工業(yè)生產(chǎn)中的知識自動化決策系統(tǒng)

陳曉方　吳仁超　桂衛(wèi)華

摘要：認為知識自動化是未來經(jīng)濟發(fā)展的顛覆性技術(shù)，為解決工業(yè)生產(chǎn)決策問題提供了新途徑。以一類鋁電解生產(chǎn)企業(yè)的兩級智能決策系統(tǒng)為例，對知識自動化決策系統(tǒng)的實現(xiàn)進行了說明，并對其體系結(jié)構(gòu)、知識庫構(gòu)建、決策算法和分級決策系統(tǒng)的設(shè)計進行了簡要說明。知識自動化決策有望為中國工業(yè)企業(yè)實現(xiàn)兩化深度融合提供新的重要契機，可能產(chǎn)生深遠的技術(shù)影響。

關(guān)鍵詞： 知識型工作自動化；決策支持系統(tǒng)；知識庫；系統(tǒng)設(shè)計

Abstract： Knowledge automation is a disruptive technology in the future and can be a new solution for industrial production decisions problem. An example of a two-level intelligent decision system for aluminum reduction plants is introduced briefly with its structure design， knowledge base construction， decision algorithms and two-level decision system. Knowledge automation decision-making may provide new favorite opportunity for deep integration of informationization and industrialization and produce profound influence.

Key words： knowledge work automation； decision-making support system； knowledge base； system design

1 知識自動化的提出

古典經(jīng)濟理論認為勞動力、土地和資本是經(jīng)濟發(fā)展的關(guān)鍵動因，而現(xiàn)代經(jīng)濟理論則更加看重人類知識的積累對于經(jīng)濟增長的促進作用。知識自動化的提出很大程度上源于知識型工作自動化的啟示。2009—2010年，美國的帕羅奧多研究中心討論了關(guān)于“知識型工作的未來”，并指出2020年知識型工作自動化將成為工業(yè)自動化革命后的又一次革命。美國麥肯錫全球研究院指出，知識型工作自動化是指用計算機來自動執(zhí)行之前只有人可以完成的知識型工作，該機構(gòu)于2013年在《顛覆性技術(shù)：先進技術(shù)將改變生活、商業(yè)和全球經(jīng)濟》報告中列舉了十二大改變經(jīng)濟和未來的顛覆性技術(shù)，其中知識型工作自動化位列第2。2015年11月，麥肯錫全球研究院非正式發(fā)布了知識自動化技術(shù)對于職業(yè)、公司機構(gòu)和未來工作的潛在影響的研究結(jié)果，圖1所示是收入高低與可自動化度的關(guān)聯(lián)圖，麥肯錫對將近800人的2 000技能工作進行了“可自動化性”評定，發(fā)現(xiàn)將近45%的工作能夠通過使用當(dāng)前已有的科學(xué)技術(shù)被自動化，超過20%的CEO工作也是可以實現(xiàn)知識自動化的。通過對知識自動化在一些產(chǎn)業(yè)中轉(zhuǎn)變業(yè)務(wù)流程的潛力進行分析，發(fā)現(xiàn)收益通常是成本的3～10倍。

2016年1月，谷歌AlphaGo[1]在圍棋上取得的勝利被認為是人工智能發(fā)展的新里程碑。圍棋博弈這類復(fù)雜分析、精確判斷和創(chuàng)新決策的知識型工作在過去被認為只有圍棋手這樣的知識型工作者才能完成。AlphaGo的成功引起的巨大社會影響，事實上具有三重含義：知識自動化在技術(shù)愿景上的可能性；人們對于知識自動化的潛在渴望；知識自動本身具有顛覆性的科學(xué)和經(jīng)濟意義。

在現(xiàn)代工業(yè)企業(yè)生產(chǎn)過程中，通過生產(chǎn)分工和自動化技術(shù)，體力型工作基本上已經(jīng)被自動化系統(tǒng)和機器替代，但目前復(fù)雜工業(yè)生產(chǎn)過程中涉及分析、判斷、決策的工作大部分還是要依靠人來完成。將來，得益于計算技術(shù)、機器學(xué)習(xí)、自然的用戶接口和自動化技術(shù)的蓬勃發(fā)展，越來越多的知識型工作也可以通過自動化技術(shù)由機器來完成，從而為知識型工作自動化提供了可能。

