CN109872244B - 一种任务指导型智慧农业种植专家系统 - Google Patents
一种任务指导型智慧农业种植专家系统 Download PDFInfo
- Publication number
- CN109872244B CN109872244B CN201910094503.2A CN201910094503A CN109872244B CN 109872244 B CN109872244 B CN 109872244B CN 201910094503 A CN201910094503 A CN 201910094503A CN 109872244 B CN109872244 B CN 109872244B
- Authority
- CN
- China
- Prior art keywords
- knowledge
- task
- rule
- reasoning
- inference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种的任务指导型智慧农业种植专家系统,知识获取模块通过获取农业种植知识构建知识库,知识库管理模块对每个规则类知识设置置信度,提高不确定事件推理的准确性;而在推理任务产生后,通过改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,并调用所述知识库中的知识和变量库中的变量,结合所述外部用户数据,根据已激活规则的置信度,完成所述推理任务的推理,最终生成指导用户进行农业生产活动的结构化生产任务,实现科学种植。采用本发明实施例,可以扩展到其他农作物的模型建立和推理,而且当规则库和知识库不断庞大后,本发明具有更高的匹配速度、推理效率和模型泛化性。
Description
技术领域
本发明涉及农业技术领域,尤其涉及一种任务指导型智慧农业种植专家系统。
背景技术
目前,在智慧农业方面的理论研究与系统设计方面均进行了很多工作,包括基于专家系统的病虫害诊断、温度控制、水肥控制、作物生长模型以及知识表示等。但是,专家系统的针对性过强,现有的农业专家系统大多只是针对一个特定问题,如病虫害防治、水稻科学种植等问题,没有一个对普遍作物生长过程的建模的通用农业专家系统。由于单一的农作物品种繁多,如小麦主要品种有近20种,使得模型的泛化性难,而且不同的地域环境因素差异较大,模型若没有根据环境因素来自动修正的话,难以推广。
此外,现有的农业专家系统对于推理中的不确定性管理和控制都不太理想,对推理决策精度有较大的影响,而且大多数系统只是基于目前的数据,发现农作物在生长过程中有什么问题,并没有给出解决方案。而本领域中的用户人群多为农业种植者,知识水平有限,很难根据现有专家系统给出的结论进行生产改进,使得现有农业专家系统很难运用到实际生产中。
发明内容
本发明实施例提出一种任务指导型智慧农业种植专家系统,具有较高的模式匹配效率和推理速度,为建立更庞大的专家系统提供了可能性,提高农业模型的泛化性。
本发明实施例提供一种任务指导型智慧农业种植专家系统,包括:知识库、知识库管理模块、变量库、数据库管理模块、推理模块、用户交互模块、解释模块、任务系统模块和知识获取模块;
其中,所述知识获取模块用于获取农业种植知识,并将获取的知识存储在所述知识库中;所述农业种植知识包括静态类知识、动态类知识和规则类知识;
所述知识库用于采用框架表示法存储静态类知识和动态类知识,采用产生式表示法存储规则类知识;
所述知识库管理模块用于按照预设的置信规则,对每个规则类知识的前置条件、结果属性和整条规则添加上置信度;
所述用户交互模块用于获取外部用户数据,并将所述外部用户数据发送给推理模块;
所述推理模块用于根据推理任务,采用改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,并调用所述知识库中的知识和变量库中的变量,结合所述外部用户数据,根据已激活规则的置信度,完成所述推理任务的推理,输出推理结果;
所述解释模块用于解释所述推理任务的推理过程;
所述数据库管理模块用于存储所述推理过程中得到的中间数据、最终结果和推理知识链;
所述任务系统模块用于在满足触发条件时,生成所述推理任务,并将所述推理任务发送给所述推理模块;以及在所述推理模块输出推理结果时,将所述推理结果推送给用户;所述推理结果用于指导用户执行相应的种植行为;
所述触发条件包括:前驱任务、作为生长时间和动态触发条件,所述动态触发条件包括比较变量、比较方法、比较值;
且所述任务系统包含临时任务和日常任务,所述临时任务用于作为补充任务,维持作物的正常生产状态,在作物的生长环境脱离适宜参数的时候触发,所述日常任务用于指导农户的基础生产。
进一步的,所述预设的置信规则,具体为:
Then{(D1,β1,k),(D2,β2,k),…,(DN,βN,k)}
其中,Rk表示置信规则库中第k条规则;表示第k条规则中第i个前提属性值;Mk表示第k条规则的前提属性个数;θk表示第k条规则的规则权重;δi,k表示第k条规则中第i个前提属性的权重;βj,k表示第k条规则中相对于结果THEN部分的第j个结果Dj的置信度。
进一步的,所述根据推理任务,采用改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,具体为:
对所述知识库中的规则类知识,按照前置条件进行排序,并根据重新排序后的规则类知识,创建Rete网络;
根据所述推理任务的事实对象,查询所述Rete网络,匹配并激活所述推理任务所需要的规则。
进一步的,所述对所述知识库中的规则类知识,按照前置条件进行排序,具体为:
扫描所述知识库中所有的规则类知识,对所有规则类知识的前置条件按照逻辑符进行分解,并在分解过程中,统计所有前置条件出现次数;
按照所述前置条件出现次数从大到小,对所有规则类知识进行排序。
进一步的,所述根据已激活规则的置信度,完成所述推理任务的推理,输出推理结果,具体为:
若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度并不相同,则按照结果属性的置信度的大小顺序,输出推理结果;
若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度相同,则输出的推理结果为:推理冲突无法判断。
进一步的,在所述Rete网络创建后,还包括:
在所述Rete网络中添加所述推理任务的事实对象,具体为:
测试所述事实对象是否匹配到Rete网络中的Alpha节点;
如果匹配,则生成wme记录并存入到所述Alpha节点;如果没有匹配到,则结束添加;
根据所述wme记录,查询与所述Alpha节点相关联的Beta存储区中每个Beta记录,建立wme记录与Beta记录的一级索引;所述一级索引通过事实对象类型的首字母与规则树中的Beta节点建立映射关系。
