基于SVSM的裝備故障案例相似度匹配算法

鄧興宇，胡雙演，李　釗，隋中山,3，孫登會

(1. 第二炮兵工程大學(xué)，陜西 西安 710025；

2. 二炮駐石家莊地區(qū)軍事代表室，河北 石家莊 050081；

3. 第二炮兵工程大學(xué) 士官學(xué)院，山東 濰坊 262500；

4. 中國人民解放軍96161部隊(duì)，安徽 池州 242800)

?

基于SVSM的裝備故障案例相似度匹配算法

鄧興宇1，胡雙演1，李釗2，隋中山1,3，孫登會4

(1. 第二炮兵工程大學(xué)，陜西 西安 710025；

2. 二炮駐石家莊地區(qū)軍事代表室，河北 石家莊 050081；

3. 第二炮兵工程大學(xué) 士官學(xué)院，山東 濰坊 262500；

4. 中國人民解放軍96161部隊(duì)，安徽 池州 242800)

摘要分析和總結(jié)了電子防護(hù)裝備故障案例的特點(diǎn)，設(shè)計(jì)了電子防護(hù)裝備故障診斷的領(lǐng)域本體。利用本體在表示案例時(shí)所體現(xiàn)的語義關(guān)聯(lián)信息，提出了基于領(lǐng)域本體的語義特征向量空間模型(Semantic Vector Space Model，SVSM)，彌補(bǔ)了傳統(tǒng)的向量空間模型在描述故障特征項(xiàng)語義關(guān)聯(lián)度時(shí)忽略了文檔詞條的位置和結(jié)構(gòu)因素的缺陷。引入自定義權(quán)值的語義特征項(xiàng)標(biāo)志位，提出了一種改進(jìn)的基于案例推理的電子防護(hù)裝備故障診斷算法，提高了SVSM各維度值的準(zhǔn)確性和相似度匹配算法的自由度。通過實(shí)驗(yàn)，驗(yàn)證了算法的有效性和可靠性。

關(guān)鍵詞案例推理；故障診斷；領(lǐng)域本體；語義向量空間模型；相似度匹配；電子防護(hù)系統(tǒng)

Similarity Matching Algorithm of Equipment Fault Case Based on SVSM

DENG Xing-yu1,HU Shuang-yan1,LI Zhao2,SUI Zhong-shan1,3,SUN Deng-hui4

(1.TheSecondArtilleryEngineeringUniversity,Xi’anShaanxi710025,China;2.MilitaryRepresentativeOfficeofPLASecondArtilleryForcesStationedinShijiazhuangRegion,ShijiazhuangHebei050081,China;3.SergeantCollegeoftheSecondArtilleryEngineeringUniversity,WeifangShandong262500,China;4.Unit96161,PLA,ChizhouAnhui242800,China)

AbstractThe domain ontology of electronic protective equipment fault diagnosis is designed by analyzing and summarizing the characteristics of equipment fault cases. Considering that the traditional vector space model (VSM) ignores the role of the document entry position and structure factors in describing the semantic correlation of fault features,the semantic vector space model (SVSM) based on semantic characteristics of domain ontology is proposed by exploiting the advantages of ontology in semantic knowledge representation. The accuracy of each dimension value of SVSM and the flexibility of the similarity matching algorithm are improved by using the flags of semantic characteristics weights,and the electronic protective equipment fault diagnosis algorithm based on case-based reasoning (CBR) is proposed. The validity and reliability of the algorithm are proved through experiment.

Key wordscase-based reasoning;fault diagnosis;domain ontology;semantic vector space model;similarity matching;electronic protection system

0引言

電子防護(hù)裝備在提高部隊(duì)作戰(zhàn)效能的同時(shí)，對保障人員快速診斷及維修裝備故障的能力也提出了更嚴(yán)格的要求。電子防護(hù)系統(tǒng)故障機(jī)理復(fù)雜和缺乏系統(tǒng)專家維修知識的裝備，應(yīng)用基于案例推理(Case-based Reasoning，CBR)的故障診斷方法具有明顯優(yōu)勢。CBR故障診斷方法通過模擬人類求解問題的思想，借鑒歷史案例，經(jīng)調(diào)整修改后以解決新的問題，具有知識獲取簡單，求解質(zhì)量效率較高等優(yōu)點(diǎn)[1]。案例推理的主要過程包括案例檢索、重用、修正和存儲這4個(gè)步驟，其中相似度匹配是案例檢索及重用的核心，直接決定CBR系統(tǒng)的速度和精度。