從自動化發(fā)展的歷程來看，工業(yè)自動化經(jīng)歷了機械自動化、電氣/儀表自動化、信息化幾個時代，知識在工業(yè)生產(chǎn)中的地位日益凸顯。知識自動化是工業(yè)自動化發(fā)展的新階段，是知識經(jīng)濟時代特征和智能化趨勢在工業(yè)自動化領(lǐng)域的映射，是復(fù)雜生產(chǎn)過程中工業(yè)化信息化深度融合的必然結(jié)果，有望為各行業(yè)帶來革命性變化。

2 工業(yè)生產(chǎn)決策中的知識

自動化

中國已經(jīng)是一個工業(yè)大國，但工業(yè)發(fā)展目前在資源、能源、環(huán)境方面受到嚴重制約，面臨著巨大的生產(chǎn)轉(zhuǎn)型升級壓力。如何依托智能化、信息化手段從將中國從工業(yè)大國發(fā)展成為智造強國是我們面臨的重大戰(zhàn)略課題。

2.1 知識型工作的地位

知識型工作在工業(yè)生產(chǎn)中起核心作用，現(xiàn)代大型工業(yè)生產(chǎn)中的決定性工作，例如：決策、計劃、調(diào)度、管理和操作等都是知識型工作[2]。處理這些工作時，知識型工作者需要統(tǒng)籌關(guān)聯(lián)與工作對應(yīng)的多領(lǐng)域、多層次知識，在各自的工作崗位上利用自己掌握的專業(yè)知識完成決策等知識型工作。例如，在運行優(yōu)化層，許多工業(yè)、企業(yè)操作參數(shù)的選擇設(shè)定以及流程的優(yōu)化控制都依賴工程師完成控制指令決策等知識型工作。在計劃調(diào)度層，調(diào)度員需要統(tǒng)籌考慮人、機、物、能源等各種生產(chǎn)要素知識及其時間空間分布等相關(guān)知識，通過調(diào)度流程管理系統(tǒng)協(xié)調(diào)各層級部門之間的生產(chǎn)計劃，完成能源資源配置、生產(chǎn)進度、倉儲物流、工作排班、設(shè)備管理等知識型工作。在管理決策層，高級管理者的經(jīng)營管理決策過程流程涉及企業(yè)內(nèi)部的生產(chǎn)狀況、外部市場環(huán)境以及相關(guān)法規(guī)政策標準等，而董事會通過相關(guān)流程審批這一系列經(jīng)營管理決策。

2.2 知識與決策系統(tǒng)