进一步的,在所述Rete网络中添加所述推理任务的事实对象之后,还包括:
在所述Rete网络中删除所述事实对象,具体为:
根据所述一级索引,查询并删除所述事实对象对应的wme记录和相关联的Beta记录。
实施本发明实施例,具有如下有益效果:
本发明实施例提供的任务指导型智慧农业种植专家系统,知识获取模块通过获取农业种植知识构建知识库,知识库管理模块对每个规则类知识设置置信度,提高不确定事件推理的准确性;而在推理任务产生后,通过本发明改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,并调用所述知识库中的知识和变量库中的变量,结合所述外部用户数据,根据已激活规则的置信度,完成所述推理任务的推理,最后输出推理结果。相比于现有技术的专家系统难以推广,本发明的专家系统基于规则的推理机制,可以扩展到其他农作物的模型建立和推理,而且当规则库和知识库不断庞大后,本系统的推理模块比现有系统具有更高的匹配速度、推理效率和更好的模型泛化性。
进一步的,本发明的专家系统还包括任务系统模块,用于在满足触发条件事,生成推理任务,并结合推理模块的推理结果,经任务模块处理为结构化内容,使其任务更易被理解,进而指导用户进行相应的种植行为。
附图说明
图1是本发明提供的任务指导型智慧农业种植专家系统的一种实施例的结构示意图;
图2是本发明提供的知识获取流程图;
图3是本发明提供的农作物知识类型及其关系示意图;
图4是本发明提供的推理流程示意图;
图5是本发明提供的RETE规则编译算法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参见图1,是本发明提供的任务指导型智慧农业种植专家系统的一种实施例的结构示意图。如图1所示,该专家系统包括:知识库、知识库管理模块、变量库、数据库管理模块、推理模块、用户交互模块、解释模块和知识获取模块。
其中,知识获取模块用于获取农业种植知识,并将获取的知识存储在知识库中;农业种植知识包括静态类知识、动态类知识和规则类知识。
在本实施例中,数据是记录信息的符号,信息是对数据的解释,知识是信息的概括和抽象;数据经过解释处理形成了信息,信息经过加工形成知识;知识是由信息描述的,信息由数据为载体存在;从数据到信息的转换是一个数据处理过程,从信息到知识的转换是一个认知过程。
知识获取是建立知识库的第一步。专家系统的原始基本知识获取是通过知识工程师利用知识表达技术建立知识库。广义上的知识获取,除了人为获取知识外,机器还可以自动或半自动地方式获取知识。如利用传感器或输入设备对物理信息进行机器识别转换存储在知识库中。随着互联网爬虫技术的进步,结合Web语义技术,可以从互联网中自动搜寻、获取、更新知识。
知识获取的基本任务是模拟人类学习过程抽象出以一定知识结构表示的领域知识。通常而言,知识工程师在计算机领域比较熟悉,但是专家系统的构建一般是跨界合作。领域知识源存在形式多样,知识工程师必须通过自己的努力来抽取和表示所需要的知识。知识获取的过程一般可以分为:知识抽取、知识建模、知识转换、知识输入、知识检测和知识重组。
本发明知识库获取只分为手工获取和自动获取两种方式。手工获取方法主要是与领域专家的访谈总结。自动获取主要以编写网络爬虫的方式对目标知识页面进行抽取并转换。此项目在系统开发时与公司的农研院的工作人员紧密合作。其中,主要座谈对象是具有多年农作物育种、种植、植保、品鉴经验的专家的工程师以及水肥管理专家。通过专家访谈、查阅论文书籍和下基地现场考察相结合的人工知识抽取,获得对农作物相关生物特性、种植工艺特点、水肥管理、病虫草害防治等方面的知识。爬虫获取的多为结构化知识,如病虫草害的结构化说明。知识获取的流程详细可参见图2所示。
知识库用于采用框架表示法存储静态类知识和动态类知识,采用产生式表示法存储规则类知识。
在本实施例中,知识库存储知识,包含领域内的原理性知识、专家的经验知识以及描述知识的知识(元知识)。知识库的来源于知识获取模块,同时为推理模块的问题求解提供推理依据。对于知识库的建立首先应确立知识表现形式,即确定知识的存储格式。这种知识表达必须能够被计算机存储和使用。已知的知识表示方式有一阶谓词逻辑表示法、产生式规则表示法、框架表示法、语义网络表示法、状态图表示法、面向对象表示法。在专家系统中使用最多的是产生式表示法、框架表示法和语义网络表示法。不同的表示方法适合不同的知识表示需求。领域知识的特性不同会使用几种表示方法可进行知识表达,以求能够充分表示领域知识。另外,还需要考虑能够充分、有效的进行推理,便于知识的组织、维护和管理,便于理解和实现。
在本实施例中,本发明的专家系统的知识结构利用框架知识表示方法,既表示描述性知识也表示状态性知识。同时,规则类知识也由其表示。不同于以往使用类XML文档存储和管理知识,此系统使用JSON格式进行知识存储、管理和使用。
JSON(JavaScript Object Notation)是一种可以替代XML的轻量级数据交换格式。它是java脚本规范的子集,被开发来方便Web前端与后端的数据交换。作为一种基于文本的数据交换格式,JSON继承了XML的设计理念,完全独立于编程语言。相较于XML,JSON的语法简易可读性强,可扩展性不相上下,数据冗余度低,网络传输效率高,数据的编解码效率较高。XML是通过XML Schema对数据类型进行定义,而JSON支持数据类型的定义并包含了结构化数据类型的定义(数组,对象)。由于JSON的特性优点,利用JSON进行数据表示和交换正在成为研究热点和工程实践方向。
JSON数据的基本格式是“名称/值”对。JSON的语法很简单,数据保存在“名称/值”对中,数据之间用逗号隔开,花括号保存对象,方括号保存数组。名称是对值的说明,值可以是数字、字符串、逻辑值、数组、对象、null值。其中,对象和数组是结构类型的数据。JSON数据本身也可以是对象或者数组,通过这种嵌套结构可以表示复杂的数据关系。类比于知识的复杂结构,JSON和XML都可以很好的表示各种知识结构。
在本实施例中,为了便于模型对农作物知识的学习,将农作物知识进行分类说明。主要分为5类知识,具体如图3所示。生产工艺类知识描述了“操作”应该如何执行,如何响应。生产要素类知识是关于投放物的描述。生产环境类知识描述了某操作应具备的环境特征(光、温、水、日期等)。生产状态类知识(包括病虫害类知识)用来描述农作物在某个生长状态的特征。操作类知识是生产过程中必须进行的某个作业。
考虑到农业知识要具有通用性质,便于模型推理,本发明将知识分为:静态类知识、动态类知识和规则类知识三类。知识基本表示方法使用框架表示法和产生式表示法,知识表示的数据结构使用基于框架的知识结构。静态类知识是描述性知识,是对事物固有属性的刻画。动态类知识是状态类知识,多是对静态类知识的关系刻画。规则类知识是使用知识的知识,使用产生式表示法,通过槽值调用静态知识和动态知识。
