衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)中實(shí)例檢索算法研究

臧 晶，李成華，田 野

(1. 沈陽(yáng)農(nóng)業(yè)大學(xué)工程學(xué)院，沈陽(yáng) 110866；2. 沈陽(yáng)理工大學(xué)信息科學(xué)與工程學(xué)院，沈陽(yáng) 110159；3. 沈陽(yáng)理工大學(xué)機(jī)械工程學(xué)院，沈陽(yáng) 110159)

0 引 言

基于實(shí)例推理(Case-based reasoning，CBR)的智能設(shè)計(jì)方法的關(guān)鍵在于修改成熟的設(shè)計(jì)實(shí)例，以完成新設(shè)計(jì),而修改的前提是檢索得到相似實(shí)例集，因而高性能的實(shí)例檢索算法成為CBR設(shè)計(jì)領(lǐng)域的研究重點(diǎn)。

文獻(xiàn)[1]研究了多級(jí)實(shí)例檢索算法，提出最鄰近法計(jì)算多級(jí)實(shí)例相似度，文獻(xiàn)[2]提出了分類檢索方法，同樣利用最鄰近法計(jì)算實(shí)例相似度，這兩種算法具有較低的計(jì)算復(fù)雜度，但是只考慮了少數(shù)類型屬性相似度的計(jì)算問(wèn)題，因此適用范圍有限；文獻(xiàn)[3]主要針對(duì)水庫(kù)建設(shè)領(lǐng)域中的特殊應(yīng)用，研究了多級(jí)實(shí)例分類檢索方法，提高了檢索效率和準(zhǔn)確性，但該算法中沒(méi)有考慮由屬性權(quán)重歸一化導(dǎo)致的屬性權(quán)重區(qū)分度小的問(wèn)題，以及該問(wèn)題對(duì)設(shè)計(jì)結(jié)果的精度影響。

目前許多成熟的實(shí)例檢索算法以用戶需求為檢索參數(shù)，以混合相似度模型為檢索依據(jù)，進(jìn)行檢索。這些算法在一定范圍內(nèi)已經(jīng)得到了有效檢驗(yàn)及應(yīng)用。文獻(xiàn)[4]提出了一種面向五種不同數(shù)據(jù)格式的混合相似度檢索模型，該模型考慮了多種數(shù)據(jù)格式的相似計(jì)算方法，適應(yīng)領(lǐng)域廣泛，但是該算法未考慮在相似計(jì)算之前降低數(shù)據(jù)格式的復(fù)雜性，因此算法復(fù)雜度高；文獻(xiàn)[5]提出了基于混合相似度模型的變壓器設(shè)計(jì)案例檢索算法，準(zhǔn)確性較高，但未研究需求在設(shè)計(jì)過(guò)程中反復(fù)變化的問(wèn)題。

上述研究中，大多未考慮需求處理的復(fù)雜度問(wèn)題，以及該問(wèn)題對(duì)設(shè)計(jì)結(jié)果的后續(xù)影響。而隨著衛(wèi)星技術(shù)[6-8]和現(xiàn)代農(nóng)業(yè)的發(fā)展，衛(wèi)星遙感和陸地傳感器技術(shù)可以實(shí)測(cè)農(nóng)作物的生長(zhǎng)指標(biāo)、生長(zhǎng)環(huán)境等參數(shù)，這些參數(shù)可以在時(shí)間、空間上補(bǔ)充傳統(tǒng)需求調(diào)查方式的不足，一定程度上解決了需求處理復(fù)雜的問(wèn)題，為實(shí)現(xiàn)農(nóng)業(yè)全領(lǐng)域信息化、智慧化提供技術(shù)支撐[9-11]。因此，本文將衛(wèi)星遙感技術(shù)應(yīng)用到鏟式播種機(jī)需求采集過(guò)程，設(shè)計(jì)了一個(gè)衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)。在該系統(tǒng)中，采用遙感實(shí)測(cè)需求參數(shù)優(yōu)化播種機(jī)設(shè)計(jì)需求問(wèn)題，同時(shí)也優(yōu)化了混合相似度算法，降低了計(jì)算復(fù)雜度，并將優(yōu)化后的混合相似度算法運(yùn)用到鏟式播種機(jī)多級(jí)實(shí)例檢索過(guò)程，在提高檢索準(zhǔn)確度的同時(shí)，保證了新設(shè)計(jì)的可修改性，提高了設(shè)計(jì)過(guò)程的智能性。