針對目前案例檢索主要采用基于特征項(xiàng)關(guān)鍵詞的匹配，而缺乏對案例語義信息利用的現(xiàn)狀，本文引入基于本體的案例表示，利用案例間的語義關(guān)系驅(qū)動案例推理的過程，從而極大地提高了CBR的效能。

1基于本體的裝備故障案例表示

CBR系統(tǒng)中的知識以案例的形式存儲，案例描述的完整性和表示形式的有效性是CBR的基礎(chǔ)，其主要目的是抽取領(lǐng)域知識中隱含的事實(shí)、關(guān)系及業(yè)務(wù)流程，便于計(jì)算機(jī)識別、理解及應(yīng)用[2]。目前，常用的框架和面向?qū)ο蟮戎R表示方法缺乏對案例語義信息的描述，而語義網(wǎng)以知識本體作理論基礎(chǔ)，通過對知識本體進(jìn)行理解和推理，可以得到滿足用戶需求的語義信息，故本文引入本體理論來表示故障案例。

本體可以形式化地表示為一個(gè)7元組：O={C,AC,R,AR,H,X,I}，其中C是概念的集合，AC表示概念屬性的集合，R是關(guān)系的集合，AR表示關(guān)系屬性的集合，H是層次的集合，I是實(shí)例的集合，X是公理的集合[3]。構(gòu)建裝備故障診斷領(lǐng)域本體的關(guān)鍵在于確立該領(lǐng)域概念范圍(類)、屬性和故障實(shí)例3個(gè)部分[4]。裝備故障案例的主要組成有3種基本元素：數(shù)值型、布爾型和文本型。其中，數(shù)值型和布爾型易于處理，文本型是數(shù)據(jù)處理的難點(diǎn)所在。為了便于計(jì)算，先對故障案例文檔進(jìn)行預(yù)處理，包括分詞、去掉停用詞、語義標(biāo)注和生成關(guān)鍵詞詞頻矩陣等。首先采用NLPIR/ICTCLAS 2015分詞系統(tǒng)[5]對案例文檔進(jìn)行分詞；然后采用哈工大停用詞表去掉停用詞，得到案例集詞表[6]；再采用交叉信息熵[7]的算法提取關(guān)鍵詞，建立關(guān)鍵詞詞頻矩陣；最后抽取案例文檔集中的相關(guān)概念，構(gòu)建出本體概念、屬性和故障實(shí)例。

1.1故障案例領(lǐng)域本體建模

本文設(shè)計(jì)的故障案例領(lǐng)域本體概念主要有：案例信息本體、案例特征本體、案例方案本體、故障代號本體和案例資源本體。

案例信息本體OI是指案例發(fā)生的背景信息，可表示為5元組：OI={ID,EI,UI,TI,WI}，其中ID為案例編號，EI為故障裝備名稱，UI為使用單位，TI為故障時(shí)間，WI為檢修人員。

案例特征本體OC是指裝備發(fā)生故障時(shí)的狀態(tài)描述，也是故障診斷的關(guān)鍵信息，可表示為6元組：OC={EC,MC,AC,FC,SC,WC}，其中EC為故障裝備代號，MC為故障模塊代號，AC為故障部位代號，F(xiàn)C為故障模式，SC為故障等級，WC為故障特征權(quán)值。

案例方案本體OF可表示為5元組：OF={CF,IF,EF,AF,NF}，其中CF為故障原因分析，IF為故障隔離策略，EF為故障排除方法，AF為故障排除效果評價(jià)，NF為該案例被成功匹配使用的次數(shù)。

故障代號本體ON是為便于系統(tǒng)推理所設(shè)計(jì)的代號本體，可表示為4元組：ON={EN,MN,AN,FN}，其中EN為故障裝備代號，AN為故障部件代號，MN為故障模塊代號，F(xiàn)N為故障模式的代號。

