[发明专利]基于描述逻辑和案例推理的智能学习方法

摘要

本发明公开一种基于描述逻辑和案例推理的智能学习方法，先对案例的属性采用基于描述逻辑的相似度计算方法对文字属性和数值属性的分别计算，给出相似度匹配初步结果；后利用蚁群算法中的信息素权重自适应更新及分配策略和案例推荐建立联系；通过使用对学习主体的学习等级和问题等级划分，对处于不同学习阶段的学习主体能够给出其所在等级的案例推荐；最后分别对以上方法的计算结果分别赋予不同的权值，综合计算出案例之间的相似度；通过综合相似度从案例库中给出对于当前问题案例的最优解决方案的列表，供学习主体选择。这样就可使学习者快速地从其所遇到的错误中进行学习。

主权项

基于描述逻辑和案例推理的智能学习方法，其特征是包括如下步骤：步骤1，将学习者遇到的问题即新案例作为输入，采用基于描述逻辑的相似度计算方法，计算新案例与源案例库中的每个源案例的文字和数值属性相似度Sim(A,B)，并根据计算所得的文字和数值属性相似度Sim(A,B)对源案例库中的源案例进行排序；步骤2，从源案例库中选取m个文字和数值属性相似度高的源案例作为被检索案例，源案例库中的其余源案例作为非检索案例；m为设定的≥1的正整数；将源案例库中的被检索案例放入检索案例集合RC中，并减小源案例库中的非检索案例的重用频度属性值；步骤3，从检索案例集合RC中的被检索案例中确定一个重用案例，该重用案例中的解决方案能够最好的解决新案例中遇到的问题，检索案例集合RC中的其余被检索案例作为非重用案例；增大案例集合RC中的重用案例的重用频度属性值，并减小非重用案例的重用频度属性值；步骤4，利用正态分布的相似对计算方法，计算新案例与源案例库中的每个源案例的阶段相似度Rdis(A,B)；步骤5，计算新案例与源案例库中的每个源案例的综合相似度Simtotal(A,B)，即Simtotal(A,B)＝α·Sim(A,B)+β·L(B)+γ·Rdis(A,B)其中，Sim(A,B)为新案例与源案例的文字和数值属性相似度，α为设定的该文字和数值属性相似度的权重；L(B)为源案例的重用频度属性值，β为设定的该重用频度属性值的权重；Rdis(A,B)为新案例与源案例的阶段相似度，γ为设定的阶段相似度的权重；α,β,γ∈[0,1]且α+β+γ＝1；步骤6，根据计算所得的新案例与源案例的综合相似度Simtotal(A,B)，对源案例库中的源案例进行排序，排序后的源案例库作为本次学习问题的结果输出。