1 衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)的核心結(jié)構(gòu)設(shè)計(jì)

本文結(jié)合衛(wèi)星傳感器網(wǎng)絡(luò)、移動(dòng)網(wǎng)絡(luò)與遠(yuǎn)程數(shù)據(jù)庫(kù)技術(shù)，設(shè)計(jì)和建立了一個(gè)衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)，該系統(tǒng)能夠利用作物生長(zhǎng)狀況、土壤條件等參數(shù)的遙感監(jiān)測(cè)結(jié)果優(yōu)化農(nóng)業(yè)機(jī)械的智能設(shè)計(jì)，其核心部分是基于遙感監(jiān)測(cè)參數(shù)控制的農(nóng)機(jī)智能設(shè)計(jì)平臺(tái)，其結(jié)構(gòu)如圖1所示。

圖1 遙感監(jiān)測(cè)系統(tǒng)的農(nóng)機(jī)智能設(shè)計(jì)平臺(tái)Fig.1 Intelligent design platform for agricultural machineryin remote sensing monitoring system

圖1中，PC1為管理者終端，PC2為用戶及專家終端，PC3為研發(fā)者終端；Web服務(wù)器處理遠(yuǎn)程的用戶和設(shè)計(jì)者之間的數(shù)據(jù)交互；采集數(shù)據(jù)庫(kù)負(fù)責(zé)存儲(chǔ)經(jīng)網(wǎng)絡(luò)和協(xié)調(diào)器節(jié)點(diǎn)發(fā)送的、由陸空傳感器節(jié)點(diǎn)采集的各種參數(shù)；設(shè)計(jì)服務(wù)器負(fù)責(zé)處理農(nóng)機(jī)智能設(shè)計(jì)過(guò)程中遠(yuǎn)程專家和設(shè)計(jì)者的交互，提供設(shè)計(jì)的知識(shí)與規(guī)則，設(shè)計(jì)過(guò)程中涉及到的領(lǐng)域知識(shí)和可拓規(guī)則等被存儲(chǔ)到知識(shí)數(shù)據(jù)庫(kù)中；存儲(chǔ)服務(wù)器負(fù)責(zé)處理歷史實(shí)例的存儲(chǔ)和相似實(shí)例集的檢索、檢索實(shí)例的修改、新設(shè)計(jì)的虛擬測(cè)試等服務(wù)環(huán)節(jié)，這些環(huán)節(jié)中相應(yīng)的數(shù)據(jù)被存儲(chǔ)到實(shí)例數(shù)據(jù)庫(kù)。

該系統(tǒng)的優(yōu)勢(shì)在于，通過(guò)利用衛(wèi)星技術(shù)和傳感器技術(shù)，能夠在更大范圍內(nèi)快速、準(zhǔn)確地獲取設(shè)計(jì)需求，還可以使不同地域的專家和研發(fā)人員進(jìn)行遠(yuǎn)程交互，滿足了不同農(nóng)業(yè)環(huán)境下農(nóng)機(jī)研發(fā)者技術(shù)交流的需要，同時(shí)也能為異域環(huán)境變化對(duì)播種機(jī)設(shè)計(jì)的影響提供技術(shù)支持，進(jìn)行快速設(shè)計(jì)。

2 基于混合相似度的實(shí)例檢索模型設(shè)計(jì)

在衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)中，實(shí)例檢索算法是基于實(shí)例推理設(shè)計(jì)的關(guān)鍵技術(shù)之一[12]，即以采集處理后的設(shè)計(jì)需求為檢索條件獲得實(shí)例庫(kù)中的相似產(chǎn)品實(shí)例集合。本文提出了一種改進(jìn)的分類檢索和混合相似檢索融合的檢索模型，該模型在建立播種機(jī)多級(jí)實(shí)例數(shù)據(jù)庫(kù)的基礎(chǔ)上，實(shí)現(xiàn)方案實(shí)例的分類檢索與模塊實(shí)例的多級(jí)混合相似度檢索，如圖2所示。

圖2 基于可拓CBR的播種機(jī)實(shí)例檢索模型Fig.2 Planter case retrieval model based on extensional CBR

1)對(duì)融合監(jiān)控參數(shù)的新需求問(wèn)題進(jìn)行可拓分解。

2)以新需求的主題特征向量為依據(jù)，采用分類檢索方法確定新設(shè)計(jì)問(wèn)題的歸屬方案類別。

3)基于分解后的新需求問(wèn)題進(jìn)行多層級(jí)模塊的問(wèn)題特征匹配。

4)利用混合相似度方法計(jì)算新設(shè)計(jì)問(wèn)題與歷史實(shí)例各特征的相似度、各級(jí)模塊相似度。

5)基于相似度閾值檢索得到和目標(biāo)實(shí)例相似的各子級(jí)實(shí)例集(多級(jí)檢索)。

在本模型中，最主要的部分是多級(jí)實(shí)例庫(kù)的設(shè)計(jì)、多級(jí)實(shí)例集的相似檢索、以及檢索過(guò)程中混合相似度算法的設(shè)計(jì)，這也是目前研究的重點(diǎn)。

2.1 多級(jí)實(shí)例庫(kù)的結(jié)構(gòu)設(shè)計(jì)

基于鏟式播種機(jī)產(chǎn)品的設(shè)計(jì)過(guò)程，依據(jù)可拓分解變換原理和獨(dú)立性原理，本文將播種機(jī)歷史實(shí)例分解為方案物元實(shí)例、模塊物元實(shí)例、零件物元實(shí)例三種類型，相應(yīng)的播種機(jī)設(shè)計(jì)實(shí)例庫(kù)結(jié)構(gòu)為多層次結(jié)構(gòu)，匹配已有設(shè)計(jì)實(shí)例的層次性。

以分解得到的播種機(jī)多級(jí)實(shí)例庫(kù)為例，定義第r個(gè)子級(jí)實(shí)例庫(kù)的實(shí)例集合為

(1)

(2)

定義Z0為新問(wèn)題實(shí)例

Z0={x01,x02,…,x0i,…,x0m,y01,y02,…,y0j,…,y0n}

(3)

式中：Z0的問(wèn)題特征向量為Vp(1)。

2.2 方案實(shí)例分類檢索過(guò)程

在多級(jí)實(shí)例庫(kù)中，基于隸屬度函數(shù)進(jìn)行方案實(shí)例的分類檢索，其實(shí)質(zhì)是設(shè)計(jì)問(wèn)題屬性和第k類方案實(shí)例屬性的匹配。基于子空間法的基本思想，定義方案級(jí)實(shí)例向量空間的隸屬度函數(shù)F為

(4)

設(shè)播種機(jī)有M類方案實(shí)例集，利用分類隸屬度函數(shù)確定新需求問(wèn)題的歸屬類(假定為第K類)的過(guò)程為

1)根據(jù)新需求問(wèn)題構(gòu)建其主題特征Mp(1)和特征向量Vp(1)。

2)合并各實(shí)例的相同特征或相近特征，優(yōu)化方案級(jí)實(shí)例主題特征集Mp(1)和特征向量Vp(1)。

3)利用隸屬度函數(shù)F計(jì)算新設(shè)計(jì)問(wèn)題特征向量與不同類方案實(shí)例特征向量的隸屬度κ，在方案實(shí)例庫(kù)中檢索出新設(shè)計(jì)問(wèn)題的方案類別實(shí)例。

