基于ALC及其擴展的事例表示及檢索算法研究.pdf

1、事例表示及檢索是基于事例推理(Case-Based Reasoning,CBR)研究中的重點、難點。描述邏輯(Description Logic,DL)能準確刻畫出不同類型、不同復雜程度的知識,且具有效、可判定的推理服務,可為CBR中的重要難題提供解決方案。
　　已應用于CBR的描述邏輯有C-CLASSIC、εL及ALC等,并在事例表示及檢索等方面取得了較好的效果。但也存在局限,如基于描述邏輯的事例庫結構簡單,事例檢索效率較低;知

2、識表示能力有限,不能表示具有復雜角色、模糊知識的事例等。針對這些問題,給出了基于描述邏輯ALC的事例庫結構及檢索算法,以提高事例檢索效率;接著逐步引入知識表示能力更強的描述邏輯SHIQ及模糊描述邏輯Fuzzy-SHIQ(D)到CBR中,給出相應的事例表示及檢索算法。具體研究內容及成果如下:
　　(1)通過概念距離及LCS推理改進了基于ALC的事例庫結構,得到了索引節(jié)點密度大、帶權重的層次結構,實現了事例更細致的分類及統(tǒng)一概念距離的

3、語義。根據該結構的組織方式、LCS概念及概念距離給出了事例檢索算法,證明和實例驗證了事例檢索效率得到了有效的提高。
　　(2)針對基于描述邏輯的事例表示方法不能表示具有復雜角色關系及定性數量約束的事例,引入描述邏輯 SHIQ。給出了基于 SHIQ的事例表示方法;綜合考慮概念相似的內涵法及外延法,通過將復雜概念逐步分解得到了基于SHIQ的事例相似性度量算法,解決了基于SHIQ的CBR中的關鍵問題。通過實例比較得SHIQ能更準確的表示

4、某些領域中的事例,采用該相似性度量算法能得到合理的候選事例序列。
　　(3)針對描述邏輯只能表示精確知識的局限,引入模糊描述邏輯 Fuzzy-SHIQ(D)到CBR中。給出了基于Fuzzy-SHIQ(D)的事例表示方法及事例篩選算法,綜合考慮概念相似性及隸屬度相似性得到基于Fuzzy-SHIQ(D)的事例相似性度量算法,解決了基于Fuzzy-SHIQ(D)的CBR中的關鍵問題,為將基于描述邏輯的CBR應用于模糊領域提供理論支持。通