目前，隨著計算技術(shù)、機器學(xué)習(xí)、自然用戶接口和自動化技術(shù)的蓬勃發(fā)展，越來越多知識可以封裝到?jīng)Q策系統(tǒng)中，從而逐步形成一類蘊含知識的決策系統(tǒng)。許多國際知名的自動化系統(tǒng)供應(yīng)商研發(fā)了蘊含有知識的模型、軟件和系統(tǒng)，有些已得到應(yīng)用驗證。但是由于國際已有的知識決策系統(tǒng)的核心技術(shù)和算法的保密，以及難以完全適用解決中國特殊的工業(yè)生產(chǎn)問題，因此亟需提出針對中國現(xiàn)代工業(yè)生產(chǎn)所特有問題的知識決策系統(tǒng)。美國Honeywell公司在2002年推出了世界第一套的過程知識系統(tǒng)E-PKS，該系統(tǒng)是一個基于知識驅(qū)動應(yīng)用的、規(guī)模可變的、業(yè)務(wù)與制造智能平臺。2011年Honeywell公司陸續(xù)為流程工業(yè)推出了多種基于知識驅(qū)動應(yīng)用的工業(yè)自動化應(yīng)用軟件系統(tǒng)和服務(wù)，包括生產(chǎn)管理數(shù)據(jù)平臺Uniformance、生產(chǎn)執(zhí)行系統(tǒng)Business、FLEX，以及先進控制與優(yōu)化系統(tǒng)Profit、SuiteTM等，涉及化工、天然氣、生命科學(xué)等諸多領(lǐng)域。美國Aspentech公司推出的AspenDMC軟件運用框架式知識建立了流程知識模型，主要用于化工過程。德國西門子公司開發(fā)的SIMETALCIS VAIQ 計算機輔助質(zhì)量控制系統(tǒng)包括生產(chǎn)系統(tǒng)、知識庫系統(tǒng)、知識發(fā)現(xiàn)系統(tǒng)，利用靈活的知識庫組件為冶金專家及工藝流程工程師提供有關(guān)生產(chǎn)和產(chǎn)品質(zhì)量預(yù)測專門知識，通過詳細的過程和檢驗數(shù)據(jù)，促進冶金過程控制[3]的發(fā)展。法國ArcelormittalGent公司使用了統(tǒng)計過程控制（SPC）技術(shù)，該技術(shù)的核心特點是發(fā)現(xiàn)潛在數(shù)據(jù)知識。在長期的運行過程中，SPC技術(shù)通過定義與異常情況相關(guān)過程變量，將異常情況與過程變量聯(lián)系起來，可以快速診斷異常情況的根本原因，同時也可以促進系統(tǒng)內(nèi)部的知識生成，從而提高生產(chǎn)力。美國Gensym公司開發(fā)了實時專家系統(tǒng)平臺G2。作為智能故障診斷系統(tǒng)，G2系統(tǒng)封裝了專家知識組件對象，運用的知識關(guān)聯(lián)的推理引擎能夠?qū)崟r響應(yīng)大量的外部數(shù)據(jù)和事件，目前已廣泛應(yīng)用于石油化工、電力、航天、軍事等領(lǐng)域。這類蘊含知識的決策系統(tǒng)已經(jīng)產(chǎn)生了一定影響，但還缺乏系統(tǒng)的知識自動化決策方法與技術(shù)體系。

決策是管理者在一定的條件下，運用科學(xué)的方法對解決問題的方案進行研究和選擇的全過程。決策支持系統(tǒng)的概念最初是由Scott等在1971年整合了管理行為的分類和決策類型的描述而提出的。決策支持系統(tǒng)在發(fā)展過程中可以分為兩條路線：第一條是從Sprague提出的2庫結(jié)構(gòu)開始，逐漸發(fā)展到5個部件的4庫結(jié)構(gòu)組成，包括人機接口（對話系統(tǒng)）、數(shù)據(jù)庫、模型庫、知識庫和方法庫；另一條由Bonczek等人提出的3系統(tǒng)結(jié)構(gòu)，包括語言系統(tǒng)、問題處理系統(tǒng)、知識系統(tǒng)。傳統(tǒng)的決策支持系統(tǒng)（DSS）采用各種定量模型，對半結(jié)構(gòu)化和非結(jié)構(gòu)化決策問題提供支持，而群決策支持系統(tǒng)、分布式?jīng)Q策支持系統(tǒng)、智能決策支持系統(tǒng)已經(jīng)成為熱門的研究方向。3I 決策支持系統(tǒng)（3IDSS），即智能型、交互式、集成化決策支持系統(tǒng)，也吸引了學(xué)者的關(guān)注。在近些年的發(fā)展中，DSS不斷與各種新技術(shù)融合，比如數(shù)據(jù)倉庫、聯(lián)機分析處理、機器學(xué)習(xí)、數(shù)據(jù)挖掘、云計算、大數(shù)據(jù)等，促進決策支持系統(tǒng)在不同方向上的深入研究[4-7]。不過決策系統(tǒng)在工業(yè)生產(chǎn)中的應(yīng)用大多還只是針對工業(yè)、企業(yè)某些局部生產(chǎn)過程或者單一層級的決策問題來提供解決方案。