2.3 多級(jí)實(shí)例集的相似檢索

在確定新設(shè)計(jì)的方案類別基礎(chǔ)上，依次檢索多級(jí)實(shí)例庫(kù)中滿足新需求問(wèn)題的相似模塊實(shí)例集，相似零部件實(shí)例等，直至確定滿足新設(shè)計(jì)的結(jié)構(gòu)特征參數(shù)。文中設(shè)計(jì)了多層子級(jí)實(shí)例相似檢索的過(guò)程，分為兩個(gè)階段：設(shè)計(jì)問(wèn)題的多級(jí)模塊實(shí)例匹配階段和多級(jí)實(shí)例相似檢索階段。如圖3所示。

圖3 多級(jí)實(shí)例的相似檢索過(guò)程Fig.3 Similarity retrieval procedure of multi-level cases

(5)

K個(gè)模塊實(shí)例的問(wèn)題特征集合構(gòu)成第r級(jí)實(shí)例庫(kù)的全體特征集，表示為

(6)

K個(gè)模塊實(shí)例的問(wèn)題特征值集合構(gòu)成第r級(jí)實(shí)例庫(kù)的全體特征值集，表示為

(7)

第r級(jí)新設(shè)計(jì)實(shí)例的問(wèn)題特征集表示為

(8)

第r級(jí)新設(shè)計(jì)實(shí)例的問(wèn)題特征值集合表示為

(9)

匹配過(guò)程為

(1)對(duì)于滿足匹配要求的第r級(jí)子實(shí)例，將其作為其父級(jí)實(shí)例(第r-1級(jí)實(shí)例)的一個(gè)屬性。找到匹配的第r級(jí)子級(jí)實(shí)例庫(kù)中1個(gè)或多個(gè)子實(shí)例，作為第r+1子級(jí)實(shí)例的父級(jí)實(shí)例。

(2)將找到的全部匹配子級(jí)實(shí)例(r級(jí))，合并為其父級(jí)實(shí)例(第r-1級(jí)實(shí)例)的屬性，完成該層級(jí)模塊的匹配。

(3)判斷第r+1級(jí)子實(shí)例是否為特征級(jí)實(shí)例，若不是則繼續(xù)進(jìn)行第r+1級(jí)子實(shí)例與設(shè)計(jì)目標(biāo)(新需求)問(wèn)題的匹配過(guò)程，若是特征級(jí)實(shí)例則結(jié)束匹配。繼而通過(guò)按相似度檢索得到與新需求最貼近的各級(jí)實(shí)例(集)。

2)進(jìn)行多級(jí)實(shí)例相似檢索，其步驟為:

(1)利用混合相似度公式計(jì)算問(wèn)題實(shí)例(新需求問(wèn)題組成)與已有實(shí)例單個(gè)特征間的相似度。

(2)計(jì)算各子級(jí)實(shí)例綜合相似度，根據(jù)相似度數(shù)值的大小，選擇滿足相似度閾值要求的各級(jí)歷史子實(shí)例集。

(3)各級(jí)歷史子實(shí)例按層級(jí)關(guān)系組合，確定滿足相似度的多級(jí)實(shí)例。

播種機(jī)實(shí)例之間的相似程度由其所包含的播種機(jī)實(shí)例要素之間的相似程度決定，因此，本文分別研究播種機(jī)實(shí)例參數(shù)的結(jié)構(gòu)距離特征、可拓特征(包括形態(tài)、距離)的相似性計(jì)算方法，并通過(guò)賦予各個(gè)因素合適的權(quán)重系數(shù)，最終獲得播種機(jī)實(shí)例混合相似性計(jì)算方法。

3 多算法融合的混合相似性計(jì)算方法設(shè)計(jì)

實(shí)例間相似性計(jì)算是實(shí)現(xiàn)歷史實(shí)例修改變異的基礎(chǔ)，其本質(zhì)是識(shí)別新設(shè)計(jì)實(shí)例與歷史實(shí)例數(shù)據(jù)之間的差異性和相似性。文中提出了一種多算法融合的混合相似性計(jì)算方法，該方法在多級(jí)實(shí)例空間中將三種相似度計(jì)算方法按不同權(quán)重進(jìn)行多級(jí)融合，以提高全局相似度計(jì)算結(jié)果的準(zhǔn)確性，弱化其局限性。