案例資源本體OS是指案例所涉及的其他資源，可表示為4元組：OS={PS,VS,MS,TS}，其中PS為圖片資源，VS為視頻資源，MS為音頻資源，TS為文檔資源。

1.2概念間的屬性定義

本文定義的領(lǐng)域本體屬性如表1所示。其中，對象屬性(Object Properties)包括故障診斷的目標(biāo)裝備，裝備故障時(shí)對應(yīng)的操作規(guī)程和動作部件，針對該案例的故障類型判別、原因分析、隔離策略及排除方案等。數(shù)據(jù)屬性(Data Properties)包括故障特征參數(shù)和關(guān)鍵字，以及對該故障排除效果的評價(jià)、被成功匹配使用的次數(shù)和補(bǔ)充說明等。注釋屬性(Annotation Properties)是指對故障原因分析、隔離策略及排除方案的文本表述。

表1　裝備故障診斷領(lǐng)域本體屬性列表

1.3本體庫的構(gòu)建

本文定義的實(shí)例包括裝備對象實(shí)例、故障特征實(shí)例、故障排除實(shí)例和測試實(shí)例。裝備對象實(shí)例包括裝備編號、裝備名稱和裝備組件實(shí)例。故障特征實(shí)例是案例庫中記錄的真實(shí)故障案例，包括故障部位、故障等級和故障現(xiàn)象等。故障排除實(shí)例是該故障的原因分析、隔離檢測和處理方案。測試實(shí)例是用于推理測試的目標(biāo)故障案例。本文采用本體開發(fā)工具Protégé進(jìn)行電子防護(hù)裝備故障診斷領(lǐng)域本體的構(gòu)建，Protégé是語義網(wǎng)中本體構(gòu)建的核心開發(fā)工具。它提供了本體概念、關(guān)系、屬性、層次、實(shí)例和公理的構(gòu)建，并且屏蔽了具體的本體描述語言，只需在概念層進(jìn)行領(lǐng)域本體模型的構(gòu)建[8]。本文建立的電子防護(hù)裝備本體知識庫如圖1所示。

圖1　電子防護(hù)裝備本體結(jié)構(gòu)

2基于SVSM的案例相似度匹配優(yōu)化算法

電子防護(hù)裝備故障案例的主要數(shù)據(jù)屬于文本類型，由于中文語言的特點(diǎn)，對文本特征項(xiàng)的相似度匹配是案例推理故障診斷系統(tǒng)的難點(diǎn)問題。

2.1基于領(lǐng)域本體的語義向量空間模型

向量空間模型(Vector Space Model，VSM)的基本理論是：文檔包含的信息只與所含詞條在該文檔中出現(xiàn)的次數(shù)有關(guān)，而與詞條出現(xiàn)的順序或位置無關(guān)，文檔空間可視為由一組正交向量組成的向量空間[9]。VSM首先建立基于詞條或短語的關(guān)鍵詞字典，然后采用TF-IDF[10]等方法將案例表示成多維向量，再采用反轉(zhuǎn)文檔或二進(jìn)制向量等方法將案例表示出來。由于傳統(tǒng)的向量空間模型忽略了文本詞條的位置和結(jié)構(gòu)因素對表述故障癥狀的作用，因此本文提出SVSM，采用本體庫代替包含關(guān)鍵詞的字典，利用案例文檔中涵蓋的概念及其屬性所組成的語義特征向量來表示案例[11]。

定義只包含正半軸的n維向量空間P：

(1)

式中，每個(gè)維度n都表示一個(gè)語義領(lǐng)域，并且各領(lǐng)域之間是正交的。除語義領(lǐng)域的數(shù)量外，領(lǐng)域空間的維度不受其他因素的影響。語義特征向量仍以中文詞條作為案例的特征項(xiàng)，每個(gè)特征項(xiàng)s在空間中的向量表示為：

(2)

式中，sk∈[0,1],k∈{1,2,…,n}表示特征項(xiàng)與語義領(lǐng)域k的相關(guān)度，并且它的值越大則該特征項(xiàng)與領(lǐng)域k的相關(guān)度就越高。由于空間中的坐標(biāo)軸只包含正方向，所以各特征向量之間的夾角滿足cosθ∈[0,1]。

本文針對案例特征項(xiàng)在語義領(lǐng)域空間的關(guān)聯(lián)度和該特征項(xiàng)對案例文檔的重要程度，將特征項(xiàng)與語義空間中各領(lǐng)域的相關(guān)度作為語義特征，特征項(xiàng)在案例文檔中的特征權(quán)重作為統(tǒng)計(jì)特征，將案例的語義特征向量表示為：

(3)

2.2語義特征向量的計(jì)算及自定義加權(quán)