2.3 知識自動化決策

由于現(xiàn)代工業(yè)生產(chǎn)需要面對快速變化的市場需求、資源供應(yīng)、環(huán)保排放等諸多因素的綜合挑戰(zhàn)，從而造成了工況變化更加復(fù)雜，再加上現(xiàn)代工業(yè)具有生產(chǎn)規(guī)模增加和產(chǎn)能集中的顯著趨勢，使得現(xiàn)代工業(yè)生產(chǎn)對知識型工作的要求也越來越嚴苛。目前云平臺、移動計算、物聯(lián)網(wǎng)、大數(shù)據(jù)的新技術(shù)的出現(xiàn)使得工業(yè)環(huán)境中數(shù)據(jù)種類和規(guī)模迅速增加，以往工業(yè)生產(chǎn)中的知識型工作者根據(jù)少量關(guān)鍵指標依賴經(jīng)驗進行決策分析，現(xiàn)在面對新環(huán)境下海量的信息以個人有限的知識已經(jīng)感到力不從心。過去人工的知識決策方式嚴重依賴個別高水平知識型工作者，而個別高水平知識型工作者的決策制訂具有主觀性和不一致性。在決策反應(yīng)靈敏性和知識積累成本上人工決策也存在缺陷。因此工業(yè)生產(chǎn)過程中的知識型工作正面臨新的挑戰(zhàn)，只依賴知識型工作者是無法實現(xiàn)工業(yè)跨越式發(fā)展的。未來必須逐步擺脫對知識型工作者的傳統(tǒng)依賴，探索知識自動化以及知識自動化決策系統(tǒng)的解決之道。

知識自動化決策的實現(xiàn)當(dāng)然離不開在人工智能領(lǐng)域已有的知識獲取、表示、關(guān)聯(lián)推理等大量研究積累。許多研究者在知識獲取方面提出了一系列方法，例如粗糙集[8]、決策樹[9-10]、神經(jīng)網(wǎng)絡(luò)[11-12]、群智能算法[13-14]等。在知識表示方面，謂詞邏輯[15-16]、產(chǎn)生式規(guī)則[17]、語義網(wǎng)絡(luò)[18-19]等方法是主要的研究熱點。知識關(guān)聯(lián)推理方法主要有關(guān)聯(lián)規(guī)則[20-21]、案例推理[22-23]、語義推理、非精確推理等。這些方法對實現(xiàn)知識自動化決策有重要參考價值，但目前還缺少面向工業(yè)決策問題的從數(shù)據(jù)、知識到自動化決策的整體設(shè)計和技術(shù)方案。

3 知識自動化決策系統(tǒng)

3.1 問題分析

在設(shè)計構(gòu)建面向工業(yè)生產(chǎn)的知識自動化決策系統(tǒng)時，應(yīng)當(dāng)基于知識自動化方法解決3個問題：局部點的知識自動化決策問題；基于知識的決策業(yè)務(wù)流程優(yōu)化問題；知識自動化決策環(huán)境和支撐技術(shù)問題。解決這3個問題，就能夠保證利用知識高效完成局部決策的同時，盡可能地改善整體決策機制，可以使得工業(yè)生產(chǎn)的決策流程達到全局優(yōu)化。知識自動化決策系統(tǒng)需要發(fā)現(xiàn)和解決生產(chǎn)、管理、調(diào)度流程中的關(guān)鍵決策點的決策問題，并從每個特定的決策流程以及其中涉及的知識型工作者出發(fā)，基于知識優(yōu)化決策流程。各級決策調(diào)用的知識服務(wù)體系包括工業(yè)大數(shù)據(jù)支撐環(huán)境和知識表示、知識獲取、知識關(guān)聯(lián)/重組/推理等一系列知識自動化算法模型。