对规则使用借鉴了对知识的谓词逻辑表示法思想,对事物之间的逻辑关系进行刻画。在构建知识库期间使用的农作物相关知识有农作物的品种知识、土壤知识、地理相关知识、种植工艺类知识、植保相关方法、病虫草害相关知识等等。静态知识框架槽值或侧面值不进行其他知识调用,动态知识框架的一个或多个槽值或侧面值进行其他知识框架调用。规则类知识是可以进行框架知识调用也可以不进行,一般而言,规则类知识会调用其他知识框架。因为规则会使用知识,虽然规则本身也是一种知识。
知识库管理模块用于按照预设的置信规则,对每个规则类知识的前置条件、结果属性和整条规则添加上置信度。
其中,表示在第k条规则中第i个前提属性值;表示前置属性值的逻辑与关系;Mk表示前置属性个数;Dk(Dk∈D)表示第k条规则的结果。由于人类知识语义的丰富性和复杂性,前提属性值不一定是确定性值,有时会使用语义值“很大”、“大”、“很热”、“热”等程度描述值。这类值无法进行数学计算,不便于知识推理的进行。为了有效使用规则的前置属性的不确定性、规则的不确定性和知识的不确定性,实现复杂问题建模,考虑在IF-THEN规则的前置条件、结果属性和整条规则加上置信度,将不确定性确定为定量数学表达。对数据和知识表达中的不确定性可以分为模糊不确定性和概率不确定性。例如“今天很热,且确定性为0.9”和“今天温度38摄氏度,且确定性0.8”,其中“很热”和“38摄氏度”代表模糊不确定性,“0.9”和“0.8”代表概率不确定性。添加了置信度的规则是置信规则,具体为:
Then{(D1,β1,k),(D2,β2,k),…,(DN,βN,k)}
其中,Rk表示置信规则库中第k条规则;表示第k条规则中第i个前提属性值;Mk表示第k条规则的前提属性个数;θk表示第k条规则的规则权重;δi,k表示第k条规则中第i个前提属性的权重;βj,k表示第k条规则中相对于结果THEN部分的第j个结果Dj的置信度。若则称第k条规则是完整的,否则是不完整的。
置信规则类知识就是将规则类知识各部分不确定性进行置信描述,削减知识的概率不确定性和模糊不确定性。置信规则的提出综合了D-S证据理论、决策理论和模糊理论的研究成果。D-S证据理论和Bayes理论可以很好的处理规则的概率不确定性但无法很好处理模糊不确定性;基于模糊理论的传统IF-THEN规则库可以很好的处理模糊不确定性但在概率不确定性的处理上有所不足。置信规则库以及在此基础上提出的基于证据推理算法很好的结合了两者的优点,增强了专家系统对不确定性知识推理的能力。
基于以上的置信规则的理论基础,再应用在农作物规则类知识上,在具体的设计实现上会有所不同。农作物规则类知识会调用到动态数据库,变量数据库,静态框架知识和动态框架知识。置信规则库有时会调用自身的规则。数据库管理模块就是专家系统中的黑板结构,推理过程中的变量在此进行“擦写”。
变量库是本系统开发中使用的特殊数据库,因为使用农作物规则类知识时经常会遇到“单位”的问题。推理过程中使用的静态变量和动态变量可以定义在变量数据库中,作为规则的前置输入变量。变量数据库中存储了变量的名称、单位、默认值、变量值的限定等等信息。以土壤含氮量的变量为实例,定义了变量的名称、单位为g/kg,值属性为数字“num”类型,值范围限定在[0,1]之间,数值精度为小数点后两位,可信度(cf)为1,默认值为空。其他变量类型还有字符串、枚举型、布尔型等。对于农业实际问题,数值的单位很重要,公式计算时不同属性值的单位是严格区分的。所以,在规则使用变量时对单位进行限定,为以后推理过程带来便利。有时会遇到单位的转换,例如“土壤含氮量”的单位是g/kg,在有些公式中单位是mg/kg,这时需要在规则中使用defineVar定义变量单位值的转换。一般定义的变量为框架模型,不涉及具体的值,只有当变量被规则调用时才由规则与接口交互后赋予其确定值。根据规则推理过程需要,变量值会发生变化,此时变量会存储在动态数据库中被管理和使用。
用户交互模块用于获取外部用户数据,并将外部用户数据发送给推理模块。
在本实施例中,人机交互模块一般分为两种使用对象,一个是一般用户,一个是领域专家和知识工程师。一般是知识工程师使用较多,因为专家系统都是计算机学科与其他领域专家的跨界系统,知识工程师把领域专家的经验知识转化后获得外部用户数据,再与系统交互。在此发明中,人机交互模块默认是移动端自有交互界面。
解释模块用于解释推理任务的推理过程。
解释模块的主要目的是通过增加系统解决问题的透明性增强专家系统的可信度。一般回答用户“为什么这样推理”、“推理过程是什么”等问题。另外,通过系统对自身推理过程的解释,有助于发现知识库与推理机的错误,有利于系统调试及维护。
数据库管理模块用于存储推理过程中得到的中间数据、最终结果和推理知识链。数据库管理模块又被称为“黑板结构”、“综合数据库”,还用于存放专家系统运行过程中用户提供的初始事实、问题描述。
推理模块用于根据推理任务,采用Rete网络模式匹配算法为核心并进行改进,查询知识库中存储的知识,匹配并激活推理任务所需要的规则,并调用知识库中的知识和变量库中的变量,结合外部用户数据,根据已激活规则的置信度,完成推理任务的推理,输出推理结果。
在本实施例中,推理模块是专家系统的“思考”结构,是模拟专家思维过程进行问题解决的核心部分。利用已知事实、知识库中的知识,按照推理方法和推理策略进行推理,求解问题的答案或证明某个假设的正确性。推理方法一般分为精确推理和不精确推理。推理策略一般分为正向推理、反向推理和双向混合推理。专家系统的推理模块与知识库是相互独立的。
在本实施例中,依据推理时使用的知识的确定性来划分推理,可以分为确定性推理和非确定性推理。基于置信规则库和框架结构的知识进行的确定性推理是使用了置信度为0或1的规则,所得出的结论置信度为0或者1。对于非确定性推理是由于推理过程中使用的知识或者规则是不精确的、非必要缺失的、模糊的导致推理结论的不确定性。确定性推理在正向推理过程中是简单的,只需按照推理程序的执行顺序得出真假结论,或者返回其他所需信息。不确定性推理是复杂且困难的。不确定性推理的影响因素主要在于证据的不确定性、规则的不确定性和结论的不确定性。所谓的不确定性又可分为概率不确定性和模糊不确定性。
本发明中的专家系统不确定性推理是基于置信规则来设计实现的。即针对某一问题需要单独编写推理程序,程序记录推理过程中需要的规则、变量、知识和控制策略。在此原型专家系统中,利用面向对象思想将每个规则实例化为规则对象。通过对规则的置信度描述,使得不确定性可以被量化处理。本发明专家系统的推理模块的一般实现流程如图4所示,箭头指示信息的流动。针对某一待解决问题的推理机程序会调用解决此问题所需规则集,结合初始输入的事实对变量库中需要的变量进行赋值,在规则执行过程中会使用规则库中的事实集。推理策略控制着推理过程的变化,需要解决推理过中的推理方向、冲突消解、解空间选择和推理过程限制等问题。推理方向分为正向推理、反向推理、混合推理和双向推理。