以播種機(jī)二級(jí)實(shí)例庫(kù)為例，定義多算法融合的相似性計(jì)算過(guò)程如下：

1)計(jì)算底層實(shí)例庫(kù)中各子實(shí)例的單特征相似性，并同時(shí)對(duì)屬性賦予相應(yīng)的權(quán)重。

設(shè)λ(pki,x0i)表示第i個(gè)問(wèn)題特征pki和目標(biāo)實(shí)例問(wèn)題特征x0i之間的特征相似度，則λ(pki,x0i)可被定義為

λ(pki,p0i)=exp(-|d(pki,p0i)|)

(10)

式中：i表示問(wèn)題特征的序號(hào)(i=1,2,…，m)，m是每個(gè)實(shí)例問(wèn)題特征的數(shù)量；d(pki,x0i)表示第i個(gè)特征pki和目標(biāo)實(shí)例問(wèn)題特征x0i之間的特征差異度，其計(jì)算方法為：

(1)當(dāng)特征pki和目標(biāo)實(shí)例問(wèn)題特征x0i的值均為確定數(shù)時(shí)，即有pki=ai1，x0i=bi1，則采用基于距離模型的思想[13]計(jì)算特征之間的差異度d(pki,x0i)

d(pki,x0i)=|ai1-bi1|/Δmax

(11)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

(2)當(dāng)特征pki和目標(biāo)實(shí)例問(wèn)題特征x0i的值均為區(qū)間數(shù)時(shí)，即有pki∈[ai1,ai2]，x0i∈[bi1,bi2]，則采用基于區(qū)間-區(qū)間可拓距思想[14]計(jì)算特征之間的差異度d(pki,x0i):

d(pki,x0i)=

(12)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

(3)當(dāng)特征pki為確定數(shù)，目標(biāo)實(shí)例問(wèn)題特征x0i的值為區(qū)間數(shù)時(shí)，即有pki=ai1，x0i∈[bi1,bi2]，則采用基于點(diǎn)-區(qū)間可拓距思想[14]計(jì)算特征之間的差異度d(pki,x0i)

(13)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

本方法針對(duì)實(shí)例特征屬性值類型多樣性的特點(diǎn)，對(duì)分屬于不同類型值的特征采用不同的公式計(jì)算，提高了計(jì)算結(jié)果的準(zhǔn)確性。

2)對(duì)該子級(jí)實(shí)例的所有屬性，進(jìn)行統(tǒng)計(jì)求和，得到該子級(jí)實(shí)例與目標(biāo)實(shí)例的相似性結(jié)果為

(14)

3)計(jì)算多級(jí)實(shí)例庫(kù)中第k個(gè)子級(jí)實(shí)例物元的特征向量為(pk1,pk2,…,pki,…,pkm)，其所匹配的目標(biāo)實(shí)例物元特征向量為(p01,p02,…,p0i,…,p0m)，則第k個(gè)子級(jí)歷史實(shí)例與目標(biāo)實(shí)例的相似計(jì)算轉(zhuǎn)化為物元特征值序列的關(guān)聯(lián)度，為

(15)

式中：λgre(pki,p0i)為物元特征間的關(guān)聯(lián)系數(shù)，即

λgre(pki,p0i)=

(16)

式中:β為分辨系數(shù)，在本方法中取值為0.5。當(dāng)實(shí)例特征pki或p0i的值屬于區(qū)間值，在計(jì)算關(guān)聯(lián)度過(guò)程中，先取區(qū)間上限作為物元特征pki或p0i值，利用式(15)計(jì)算關(guān)聯(lián)系數(shù)ξ1，再取區(qū)間下限作為物元特征pki或p0i值，利用式(15)計(jì)算關(guān)聯(lián)系數(shù)ξ2，之后計(jì)算物元特征間的灰色關(guān)聯(lián)系數(shù)為

λgre(pki,p0i)=(ξ1+ξ2)/2

(17)