為計(jì)算案例文檔特征項(xiàng)在語義領(lǐng)域空間中所對應(yīng)的具體向量，結(jié)合圖論和本體知識表示方法，將特征項(xiàng)與語義領(lǐng)域的關(guān)系用語義關(guān)聯(lián)圖來表示[12]。本文將語義關(guān)聯(lián)圖定義為一個(gè)以命名類概念為領(lǐng)域結(jié)點(diǎn)，以匿名類概念為非領(lǐng)域結(jié)點(diǎn)，不同的關(guān)系屬性為不同權(quán)值的語義鏈接邊的有向無環(huán)圖：G=。其中，V為有限非空的結(jié)點(diǎn)集合，集合中的每個(gè)結(jié)點(diǎn)對應(yīng)一個(gè)語義領(lǐng)域或非語義領(lǐng)域的文檔特征項(xiàng)；E為有向邊的集合，每個(gè)有向邊e(Vi,Vj)表示結(jié)點(diǎn)Vi和結(jié)點(diǎn)Vj語義關(guān)系。邊的指向代表2個(gè)特征項(xiàng)之間的隸屬關(guān)系，邊的權(quán)重表示結(jié)點(diǎn)之間的語義相關(guān)度。

為提高案例檢索速度和準(zhǔn)確度，在構(gòu)建系統(tǒng)知識庫時(shí)，針對每個(gè)結(jié)點(diǎn)設(shè)置一個(gè)可為空的特征標(biāo)志位，用以改善語義向量空間模型的加權(quán)方式，即根據(jù)案例集中的文檔特征來自定義加權(quán)。標(biāo)志位可用來記錄：

① 加權(quán)系數(shù)：特征項(xiàng)加有數(shù)值標(biāo)識時(shí)，根據(jù)給定的加權(quán)系數(shù)計(jì)算權(quán)重；

② 特征標(biāo)識：給案例集中的文檔加注“標(biāo)簽”標(biāo)識，在構(gòu)建特征向量時(shí)，根據(jù)標(biāo)識調(diào)節(jié)權(quán)重。

并約定多級領(lǐng)域結(jié)點(diǎn)的權(quán)重計(jì)算關(guān)系為：

(4)

(5)

現(xiàn)在假設(shè)文檔事先已有c個(gè)特征標(biāo)識，這些被標(biāo)識的特征項(xiàng)表示為s1,s2,…,sc，加權(quán)系數(shù)分別為θ1,θ2,…,θc，沒有標(biāo)識的特征項(xiàng)表示為sc+1,sc+2,…,sn,(c≤n)，則對應(yīng)的文本向量表示為：

(6)

自定義特征加權(quán)是根據(jù)實(shí)際需要設(shè)定，用來提高案例匹配相似度算法的自由度。

2.3案例語義相似度計(jì)算

由于基于余弦的相似度算法不受坐標(biāo)軸旋轉(zhuǎn)、放大和縮小的影響，適用于多維向量空間，故本文采用案例di和案例dj之間的特征向量夾角的余弦值來表示相似度。因此，2個(gè)案例之間的相似度可以表示為：

(7)

當(dāng)Sim(di,dj)≥γ(匹配閾值)時(shí)，表示案例di和案例dj是相似的，γ一般通過領(lǐng)域?qū)＜业慕?jīng)驗(yàn)來確定。用與2個(gè)案例都有關(guān)聯(lián)的語義領(lǐng)域作為案例之間的相似元，體現(xiàn)了語義對案例的影響，最后求得的相似度值可以近似代表2個(gè)案例在語義層次上的相似度。

2.4基于相似度匹配的故障診斷方法描述

對于一個(gè)新的目標(biāo)裝備故障，當(dāng)用戶按照要求輸入對故障的癥狀特征描述后，采用基于相似度匹配的故障診斷方法如下：

輸入：新的裝備故障特征描述，即目標(biāo)案例q；

輸出：被標(biāo)記的源案例；

步驟1：對q進(jìn)行分詞、去停用詞、提取概念及其關(guān)系等預(yù)處理；

步驟2：將q的預(yù)處理結(jié)果與本體庫中的概念進(jìn)行比對，通過式(4)和式(6)計(jì)算q的語義特征向量Vq；

步驟3：通過式(7)計(jì)算Vq與案例庫中源案例的語義特征向量的相似度Sim(q,di)；

步驟4：若Sim(q,di)≥γ，則案例di進(jìn)行標(biāo)記，并將標(biāo)記的案例集Q按照相似度從高到低的順序排列輸出；

Step5：若Q∈?，則調(diào)整閾值γ；若γ<β(最低相似度匹配閾值)，則輸出“沒有與目標(biāo)案例匹配的源案例”，算法結(jié)束；否則轉(zhuǎn)到步驟3。