当专家系统的规则库、知识库等不断庞大之后,系统匹配效率不断下降。于是在本发明中引入RETE算法,并对其进行针对此应用场景的算法优化,其在此可以提高产生式系统模式匹配效率。算法的核心思想是将规则及其之间的关系预存储形成一张规则网,推理时输入事实在RETE网中快速传播,最终返回被激活的规则。在产生式专家系统中RETE算法被广泛利用和不断改进。本发明基于框架知识结构的全新技术架构的专家系统通过引入RETE算法可以显著提高推理机的匹配速度,进而提高推理效率。
RETE算法包含规则编译和运行时执行两部分。RETE首先通过规则编译形成规则集对应的RETE网络,RETE网络是一个事实在各节点件流动匹配的图。在推理机运行此算法时,传入的事实会在RETE网络中迅速进行事实匹配并激活规则或者返回无结果。
在RETE中将IF前件成为模式,RETE通过模式匹配来激活规则。RETE网络的规则编译算法流程图如图5所示,RETE是通过对规则模式的拆解形成一个模式链并贮存与内存,以空间换时间。考虑到本发明使用的置信规则的复杂性,在实现RETE算法创建模式和节点时会对深度迭代IF-THEN规则体。RETE算法通过Alpha memory和Beta memory将模式状态保存,而且节点信息是共享的。Alpha节点是模式匹配网络,Beta节点是对模式的连接网络,两者共同构成模式匹配的二叉搜索树。
如图5所示,RETE网络包含Alpha网络和Beta网络两部分。匹配过程开始时,初始事实集通过根节点,在Type Node和Select Node的过滤转换之后在Alpha memory中搜索匹配的Alpha node。将模式匹配的结果加入到Beta memory中,若是Beta左右Alpha模式匹配则沿着Beta连接网络到达下一个Beta节点,最终到达Terminal Node,即规则的结论部分。所有匹配的规则进入规则冲突集,按照冲突处理策略返回断言。
在本实施例中,推理模块根据推理任务,采用Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,具体为:对知识库中的规则类知识,按照前置条件进行排序,并根据重新排序后的规则类知识,创建Rete网络;根据推理任务的事实对象,查询Rete网络,匹配并激活推理任务所需要的规则。
Rete算法首先会根据规则库中的规则构造Rete网络,Rete网络是一个带有根节点的非循环有向图,除了根节点外的其他节点都存储着中间的匹配结果,匹配网络的不同部分可以有不同类型的共享,如在匹配网络的Alpha部分,对于两个或多个产出共有的条件,Rete为该共有条件生成一个Alpha存储器供其共同使用;在匹配网络的Beta部分,如果两个或多个产出前部的若干条件相同,那么这些产出使用同样的节点来匹配,这样可以避免了这些产出的重复匹配。
本发明经过多次实验验证,可以得到规则中条件次序的不同会影响Rete网络中共享节点个数,如果各个产出之间相同的条件不能按相同顺序排在各自产出的前面的话,那么根据这些产出构造Beta网络时就不能共享这些能被共享的条件模式,由此会造成条件的重复匹配。因此,本发明的在创建Rete网络前,先对知识库中的规则类知识,按照前置条件进行排序,具体为:
扫描所述知识库中所有的规则类知识,对所有规则类知识的前置条件按照逻辑符进行分解,并在分解过程中,统计所有前置条件出现次数;按照前置条件出现次数从大到小,对所有规则类知识进行排序。
上表为Rete预处理算法伪代码,首先扫描整个规则库,将规则库中规则的条件部分按照逻辑符进行分解,在分解的过程中将不同的条件出现的数量统计出来并从大到小排序,扫描一遍之后再进行第二次扫描,将规则库中所有规则的条件部分按照出现次数降序排列,全部扫描之后预处理过程结束。
在本实施例中,推理模块根据已激活规则的置信度,完成推理任务的推理,输出推理结果,具体为:若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度并不相同,则按照结果属性的置信度的大小顺序,输出推理结果;若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度相同,则输出的推理结果为:推理冲突无法判断。
在本实施例中,本发明中专家系统主要使用了数据驱动的正向推理过程,由推理机程序控制规则的顺序调用完成推理过程。正向推理时若出现多条规则的前件与事实匹配成功则出现冲突。此时若每个规则的结论置信度不同,则按照置信度的大小,顺序输出前几个结论;若每个规则的结论置信度相同,则输出推理冲突无法判断的信息。解空间选择是设置推理后求解结论的目标是获得最优解还是范围解。推理过程限制是对推理机运行时深度、时间、空间等的限制。
作为本实施例的一种举例,在Rete网络创建后,还包括:在Rete网络中添加推理任务的事实对象,具体为:测试事实对象是否匹配到Rete网络中的Alpha节点;如果匹配,则生成wme记录并存入到Alpha节点;如果没有匹配到,则结束添加;根据wme记录,查询与Alpha节点相关联的Beta存储区中每个Beta记录,建立wme记录与Beta记录的一级索引;一级索引通过事实对象类型的首字母与规则树中的Beta节点建立映射关系。
在Rete网络中添加推理任务的事实对象之后,还包括:在Rete网络中删除所述事实对象,具体为:根据一级索引,查询并删除所述事实对象对应的wme记录和相关联的Beta记录。
在Rete网络包括Alpha部分和Beta部分,Alpha部分负贵对工作内存(workMemory)中的事实对象(下文统一简称wme)进行常量约束,并将匹配结果存入Alpha节点中,Beta部分则利用Join连接节点进行变量的条件绑定测试,并将匹配成功后的中间结果放入Beta节点中,如果所有的条件均匹配成功,则表明一条规则应该被执行,此时可将其放入动作存储器中,等待冲突策略启动后执行相应的规则。当Rete网络创建之后,wme加载进入形成的规则树网络,即为wme的添加过程。当wme需要删除时,其过程是添加的逆过程。
如果要从工作内存中删除一个wme,其过程与wme的添加过程类似:首先经过Alpha网络对其进行常量测试,如果测试成功,则从相应的Alpha存储区中删除与之相关的内容,并把该Alpha记录传递给相应的Join节点,Join节点将该Alpha记录与其LHS部分进行匹配测试,如果可以生成Beta记录,则查找关联的Beta存储区中是否存在与之相同的Beta记录,如果存在则删除该记录,并对下一层的Join节点执行上述相同的删除过程,直到所有与该wme相关的记录全部删除,整个过程需要对子网络进行多次遍历。由上可见,删除过程并没有利用添加过程中的中间计算结果,且还有重复的查找操作。本发明对其进行了如下改进:
①在添加过程中首先需要查询规则树中的规则节点,然后才能进行相关的其他操作,可以通过增加索引机制的方式来加速规则树节点的查找速度。由于规则可以动态地进行增加和删除,因此规则树节点需要动态地变化,同时关于规则树节点的索引也必须发生动态地变化。这里我们为规则树建立了一个基础的一级索引,该索引通过事实对象类型的首字符与规则树中的备个节点建立一个映射关系,这样可以有效减小查询的范围。
②在添加过程中,当生成新的Beta记录时,在与之关联的Alpha存储区中记录该Beta记录的信息,当删除时,直接可以根据Alpha记录中的信息,对该Beta进行删除,从而不需要重新在Beta存储区中查找记录。
当加载到系统中的多个类有同样的首字母时,在上述的规则树结构中该首字母下的子节点数量太大,这样当查找具体的规则树节点时,仍然需要遍历该首字母下的所有节点,使得系统性能无法明显提高,改进的方法是在系统运行过程中增加二级索引机制。建立二级索引的原理和建立一级索引的原理一致,即在首字母相同的情况下为第二个字母相同的节点建立类似的索引,但是当规则树节点很少时,建立二级索引的作用不大,反而使得规则引擎系统的时间性能有所下降,固要视针对不同的需求情况下建立多大体量的专家系统来定是否需要建立二级索引。
为了更好的说明本发明的wme添加和删除过程,以下面的例子进行说明:
wme的添加过程分为三个子过程:Alpha常量测试、作为右输入的联结测试(记作RHS_Join)、作为左输入的联结测试(记作LHS_Join)。
1)首先测试wme是否匹配Alpha节点的条件,如果匹配则生成该wme的记录并放入该Alpha节点中,执行步骤2);
2)将匹配成功的wme记录作为LHS_Join的右输入,遍历JoinNode左父节点相关联的Beta存储区中每个Beta记录作为左输入;
①如果Beta记录和wme记录不能完成JoinNode的Join操作,则跳转到3),否则执行②;
②Beta记录和wme记录形成Betal记录,Betal记录存入Beta存储K中,并设置Beta1的父节点分别为Beta记录和wme记录;
③对该联结节点JoinNode的每个子节点调用LHS_Join过程;
④继续遍历JoinNode相关联Beta存储区中的Beta记录进行步骤2),直到遍历完全后退出。
LHS_Join过程:
BEGIN:
1)遍历与JoinNode子节点相关联的Alpha存储区中的每一个Alpha记录作为右输入,Betal记录作为左输入;
2)根据Betal记录与Alpha记录进行Join操作测试,如果测试成功,则
①生成新的Beta2记录,将其父记录设置为上述Betal记录和Alpha记录,并分别在Betal记录和Alpha记录的孩子链表屮添加Beta2记录;
②依次遍历所有的JoinNode子节点,Betal作为左输入,调用LHS_Join过程;
END;
3)如果遍历己经结束则退出,否则返回2)。
wme的删除过程与添加过程对应,分为两个过程。一个是Alpha记录的删除,记作RHS_REMOVE(wme);另—个是Beta记录的删除,记作LHS_REMOVE(Beta记录)。
LHS_REMOVE(Beta记录):
BEGIN:
1)while(Beta记录的孩子节点不为空)
{
LHS_REMOVE(Beta记录)
}
2)将Beta记录从Beta存储区中删除;
3)将Beta节点从父记录的孩子链表中删除;
4)释放相应的内存空间;
END。
RHS_REMOVE(wme记录):
BEGIN:
1)在Alpha存储区中查找与wme记录相关的Alpha记录,如果存在则
2)while(Alpha记录的孩子链表不空)
{
LHS_REMOVE(Alpha记录的孩子链表中的节点记录;)
}
3)在Alpha存储区中删除该Alpha记录;
END。
作为本实施例的一种举例,专家系统还包括任务系统模块,用于在满足触发条件时,生成推理任务,并将推理任务发送给所述推理模块;以及在推理模块输出推理结果时,将推理结果推送给用户;推理结果用于指导用户执行相应的种植行为;触发条件包括:前驱任务、作为生长时间和动态触发条件。
在本举例中,任务生成、派发系统主要是考虑到用户(农业种植着)理解能力和人工智能引擎得到的推理结果之间存在一定的理解断层。故衔接了这个任务系统,推理系统的输出内容即为任务系统的输入数据,任务系统对这个推理系统的输出内容进行再加工,加工为:临时任务和日常任务两种类型的任务。即用户从任务系统得到的是“我该怎么做”的直接指导。
在判断一个任务是否被触发,显示给用户之前,需要检索“任务触发条件”,只有符合任务触发条件的任务才能够被显示出来。
其中任务触发条件包括三个:
1、前驱任务:一个任务可能包含有前驱任务,只有当前驱任务已经完成的情况下,该任务才有可能被触发。
2、作物生长时间:生长阶段主要有两种表示方式。第一种是指作物的生长周期:例如播种期、幼芽期、成熟期、收成期等等。第二种是作物的生长时间,生长时间主要指的是作物从播种那一刻起所经历的时间。任务需要达到规定的生长阶段才会有机会触发。
3、动态触发条件:一个任务的触发条件可以包含有多个触发条件,只有当所有的触发条件全都满足的时候,才会触发。动态触发条件包含了三个部分:比较变量、比较方法、比较值。
比较变量:指的是农作物或者是农田所对应的属性值,例如农田的面积、农田的地理位置、农田的光照环境、当前的生长时间等等,以及农作物本身的特性,例如农作物本身最适宜的生长参数(温度、水分、二氧化碳浓度等等参数),农作物的生长周期,以及农作物其他的特性,这边的参数如果涉及到当前环境的参数,则会向服务器发起请求。
比较方法:这边主要涉及到比较的一个方式,这边形式上只是值的简单比较,考虑到模型以后的扩展性,本发明目前涉及比较方式主要还是数学的基础比较运算符构成:>、<、>=、<=、!=、=。
比较值:动态条件简化起来即判断(比较变量,比较方法,比较值)对应的结果是否是真,为真则条件满足。
在系统启动的时候,系统将会寻找是否有新的任务需要触发。如果有,则将会显示给农户。农户也可以手动刷新检查,当涉及到农田的环境参数的时候,系统将向服务器发起异步请求,服务器则向关联的硬件设备发起获取环境参数的请求,等获取完后原路返回。硬件设备也会定时的获取对应农田的环境参数,并返回给服务器,服务器在收到之后,通过socket长连接,将参数传递给在线的设备。从而再次触发任务。
任务系统中将任务分为临时任务和日常任务:
临时任务:用于作为补充任务,维持作物的正常生存状态,主要在作物的生长环境脱离适宜参数的时候触发。例如浇水任务,将在当前土壤的湿度以及空气的湿度、光照强度、以及持续时间在达到一定的程序下,将会触发,告知农户需要通过浇水,来保持作物的生长湿度。
日常任务:日常任务主要用于指导农户的基础生产,包含了作物从播种到收成所有对应作物生长周期每时每刻所需要进行的固定农作活动。