(18)

其中,wdis，wgre為權(quán)重，在本方法中取值為0.5。

5)計(jì)算目標(biāo)實(shí)例與第r級(jí)子級(jí)實(shí)例的混合相似度S為

(19)

與單一的相似度計(jì)算方法相比[15]，本文設(shè)計(jì)的混合相似度算法不僅兼顧歷史實(shí)例與新設(shè)計(jì)實(shí)例的不同格式，而且考慮了同一實(shí)例中多種數(shù)據(jù)格式的多相似度方法的融合，能夠適應(yīng)多樣化需求情況下的新農(nóng)機(jī)設(shè)計(jì)。

4 實(shí)例檢索算法的應(yīng)用分析

考慮以下類型的鏟式播種機(jī)：玉米1型(沈9729)播種機(jī)，玉米2型(鐵單12)播種機(jī)，玉米3型(丹2109)播種機(jī)，根據(jù)文獻(xiàn)[16]中的試驗(yàn)結(jié)果可知這三類播種機(jī)的主題特征為：沈9729種子重播率低，漏播率低，種距變異系數(shù)??；鐵單12重播率高，漏播率高，種距變異系數(shù)大；丹2109種子重播率一般，漏播率一般，種距變異系數(shù)不大[16]。構(gòu)建上述三種類別的鏟式播種機(jī)多級(jí)實(shí)例庫(kù)，即方案級(jí)實(shí)例庫(kù)、各模塊級(jí)實(shí)例庫(kù)和零件特征級(jí)實(shí)例庫(kù)，在實(shí)例庫(kù)中進(jìn)行分類實(shí)例檢索，過(guò)程如下：

1)合并鏟式播種機(jī)方案級(jí)實(shí)例的相同屬性，獲得主題特征集為{重播率低，漏播率低，種距變異系數(shù)小，重播率一般，漏播率一般，種距變異(土壤黏度)系數(shù)不大，重播率高，漏播率高，種距變異系數(shù)大}，并用多維特征向量表示為Vq(1)=(1,1,1,1,1,1,1,1,1)，1表示方案級(jí)實(shí)例屬性的存在性。

2)對(duì)于模糊語(yǔ)言描述的新需求，確定新需求問(wèn)題主題特征元(特征名特征值)集P(1)，P(1)={(重播率低)，(漏播率低)，(種距變異系數(shù)不大)}。

3)若已定義實(shí)例類存在新需求對(duì)應(yīng)的主題特征，則新需求的方案級(jí)屬性特征值為1。以種子類型為分類依據(jù)，并根據(jù)各特征元與方案級(jí)實(shí)例類關(guān)鍵屬性集的映射，確定新問(wèn)題特征值向量Vp(1)=(1,1,0,0,0,1,0,0,0)。

4)利用式(4)，計(jì)算新設(shè)計(jì)問(wèn)題特征向量Vp(1)與方案級(jí)實(shí)例主題特征向量空間的隸屬度κ，確定新問(wèn)題實(shí)例的類別隸屬度κ=(0.333,0.333,1)，并在所有方案級(jí)實(shí)例中利用新問(wèn)題隸屬度確定新設(shè)計(jì)問(wèn)題的類別歸屬。設(shè)閾值為0.76，可得新問(wèn)題歸屬于玉米3型播種機(jī)。