3.2 一類鋁電解生產(chǎn)知識自動化決策

系統(tǒng)的設(shè)計

以一類鋁電解生產(chǎn)企業(yè)的集團和分廠兩級智能決策系統(tǒng)設(shè)計為例，對知識自動化決策系統(tǒng)的實現(xiàn)進行說明，其體系結(jié)構(gòu)示意如圖2所示。該系統(tǒng)的硬件體系主要包括工業(yè)生產(chǎn)過程智能感知的工業(yè)物聯(lián)網(wǎng)、企業(yè)級大數(shù)據(jù)中心、按需服務(wù)的集團級大數(shù)據(jù)云服務(wù)中心等，從而實現(xiàn)集團級/企業(yè)級生產(chǎn)計劃業(yè)務(wù)的無縫集成和協(xié)同工作。系統(tǒng)中信息類型主要有物流信息、原始數(shù)據(jù)流、決策信息流和知識信息，其中蘊含了從原始數(shù)據(jù)集成為大數(shù)據(jù)，從大數(shù)據(jù)中獲取知識，從知識實現(xiàn)決策的一系列關(guān)鍵環(huán)節(jié)。這些關(guān)鍵環(huán)節(jié)實現(xiàn)都離不開基于知識自動化決策支持環(huán)境。

鋁電解生產(chǎn)兩級智能決策系統(tǒng)設(shè)計采用“挖掘提取、歸一協(xié)同、模型計算、分級決策”的思想實現(xiàn)生產(chǎn)知識自動化決策，其內(nèi)容主要包括以下幾個方面。

（1）體系架構(gòu)和環(huán)境設(shè)計。在工業(yè)大數(shù)據(jù)和云網(wǎng)絡(luò)平臺的支持下，基于資源管理實現(xiàn)內(nèi)容動態(tài)封裝，建立具有多維度和多粒度結(jié)構(gòu)的決策知識庫，并根據(jù)認知推理和動態(tài)演化機制實現(xiàn)推理計算，據(jù)此形成集團級生產(chǎn)規(guī)劃決策能力和企業(yè)級生產(chǎn)計劃決策能力，使之成為具備知識自動化和集成化能力的全覆蓋式智能決策服務(wù)系統(tǒng)。為了使鋁電解集團/企業(yè)具有全新的感知、分析和優(yōu)化決策能力，依托工業(yè)物聯(lián)網(wǎng)、企業(yè)級大數(shù)據(jù)中心、集團級大數(shù)據(jù)云服務(wù)中心等，在工業(yè)大數(shù)據(jù)環(huán)境下實現(xiàn)人與生產(chǎn)過程的高效協(xié)同，形成面向服務(wù)、透明和集成、按需使用的云制造決策支持平臺。

（2）基于知識獲取的知識庫構(gòu)建。按照鋁電解的生產(chǎn)決策實際需要，在知識庫中將包含結(jié)構(gòu)化和非結(jié)構(gòu)化特征的知識有效組織起來，實現(xiàn)知識的壓縮和精煉化。通過研究多源/異構(gòu)數(shù)據(jù)解碼與轉(zhuǎn)換、知識結(jié)構(gòu)化、基于學(xué)習(xí)的數(shù)據(jù)性知識提取、經(jīng)驗性領(lǐng)域知識提取方法等獲取知識的一致性表達。通過研究知識相似性度量、知識源可靠性和知識成熟度分析進行知識評價，并且標注其對于各種決策問題的知識關(guān)聯(lián)度，建立知識關(guān)系智能化標注。

（3）知識決策模型與算法的設(shè)計。通過基于學(xué)習(xí)的知識關(guān)系特征提取和基于領(lǐng)域知識的特征提取等方法，對模型中知識結(jié)構(gòu)進行演化、校正，以適應(yīng)知識關(guān)系的動態(tài)變化。對鋁電解生產(chǎn)分級決策系統(tǒng)來說，知識推理的結(jié)果需要針對不同推理計算對象進行識別和知識匹配。因此，知識推理核心就是構(gòu)建以推理問題為導(dǎo)向的分層求解器。算法庫中還包含知識庫的實時更新算法和演化方法。