本发明对于任务的设计并不是一个较为笼统的描述,本发明将任务的内容充分的具体化,将任务的时间、范围、操作、所涉及的参数都极度的具体化。为此,我们设计了一套特有的数据范式。在一个任务的内容描述文字当中,如果有内容涉及到需要根据实际情况改变的则用’#’作为占位符(其实此处也只有属性),然后在整个描述语句后面,附上所有的参数集合。我们将内容部分称为“内容集”,将参数部分称为“参数集”,内容集和参数集之间用’&&’符号隔开,即:内容集&&参数集。参数集当中包含着所有的参数符号,参数符号之间用’|‘隔开,即:参数|参数|参数。考虑到部分的参数需要经过一定的参数来获得,我们在此处也定义了函数的格式为:@函数名/参数名称%参数名称...,每个函数由‘@’开头,并且函数名和参数列表用‘/‘隔开,参数列表使用’%’作为分隔符。这样就构成了任务的内容范式,为解析专家系统推理引擎的输出内容提供了计算机运算基础。
接着,为了处理和解析这套数据范式,本发明设计了三个封装类:
WisdomTask:属于一个Manager类,用于将一个数据范式进行翻译,最终得到将正确的内容以回调的形式传递给调用方,通过调用convertToRealStr(Str:String,field:Farmland,finishAction:(str:String)->Void)方法。
WTProperty:该类属于一个工具类,用于负责解析一个属性,在WisdomTask当中将数据范式进行正确的分解之后,对于属性将调用该WTProperty的convertToValue(propertyStr:String,field:Farmland,FinishAction:(Double)->Void)方法,以获得正确的值。
WTFunction:该类与WTProperty一致,属于工具类,用于解析一个函数,得到正确值,该函数会调用WTProperty的convertToValue(propertyStr:String,field:Farmland,FinishAction:(Double)->Void)方法来获得所传参数的值。
综上所述,本发明具有以下有益效果:
(1)首先针对知识表示方法有所创新,提出了使用框架知识结构描述静态类知识、动态类知识和规则类知识,增强了知识的表现力和灵活性。选择了JSON轻量级文本结构作为载体,方便了知识传输和推理机使用。
(2)本发明设计的专家系统知识和规则描述结构为框架结构,推理方式为产生式。为了使用不确定的、模糊的或者缺省的知识或规则,构建了置信规则库。由于规则库、知识库的构建与其他发明的传统专家系统有所区别,本系统的推理实现方式也有所不同。如增加了变量数据库,推理机使用框架知识结构持久化在数据库中。
(3)通过RETE算法的适应性引入,相对与其他已有发明专利,因为此算法的引入,本发明提高了模式匹配效率和推理速度:采用节点共享,消除或者减少了节点之间的冗余。不同的事实类型比较后会通过Join节点连接,它存储了部分匹配结果,这就使得产生式规则系统避免每次都对发生改变的事实进行重新匹配,因为它仅仅需要评估那些发生改变的工作内存元素。也允许事实对象从网络内存中快速的移除。
(4)进一步的,本专利在引入RETE算法后又针对应用场景对此算法做了进一步的算法改进,带来了两个新的优势:
1、首先在Rete网络的建立过程方面通过理论分析出规则条件次序对Rete网络中共享节点个数的影响,采用map映射排序对规则库规则条件次序进行预处理,使得Rete网络占用内存减少且匹配速度加快;
2、其次在wme删除过程方面,因为其删除过程并没有利用添加过程中的中间计算结果,且还有重复的查找操作。本发明采用在wme添加过程中增加索引信息,从而提高了wme删除过程的效率。
(5)最后本发明考虑到智能推理系统的推理结果到指导用户的种植行为之间存在较大逻辑落差,在此两者之间衔接了“任务系统”,这是其他专利所没有的,是本专利的独创。并为此系统性的提出了任务系统的运行逻辑、任务分类、任务触发条件,数据范式及其处理等的构建方法,均为针对农业专家系统的独创。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种任务指导型智慧农业种植专家系统,其特征在于,包括:知识库、知识库管理模块、变量库、数据库管理模块、推理模块、任务模块、用户交互模块、解释模块、任务系统模块和知识获取模块;
其中,所述知识获取模块用于获取农业种植知识,并将获取的知识存储在所述知识库中;所述农业种植知识包括静态类知识、动态类知识和规则类知识;
所述知识库用于采用框架表示法存储静态类知识和动态类知识,采用产生式表示法存储规则类知识;
所述知识库管理模块用于按照预设的置信规则,对每个规则类知识的前置条件、结果属性和整条规则添加上置信度;
所述用户交互模块用于获取外部用户数据,并将所述外部用户数据发送给推理模块;
所述推理模块用于根据推理任务,采用改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,并调用所述知识库中的知识和变量库中的变量,结合所述外部用户数据,根据已激活规则的置信度,完成所述推理任务的推理,输出推理结果;
所述解释模块用于解释所述推理任务的推理过程;
所述数据库管理模块用于存储所述推理过程中得到的中间数据、最终结果和推理知识链;
所述任务系统模块用于在满足触发条件时,生成所述推理任务,并将所述推理任务发送给所述推理模块;以及在所述推理模块输出推理结果时,将所述推理结果推送给用户;所述推理结果用于指导用户执行相应的种植行为;
所述触发条件包括:前驱任务、作物 生长时间和动态触发条件,所述动态触发条件包括比较变量、比较方法、比较值;
且所述任务系统包含临时任务和日常任务,所述临时任务用于作为补充任务,维持作物的正常生产状态,在作物的生长环境脱离适宜参数的时候触发,所述日常任务用于指导农户的基础生产。
3.根据权利要求1所述的任务指导型智慧农业种植专家系统,其特征在于,所述根据推理任务,采用改进后的Rete网络模式匹配算法,查询所述知识库中存储的知识,匹配并激活所述推理任务所需要的规则,具体为:
对所述知识库中的规则类知识,按照前置条件进行排序,并根据重新排序后的规则类知识,创建Rete网络;
根据所述推理任务的事实对象,查询所述Rete网络,匹配并激活所述推理任务所需要的规则。
4.根据权利要求3所述的任务指导型智慧农业种植专家系统,其特征在于,所述对所述知识库中的规则类知识,按照前置条件进行排序,具体为:
扫描所述知识库中所有的规则类知识,对所有规则类知识的前置条件按照逻辑符进行分解,并在分解过程中,统计所有前置条件出现次数;
按照所述前置条件出现次数从大到小,对所有规则类知识进行排序。
5.根据权利要求3所述的任务指导型智慧农业种植专家系统,其特征在于,所述根据已激活规则的置信度,完成所述推理任务的推理,输出推理结果,具体为:
若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度并不相同,则按照结果属性的置信度的大小顺序,输出推理结果;