5) 確定與新設(shè)計(jì)需求問(wèn)題匹配的各級(jí)模塊實(shí)例集，依據(jù)玉米3型播種機(jī)方案實(shí)例確定其二級(jí)模塊包括排種器模塊、成穴器模塊、行走模塊以及驅(qū)動(dòng)模塊?；谏鲜龆?jí)模塊物元，確定二級(jí)模塊的特征集合為{分種，排種，成穴，能量轉(zhuǎn)化，驅(qū)動(dòng)行走}；采用可拓分解方法確定新需求分解得到的結(jié)果，二級(jí)新問(wèn)題特征集P2={分種，排種，成穴，行走}。在此基礎(chǔ)上，利用式(5)～(9)，將二級(jí)新問(wèn)題特征集與二級(jí)模塊特征集進(jìn)行匹配，新設(shè)計(jì)問(wèn)題被完全匹配，從而得到與新需求問(wèn)題匹配的排種器模塊實(shí)例集、成穴器模塊實(shí)例集、轉(zhuǎn)軸零件實(shí)例集。重復(fù)上述過(guò)程可依次確定與新設(shè)計(jì)問(wèn)題相對(duì)應(yīng)的其余各級(jí)模塊實(shí)例集以及零件級(jí)實(shí)例集。以成穴器模塊為例，重復(fù)上述過(guò)程得到與新需求問(wèn)題匹配的打穴鏟、輪盤、轉(zhuǎn)軸、鏟輪、螺栓模塊實(shí)例集。成穴器模塊實(shí)例是上述模塊實(shí)例的父級(jí)實(shí)例。

6) 以成穴器實(shí)例集為例，檢驗(yàn)基于混合相似度的多級(jí)實(shí)例檢索過(guò)程?；谀繕?biāo)實(shí)例的新需求問(wèn)題及其相對(duì)應(yīng)的各層級(jí)實(shí)例集，利用混合相似度模型首先計(jì)算各特征間相似度，再計(jì)算零件綜合相似度和成穴器模塊相似度，最終確定和目標(biāo)問(wèn)題實(shí)例相似的子級(jí)歷史實(shí)例集。

選擇成穴器模塊以及鏟輪、轉(zhuǎn)軸、螺栓三個(gè)零部件實(shí)例的9個(gè)特征屬性信息分別為：A1輪盤直徑(mm)，A2鏟輪孔數(shù)，A3打穴鏟高度(mm)，A4打穴鏟厚度(mm)，A5打穴鏟寬度(mm)，A6轉(zhuǎn)軸外徑(mm)，A7孔內(nèi)徑(mm)，A8螺栓厚度(mm)，A9螺栓外徑(mm)，在本案例的計(jì)算分析中各參數(shù)設(shè)置如表1所示。在實(shí)際應(yīng)用中，為了提高計(jì)算準(zhǔn)確率，鏟輪特征參數(shù)一般是通過(guò)對(duì)衛(wèi)星遙感監(jiān)測(cè)獲得的行距需求數(shù)據(jù)進(jìn)行可拓增刪變換后得到。選取7個(gè)實(shí)例用于計(jì)算。

目標(biāo)實(shí)例中新需求問(wèn)題與鏟輪、轉(zhuǎn)軸、螺栓三個(gè)子實(shí)例的相似度計(jì)算結(jié)果由相似度矩陣M31，M32，M33表示，計(jì)算過(guò)程如下：

(1)對(duì)于實(shí)例1，3，4，6，7，屬性A1，A2，A3，A4，A5取值為確定值，新需求p0i是一個(gè)區(qū)間數(shù)，所以采用點(diǎn)-區(qū)間可拓距公式計(jì)算相似度，計(jì)算結(jié)果為矩陣M31的第1、3、4、6、7列。

(2)對(duì)于實(shí)例2，屬性A1，A2，A5取值為確定值，新需求p0i取值為區(qū)間數(shù)，采用點(diǎn)-區(qū)間可拓距公式計(jì)算相似度；A3，A4取值為區(qū)間數(shù)，采用區(qū)間-區(qū)間可拓距公式計(jì)算相似度，計(jì)算結(jié)果為矩陣M31的第2列。

表1 成穴器二級(jí)實(shí)例及其子實(shí)例的特征屬性Table 1 Attributes of the 2nd case of soil-opener and its sub-cases

(3)對(duì)于實(shí)例5，屬性A1，A2取值為確定值，新需求p0i取值為區(qū)間數(shù)，采用點(diǎn)-區(qū)間可拓距公式計(jì)算相似度；A3，A4，A5取值為區(qū)間數(shù)，采用區(qū)間-區(qū)間可拓距公式計(jì)算相似度，計(jì)算結(jié)果為矩陣M31的第5列。