3實(shí)驗(yàn)結(jié)果分析

本文以電子防護(hù)裝備故障診斷為例，計(jì)算案例庫中若干案例的相似度。針對本文提出的方法，分別設(shè)計(jì)2組實(shí)驗(yàn)：第1組實(shí)驗(yàn)采用傳統(tǒng)的向量空間模型計(jì)算案例間的相似度，第2組實(shí)驗(yàn)采用本文的基于語義特征向量空間模型的案例間的相似度。

故障實(shí)例1：席位軟件啟動后顯示無法連接服務(wù)器。

故障實(shí)例2：啟動席位軟件框架，輸入用戶名和密碼后，顯示無權(quán)限訪問。

故障實(shí)例3：文電流轉(zhuǎn)失敗。

故障實(shí)例4：席位應(yīng)用軟件無法正常啟動。

故障實(shí)例5：席位應(yīng)用軟件提示無法連接數(shù)據(jù)庫。

故障實(shí)例6：席位與服務(wù)器網(wǎng)絡(luò)連接失敗。

根據(jù)對案例集的分析以及結(jié)合領(lǐng)域本體庫的知識結(jié)構(gòu)，本文將故障案例表示為8維向量：G=[ZB，BJ，MK，ZT，DX，LX，SZ，BE]，ZB為故障裝備，BJ為故障部件，MK為故障模塊，ZT為故障出現(xiàn)時(shí)裝備所處的狀態(tài)或執(zhí)行的動作，DX為裝備動作的對象，LX為故障類型，SZ為數(shù)值類型的數(shù)據(jù)，BE為布爾類型的數(shù)據(jù)。針對某一具體的故障案例，部分維度的值可以為空。據(jù)此，將上述案例及其各維要素與所在語義領(lǐng)域的關(guān)聯(lián)權(quán)重進(jìn)行整理，如表2所示，括號內(nèi)的值為對應(yīng)特征項(xiàng)的語義關(guān)聯(lián)權(quán)重。

表2　案例的向量表示

按照VSM計(jì)算方法[13]，可得各故障實(shí)例的向量表示為：

D1= (0.240,0.280,0.482,0.482,0.633)

D2= (0.207,0.242,0.547,0.547,0.547)

D3= (0.244,0.644,0.644,0,0.334)

D4= (0.348,0.406,0.698,0,0.476)

D5= (0.256,0.299,0.514,0.676,0.353)

D6= (0.285,0.333,0.572,0.572,0.392)。

按照式(6)計(jì)算，可得各故障實(shí)例的語義特征向量表示為：

M1= (0.664,0.515,0.421,0.303,0.0.156)

M2= (0.716,0.502,0.334,0.264,0.235)

M3= (0.776,0.501,0.354,0,0.145)

M4= (0.764,0.527,0.348,0,0.129)

M5= (0.718,0.527,0.398,0.190,0.108)

M6= (0.70,0.528,0.414,0.204,0.102)。

再求兩兩向量之間相似度，如圖2所示。

圖2　兩兩向量之間的相似度

從圖2(a)～圖2(f)分別表示在同一向量空間中兩兩故障實(shí)例之間的相似度及不同向量空間之間的區(qū)別，例如圖2(a)表示實(shí)例1分別與實(shí)例1～實(shí)例6的相似度。由于實(shí)驗(yàn)故障均為指控裝備軟件故障，分析可知，實(shí)例1與實(shí)例2、實(shí)例5和實(shí)例6都出現(xiàn)與服務(wù)器的連接故障在語義上相似度較高；而實(shí)例3、實(shí)例4與其他實(shí)例的相似度較低，這與實(shí)驗(yàn)結(jié)果一致。

實(shí)驗(yàn)表明，基于領(lǐng)域本體的語義特征向量表示的實(shí)例之間的相似度高于傳統(tǒng)的向量表示，這與實(shí)例之間現(xiàn)實(shí)的語義關(guān)聯(lián)度一致，體現(xiàn)了采用基于SVSM的相似度算法優(yōu)點(diǎn)：一是對案例包含的概念進(jìn)行了規(guī)范，有效地起到了降維作用；二是充分考慮了文本信息的語義關(guān)聯(lián)，使得相似度的計(jì)算更加準(zhǔn)確。