若出现多条规则的前置条件与所述推理任务的事实对象相匹配,且各规则的结果属性的置信度相同,则输出的推理结果为:推理冲突无法判断。
6.根据权利要求3所述的任务指导型智慧农业种植专家系统,其特征在于,在所述Rete网络创建后,还包括:
在所述Rete网络中添加所述推理任务的事实对象,具体为:
测试所述事实对象是否匹配到Rete网络中的Alpha节点;
如果匹配,则生成wme记录并存入到所述Alpha节点;如果没有匹配到,则结束添加;
根据所述wme记录,查询与所述Alpha节点相关联的Beta存储区中每个Beta记录,建立wme记录与Beta记录的一级索引;所述一级索引通过事实对象类型的首字母与规则树中的Beta节点建立映射关系。
7.根据权利要求6所述的任务指导型智慧农业种植专家系统,其特征在于,在所述Rete网络中添加所述推理任务的事实对象之后,还包括:
在所述Rete网络中删除所述事实对象,具体为:
根据所述一级索引,查询并删除所述事实对象对应的wme记录和相关联的Beta记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094503.2A CN109872244B (zh) | 2019-01-29 | 2019-01-29 | 一种任务指导型智慧农业种植专家系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910094503.2A CN109872244B (zh) | 2019-01-29 | 2019-01-29 | 一种任务指导型智慧农业种植专家系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872244A CN109872244A (zh) | 2019-06-11 |
CN109872244B true CN109872244B (zh) | 2023-03-10 |
Family
ID=66918451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910094503.2A Active CN109872244B (zh) | 2019-01-29 | 2019-01-29 | 一种任务指导型智慧农业种植专家系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872244B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737451B (zh) * | 2020-05-14 | 2024-03-19 | 上海交通大学 | 基于超网络模型的专家推荐方法 |
CN112462830B (zh) * | 2020-11-24 | 2021-10-26 | 浙江理工大学 | 一种基于边缘计算和智能推荐的桑蚕养殖自动化管理系统 |
CN113016727A (zh) * | 2021-03-02 | 2021-06-25 | 浙江理工大学 | 一种基于知识库的蚕桑生产要素推荐系统及方法 |
CN113065656B (zh) * | 2021-03-26 | 2022-09-30 | 龙马智芯(珠海横琴)科技有限公司 | 一种规则引擎配置方法、装置、服务器及可读存储介质 |
CN114168680B (zh) * | 2021-11-17 | 2024-02-02 | 西安理工大学 | 基于智能合约的知识推理方法 |
CN114462721B (zh) * | 2022-04-12 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种反向链推理溯源方法、系统、计算机及存储介质 |
CN115858713B (zh) * | 2023-02-23 | 2023-05-30 | 华东交通大学 | 一种农情地理信息的数据管理方法与数据管理系统 |
CN117474294A (zh) * | 2023-12-26 | 2024-01-30 | 山东麦港数据系统有限公司 | 一种基于农作物栽培管理模型的种植辅助决策系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1243987A (zh) * | 1999-05-24 | 2000-02-09 | 中国科学院合肥智能机械研究所 | 用于农业专家系统开发环境的方法 |
CN1877612A (zh) * | 2006-06-20 | 2006-12-13 | 河南农业大学 | 基于作物生长模型的农业专家系统中知识表示技术的方法 |
CN101957942A (zh) * | 2010-08-10 | 2011-01-26 | 秦皇岛首秦金属材料有限公司 | 一种应用于钢厂的事故预案专家系统 |
CN103530179A (zh) * | 2013-09-30 | 2014-01-22 | 大唐移动通信设备有限公司 | 一种定时任务的处理方法及装置 |
CN107808194A (zh) * | 2017-10-26 | 2018-03-16 | 北京科技大学 | 一种基于Rete推理网络的复合推理方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6064998A (en) * | 1998-12-22 | 2000-05-16 | Ac Properties, B.V. | System, method and article of manufacture for a simulation engine with an expert system example processing engine |
US6529893B1 (en) * | 1999-02-26 | 2003-03-04 | Mandel Foner | Expert diagnostic system with inference generator |
JP2006511866A (ja) * | 2002-12-21 | 2006-04-06 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 外部化可能推論コンポーネントのためのシステム及び方法 |
CN107169569A (zh) * | 2017-04-17 | 2017-09-15 | 湖南本体信息科技研究有限公司 | 一种逻辑推理机、机器模拟人脑学习和工作的方法及人工智能系统 |
-
2019
- 2019-01-29 CN CN201910094503.2A patent/CN109872244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1243987A (zh) * | 1999-05-24 | 2000-02-09 | 中国科学院合肥智能机械研究所 | 用于农业专家系统开发环境的方法 |