（4）依托知識推理機制和決策支持環(huán)境實現(xiàn)兩級決策系統(tǒng)。這需要從集團級和企業(yè)級兩個層面進行考慮。在集團級，實現(xiàn)基于知識自動化的集團級管理決策、經(jīng)營決策、計劃決策、技術(shù)決策和生產(chǎn)決策，確定生產(chǎn)計劃；在企業(yè)級，需要根據(jù)下達的生產(chǎn)計劃實現(xiàn)基于知識的全流程智能決策，以生產(chǎn)計劃完成情況和生產(chǎn)指標為決策評價函數(shù)，優(yōu)化配置人員與設(shè)備，優(yōu)化調(diào)整生產(chǎn)系列總體技術(shù)方案，優(yōu)化能源和原材料供應(yīng)，實現(xiàn)快捷、高效與綠色生產(chǎn)。

4 結(jié)束語

隨著智能感知、云計算、大數(shù)據(jù)、工業(yè)互聯(lián)網(wǎng)等新興技術(shù)的快速發(fā)展，工業(yè)生產(chǎn)管理數(shù)據(jù)爆炸式增長，數(shù)據(jù)量已超出了人工決策和傳統(tǒng)決策支持系統(tǒng)處理的能力范圍，對現(xiàn)有決策方式在時效性、準確性、前瞻性、共享性等方面提出了新的挑戰(zhàn)。知識自動化是具有顛覆性的新技術(shù)，知識自動化決策有望為中國工業(yè)、企業(yè)實現(xiàn)轉(zhuǎn)型升級和兩化深度融合提供新的重要技術(shù)途徑，并可能產(chǎn)生深遠的技術(shù)影響。相關(guān)系統(tǒng)的研發(fā)對于形成適應(yīng)中國工業(yè)生產(chǎn)實際的智能工廠建設(shè)方案具有重要價值。知識自動化決策是多學(xué)科交叉的研究課題，涉及工業(yè)過程控制、計算機應(yīng)用、大數(shù)據(jù)與云計算、人工智能、決策支持系統(tǒng)等多個熱點領(lǐng)域知識，對多學(xué)科研究領(lǐng)域的拓寬、延伸和交匯將起到重要推動作用。

參考文獻

[1] SILVER D， HUANG A， MADDISON C J， et al. Mastering the Game of Go with Deep Neural Networks and Tree Search [J]. Nature， 2016， 529（7587）： 484-489

[2] 錢鋒. 以流程工業(yè)智能化助推“智造強國”. 聯(lián)合時報[N/OL]. http：//shszx. eastday. com/node2/node4810/node4851/node4852/u1ai95566. html

[3] AMARAL R R. A New SPC Tool in the Steelshop at ArcelorMittal Gent Designed to increase productivity [D]. Belguim： Ghent University， 2012

[4] WEN W， CHEN Y H， CHEN I C. A Knowledge-Based Decision Support System for Measuring Enterprise Performance [J]. Knowledge-Based Systems， 2008（21）： 148-163

[5] MUNOZ E， CAPON-GARCIA E， LAINEZ-AGUIRRE J M， et al. Using Mathematical Knowledge Management to Support Integrated Decision-Making in the Enterprise [J]. Computers and Chemical Engineering， 2014（66）： 139-150. DOI： 10.1016/j.compchemeng.2014.02.026

[6] ALALWAN J A， THOMAS M A， WEISTROFFER H R. Decision Support Capabilities of Enterprise Content Management Systems： An Empirical Investigation [J]. Decision Support Systems， 2014（68）： 39-48. DOI： 10.1016/j.dss.2014.09.002

[7] CHIOU S W. A Bi-Level Decision Support System for Uncertain Network Design with Equilibrium Flow [J]. Decision Support Systems， 2015（69）：50-58.DOI： 10.1016/j.dss.2014.12.004

[8] SHI F Q， SUN S Q， XU J. Employing Rough Sets and Association Rule Mining in KANSEI Knowledge Extraction [J]. Information Sciences， 2012（196）： 118-128. DOI： 10.1016/j.ins.2012.02.006