4結(jié)束語

在裝備故障案例相似度計(jì)算中，傳統(tǒng)方法對中文文本特征項(xiàng)語義關(guān)聯(lián)度描述的缺乏，本文通過建立裝備故障領(lǐng)域本體庫，引入語義特征向量空間模型，給出了一種基于案例推理的電子防護(hù)裝備故障診斷算法。首先對特征項(xiàng)進(jìn)行預(yù)處理，然后結(jié)合本體庫計(jì)算各領(lǐng)域要素之間的語義關(guān)聯(lián)度，將案例表示成語義特征向量，最后采用特征向量夾角的余弦值來表示相似度，并通過實(shí)驗(yàn)證明了算法的有效性和可靠性。在后續(xù)的工作中，將重點(diǎn)研究通過案例間的相似度和屬性重要度進(jìn)行案例的約簡及案例庫的維護(hù)策略。

參考文獻(xiàn)

[1]SHOKOUHI S V,SKALLE P,AMODT A. An Overview of Case-based Reasoning Applications in Drilling Engineering[J]. Artificial Intelligence Review,2014,41(3):317-329.

[2]WONG F S Y,CHUAH K B,VENUVINOD P K. Automated Inspection Process Planning:Algorithmic Inspection Feature Recognition,and Inspection Case Representation for CBR[J]. Robotics and Computer-Integrated Manufacturing,2006,22(1):56-68.

[3]陸健江，張非亞，苗壯，等.語義網(wǎng)絡(luò)原理與技術(shù)[M].北京：科學(xué)出版社，2007.

[4]李煒卓，魏秀麗，黎檳華，等.基于受限領(lǐng)域本體的中文問句分析[J].計(jì)算機(jī)應(yīng)用，2013，33(S1)：94-97.

[5]奉國和，鄭偉.國內(nèi)中文自動分詞技術(shù)研究綜述[J].圖書情報(bào)工作，2011，5(2)：41-45.

[6]顧益軍.中文停用詞表的自動選取[J].北京理工大學(xué)學(xué)報(bào)，2005，25(4)：337-339.

[7]熊志斌，朱劍鋒，王冬.K-means聚類算法的研究和應(yīng)用[J].電腦編程技巧與維護(hù)，2014(8)：10-12.

[8]唐鵬欽，楊鵬，陳仲新，等.利用交叉信息熵模擬東北地區(qū)水稻種植面積空間分布[J].農(nóng)業(yè)工程學(xué)報(bào)，2013，29(17):96-104.

[9]吳昊，謝紅薇.基于本體和案例推理的高血壓診療系統(tǒng)的研究[J].計(jì)算機(jī)應(yīng)用與軟件，2013，30(12)：155-159.

[10]RYLEY F J,SAFFER J,Gibbs A. Advanced Document Retrieval Techniques for Patent Research[J]. World Patent Information,2008,30(3):238-243.

[11]FABRIZIO S. Machine Learning in Automated Text Categorization[J]. ACM Computing Surveys,2002,34(1):11-33.

[12]郝文寧，穆新國，陳剛，等.基于軍事訓(xùn)練本體的文檔向量空間模型構(gòu)建[J].計(jì)算機(jī)應(yīng)用，2012，32(S2)：10-12.

[13]柳玉，賁可榮.基于VSM的軟件故障案例相似性匹配算法研究[J].武漢理工大學(xué)學(xué)報(bào)，2010，32 (20)：189-193.

鄧興宇男，(1990—)，碩士研究生。主要研究方向：機(jī)器學(xué)習(xí)與人工智能。

胡雙演男，(1978—)，講師。主要研究方向：圖像處理和目標(biāo)識別。

作者簡介

中圖分類號TP391.3

文獻(xiàn)標(biāo)識碼A

文章編號1003-3106(2016)02-0031-05

收稿日期：2015-11-03

doi:10. 3969/j.issn. 1003-3106. 2016.02.08

引用格式：鄧興宇,胡雙演,李釗,等. 基于SVSM的裝備故障案例相似度匹配算法[J].無線電工程,2016,46(2):31-35.