(4)對(duì)于全部實(shí)例，轉(zhuǎn)軸、螺栓的所有特征屬性為確定值，均采用距離模型計(jì)算相似度，計(jì)算結(jié)果分別為矩陣M32，M33。

三級(jí)子實(shí)例的屬性權(quán)重分別設(shè)置為：

w31=(0.251,0.275,0.273,0.100,0.101)，w32=(0.533,0.467)，w33=(0.367,0.633)。

λ31=(0.9411,0.5450,0.5962,0.8527,0.5759,0.7570,0.8090)，

λ32=(0.8852,0,7129,0.7067,0.9181,0.5173,0.5173,0.7785)，

λ33=(1.0000,0.7290,0.7495,1.0000,0.7955,0.6600,0.7290)。

鏟輪、轉(zhuǎn)軸、螺栓的實(shí)例權(quán)重由經(jīng)驗(yàn)給出為w3=(0.5,0.4,0.1)，基于鏟輪、轉(zhuǎn)軸、螺栓的三級(jí)子實(shí)例的相似度，依據(jù)式(19)計(jì)算成穴鏟二級(jí)實(shí)例和目標(biāo)實(shí)例的綜合相似度為

S=(0.9246,0.6306,0.6557,0.8936,0.5744,0.6514,0.7888)

由計(jì)算結(jié)果可以看出，產(chǎn)品實(shí)例的相似度由大到小排序?yàn)閷?shí)例1，實(shí)例4，實(shí)例7，實(shí)例3，實(shí)例6，實(shí)例2，實(shí)例5，其中實(shí)例1，實(shí)例4相似矩陣的準(zhǔn)確性最高，設(shè)計(jì)人員可以參考實(shí)例1和實(shí)例4的參數(shù)結(jié)構(gòu)進(jìn)行新播種機(jī)的設(shè)計(jì)。由此可知，在實(shí)例的特征值數(shù)據(jù)類型多樣化的情況下，本方法能夠有效地檢索出相似度高、參數(shù)變化協(xié)調(diào)的歷史實(shí)例，有利于實(shí)例修改、完成新設(shè)計(jì)，提高了檢索結(jié)果的可用性。

5 結(jié) 論

本文設(shè)計(jì)了衛(wèi)星遙感農(nóng)業(yè)監(jiān)測(cè)系統(tǒng)，在該系統(tǒng)中采用衛(wèi)星遙感等技術(shù)動(dòng)態(tài)準(zhǔn)確地監(jiān)測(cè)土壤、農(nóng)作物生長(zhǎng)過(guò)程中的一些參數(shù)，以調(diào)整設(shè)計(jì)需求，并重點(diǎn)研究了多樣化需求控制下的實(shí)例檢索模型，并將算法運(yùn)用到鏟式播種機(jī)設(shè)計(jì)過(guò)程中。本文檢索模型的核心是融合分類檢索和多級(jí)混合相似度計(jì)算方法，實(shí)現(xiàn)播種機(jī)多級(jí)實(shí)例集檢索，其優(yōu)勢(shì)如下：

1)利用隸屬度分類檢索方法確定新問(wèn)題的歸屬類，在類內(nèi)檢索相似實(shí)例，提高了檢索的效率和檢索結(jié)果的可用性。

2)采用基于不同型特征及特征值的多種相似計(jì)算方法，實(shí)現(xiàn)了多種單一相似計(jì)算方法的優(yōu)化組合；建立多級(jí)實(shí)例檢索的過(guò)程，實(shí)現(xiàn)了基于混合相似度計(jì)算的多級(jí)檢索，提高檢索結(jié)果的可用性。

3)對(duì)于歷史實(shí)例的屬性值與目標(biāo)實(shí)例的屬性值在數(shù)據(jù)類型上存在較大差異的情況，本方法同樣能夠有效地區(qū)分播種機(jī)實(shí)例之間的相似程度，為進(jìn)一步研究如何將形態(tài)相似性和幾何相似性的計(jì)算方法融合至結(jié)構(gòu)相似性提供研究基礎(chǔ)。