论文部分内容阅读
结合规则推理(rule-based reasoning,RBR)和案例推理(case-based reasoning,CBR)的混合推理是人工智能领域新的研究热点。国内外学者在混合推理领域做了大量理论和应用研究工作,然而现有研究大多面向特定业务问题,从算法设计到算法应用上都存在耦合度高、可移植性差、处理性能低等不足。在云计算、大数据环境下,面向不特定智能决策应用提供统一的推理服务,是本文研究的核心内容。应用场景多变、领域知识库多变、海量数据、高频次推理等应用特性,使得推理引擎在系统架构、混合推理调度机制、分布式并行推理技术等方面遇到很大挑战。本文以部委预研项目“XX信息智能处理支撑技术”为工作背景,对推理引擎各项关键技术进行了系统、深入的研究。论文研究工作及创新成果主要有:(1)提出一种支持流程编排和分布式推理的混合推理系统框架现有混合推理系统大多将RBR和CBR按固定模式进行集成,缺乏灵活性和通用性。本文对智能决策的动态特点和人类推理能力的心智模式进行探讨,提出一种基于数据驱动思想的混合推理集成机制,使得推理引擎具有推理流程编排的服务支撑能力,可以在运行时确定混合推理的集成调度策略,克服了现有混合推理系统固化集成模式的不足。基于SOA体系设计了结合RBR和CBR的分布式推理引擎系统框架,对框架进行分层设计实现了对系统功能的合理解耦。分析表明,该推理引擎框架在不同应用场景下具有很好的适应性。(2)提出一种基于知识库覆盖度的推理能力评价和自适应调度机制在领域知识库动态变化的系统中,对知识库全面程度进行量化评价,是评估RBR和CBR推理能力强弱并进行合理调度的关键。现有多种知识评价指标不适用于表征知识库整体的信息量。本文基于DIKW知识层次模型建立兼容规则知识和案例知识的知识表达形式,提出了一种能够刻画知识库全面程度的知识库覆盖度评价指标,引入数据立方作为知识库覆盖度的计算工具,并分别给出了规则库和案例库的覆盖度计算流程和方法。实验表明,基于知识库覆盖度进行推理能力评价和自适应调度能够有效提高混合推理的效率。(3)提出一个分布式并行规则推理模型dpRBR海量数据、高频次推理应用促使传统RBR技术向分布式并行RBR发展。现有分布式RBR系统在规则库分割算法方面存在不足,带来了较大的分布式节点通信开销和较低的推理效率。本文分析规则库的网络拓扑性质,建立规则库的有向超图模型,引入复杂网络的Newman快速社团凝聚方法,提出一种基于社团结构凝聚的规则库分割算法并给出应用实例。基于MapReduce模型设计了分布式RBR模型dpRBR,给出了分布式推理主、从节点的通信调度机制。实验表明,dpRBR模型具有更高的推理效率。(4)提出一个分布式并行案例推理模型dpCBR传统CBR算法具有计算复杂度高、计算冗余度高等不足,现有各种改进算法及分布式CBR方法在海量数据、高频次推理环境下存在诸多不足。本文提出一种分布式并行CBR模型dpCBR作为解决方案。通过引入投影寻踪技术,在源案例中建立基准案例并预先计算一维投影距离,在案例检索时基于一维投影距离对源案例库进行剪枝优化,极大地减少了案例匹配的复杂度和冗余度。基于MapReduce模型设计了分布式并行CBR模型dpCBR,给出了历史数据复用机制。通过仿真实验对dpCBR模型进行了性能验证。(5)实现了一个推理引擎应用实例综合运用前述技术,实现了一个RBR和CBR混合推理的推理引擎原型系统,并给出了对空防御的应用实例。原型系统设计方案简洁有效、灵活度高、处理能力强,很好地满足了课题背景项目的设计需求和性能指标,并在项目平台中得到了应用验证,取得了良好的效果。论文成果在预研项目中得到应用,预研项目已于2016年6月通过验收。