CN1877612A (zh) * | 2006-06-20 | 2006-12-13 | 河南农业大学 | 基于作物生长模型的农业专家系统中知识表示技术的方法 |
CN101957942A (zh) * | 2010-08-10 | 2011-01-26 | 秦皇岛首秦金属材料有限公司 | 一种应用于钢厂的事故预案专家系统 |
CN103530179A (zh) * | 2013-09-30 | 2014-01-22 | 大唐移动通信设备有限公司 | 一种定时任务的处理方法及装置 |
CN107808194A (zh) * | 2017-10-26 | 2018-03-16 | 北京科技大学 | 一种基于Rete推理网络的复合推理方法 |
Non-Patent Citations (4)
Title |
---|
一种Rete算法的改进方法;张鑫;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180415;正文第3.3节 * |
基于3S和JESS的棉花种植信息服务专家系统设计与实现;熊勤学等;《农业网络信息》;20080626(第06期);第19-21页 * |
基于框架知识结构的专家系统设计与实现;王瑞通;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20180615;正文第2.2-2.3节、4.1-4.2节 * |
王瑞通.基于框架知识结构的专家系统设计与实现.《中国优秀硕士学位论文全文数据库 (信息科技辑)》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN109872244A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872244B (zh) | 一种任务指导型智慧农业种植专家系统 | |
Rule et al. | The child as hacker | |
US7565642B2 (en) | Rule engine | |
Zhuo et al. | Learning hierarchical task network domains from partially observed plan traces | |
Rule | The child as hacker: building more human-like models of learning | |
GB2384580A (en) | Knowledge acquisition in expert systems | |
Pinkas et al. | Representing, binding, retrieving and unifying relational knowledge using pools of neural binders | |
Chen et al. | Automated Domain Modeling with Large Language Models: A Comparative Study | |
McDaid et al. | Zoea--Composable Inductive Programming Without Limits | |
Marinescu et al. | AND/OR tree search for constraint optimization | |
Zhu et al. | Ontology-based mission modeling and analysis for system of systems | |
Strüber | Model-driven engineering in the large: refactoring techniques for models and model transformation systems | |
Cañadas et al. | Defining the semantics of rule-based web applications through model-driven development | |
de Beaufort et al. | Inference reasoning on fishers' knowledge using Bayesian causal maps | |
Finthammer et al. | An integrated development environment for probabilistic relational reasoning | |
Świechowski et al. | Introducing LogDL–Log Description Language for Insights from Complex Data | |
Zhang et al. | Data modeling with membrane systems: applications to real ecosystems | |
Herchenröder | Lightweight semantic web oriented reasoning in Prolog: Tableaux inference for description logics | |
CN114730317A (zh) | 使用示意图的构思平台设备及方法 | |
Jain et al. | Reasoning in EHCPRs system | |
Jansen et al. | The knowledge dictionary: A relational tool for the maintenance of expert systems | |
Walisadeera et al. | A framework for end-to-end ontology management system | |
Liu | ECOLECON: a spatially explicit model for ecological economics of species conservation in complex forest landscapes | |
Benaroch | Knowledge modeling directed by situation-specific models | |
Ayadi et al. | Decision Tree Transformation for Knowledge Warehousing. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |