对象的方法,有效的解决了知识表达的问题;在符合数据库设计规范的基础上,采用分层方式构建标准事例库;在事例检索中,采用了最近相邻方法,由于对存有大量事例的事例库使用最近相邻算法进行检索的效率不高,因此,在事例检索时,首先计算目标事例与事例库中各个子集的中心点索引的相似度,找出最相近的事例子集,然后在满足条件的子集中使用最近相邻算法进行检索,找出与目标事例最相似的事例,通过使用这种检索方式大大提高了事例的检索效率;在事例库的维护方面,采用基于聚类的事例增加、事例删除策略,该策略能较大程度的提高事例检索的速度和质量,最大限度地减少事例库中的冗余事例,改进CBR系统的性能;最后,通过系统运行测试验证了上述方法的有效性和实用性。