[9] BARROS R C， JASKOWIAK P A， CERRI R. et al. A Framework for Bottom-Up Induction of Oblique Decision Trees [J]. Neurocomputing， 2014（135）： 3-12. DOI： 10.1016/j.neucom.2013.01.067

[10] MANTAS C J， ABELLAN J. Credal-C4.5： Decision Tree Based on Imprecise Probabilities to Classify Moisy Data [J]. Expert Systems with Applications， 2014（41）： 4625-4637

[11] CHAN K Y， JIAN L. Identification of Significant Factors for Air Pollution Levels Using a Neural Network Based Knowledge Discovery System [J]. Neurocomputing， 2013（99）： 564-569. DOI： 10.1016/j.neucom.2012.06.003

[12] GUEERERO J I， LEON C， MONEDERO I， et al. Improving Knowledge-Based Systems with Statistical Techniques， Text Nining， and Neural Networks for Non-Technical Loss Detection [J]. Knowledge-Based Systems， 2014（71）： 376-388.DOI： 10.1016/j.knosys.2014.08.014

[13] GHANBARI A.， KAZEMI S M R， MEHMANPAZIR F， et al. A Cooperative Ant Colony Optimization-Genetic Algorithm Approach for Construction of Energy Demand Forecasting Knowledge-Based Expert Systems [J]. Knowledge-Based Systems， 2013（39）： 194-206. DOI： 10.1016/j.knosys.2012.10.017

[14] CHEN C H， KHOO L P， CHONG Y T， et al. Knowledge Discovery Using Genetic Algorithm for Maritime Situational Awareness [J]. Expert Systems with Applications， 2014（41）： 2742-2753.DOI： 10.1016/j.eswa.2013.09.042

[15] IKRAM A， QAMAR U. Developing an Expert System Based on Association Rules and Predicate Logic for Earthquake Prediction[J]. Knowledge-Based Systems， 2015（75）： 87-103. DOI： 10.1016/j.eswa.2013.09.042

[16] ZHANG J F， ZHAO X J， ZHANG S L， et al. Interrelation Analysis of Celestial Spectra Data Using Constrained Frequent Pattern Trees [J]. Knowledge-Based Systems， 2013（41）： 77-88.DOI： 10.1016/j.knosys.2012.12.013

[17] PRAT N， WATTIAU I C， AKOKA J. Combining Objects with Rules to Represent Aggregation Knowledge in Data Warehouse and OLAP Systems [J].Data&Knowledge Engineering， 2011（70）： 732-752

[18] LI J， QIN Q M， XIE C， et al. Integrated Use of Spatial and Semantic Relationships for Extracting Road Networks from Floating Car Data[J]. International Journal of Applied Earth Observation and Geoinformation， 2012（19）： 238-247

[19] IJINOH O， TAEHOON K， SUN P， et al. Efficient Semantic Network Construction with Application to PubMed Searc h[J]. Knowledge-Based Systems， 2013（39）： 185-193. DOI： 10.1016/j.knosys.2012.10.019

[20] HAN M， CAO Z J. An Improved Case-Based Reasoning Method and Its Application in Endpoint Prediction of Basic Oxygen Furnace [J]. Neurocomputing， 2015（149）：1245-1252. DOI： 10.1016/j.neucom.2014.09.003

[21] YAN A J， QIAN L M， ZHANG C X. Memory and Forgetting： An Improved Dynamic Maintenance Method for Case-Based Reasoning[J]. Information Sciences 2014（287）： 50-60. DOI： 10.1016/j.ins.2014.07.040

[22] MARLING C， MONTANI S， BICHINDARITZ I， et al. Synergistic Case-Based Reasoning in Medical Domains [J]. Expert Systems with Applications， 2014（41）： 249-259. DOI： 10.1016/j.eswa.2013.05.063

[23] YAN A J， SHAO H S， GUO Z. Weight Optimization for Case-Based Reasoning Using Membrane Computing [J]. Information Sciences， 2014（287）： 109-120. DOI： 10.1016/j.ins.2014.07.043