陳曉方　吳仁超　桂衛(wèi)華

摘要：認(rèn)為知識自動化是未來經(jīng)濟(jì)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(shí)現(xiàn)進(jìn)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(jì)進(jìn)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(shí)現(xiàn)兩化深度融合提供新的重要契機(jī)，可能產(chǎn)生深遠(yuǎn)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(jì)

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(jì)理論認(rèn)為勞動力、土地和資本是經(jīng)濟(jì)發(fā)展的關(guān)鍵動因，而現(xiàn)代經(jīng)濟(jì)理論則更加看重人類知識的積累對于經(jīng)濟(jì)增長的促進(jìn)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(jì)算機(jī)來自動執(zhí)行之前只有人可以完成的知識型工作，該機(jī)構(gòu)于2013年在《顛覆性技術(shù)：先進(jìn)技術(shù)將改變生活、商業(yè)和全球經(jīng)濟(jì)》報(bào)告中列舉了十二大改變經(jīng)濟(jì)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(jī)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(jìn)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(shí)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(jìn)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(rèn)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(rèn)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(shí)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(jì)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(jī)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(jì)算技術(shù)、機(jī)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(jī)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(jī)械自動化、電氣/儀表自動化、信息化幾個(gè)時(shí)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(jì)時(shí)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(gè)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(yán)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(qiáng)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(jì)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(shí)，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(yùn)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(jì)劃調(diào)度層，調(diào)度員需要統(tǒng)籌考慮人、機(jī)、物、能源等各種生產(chǎn)要素知識及其時(shí)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(jì)劃，完成能源資源配置、生產(chǎn)進(jìn)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(biāo)準(zhǔn)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(jì)算技術(shù)、機(jī)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(yùn)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(yùn)含有知識的模型、軟件和系統(tǒng)，有些已得到應(yīng)用驗(yàn)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(gè)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(jìn)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(yùn)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(jì)算機(jī)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(xì)的過程和檢驗(yàn)數(shù)據(jù)，促進(jìn)冶金過程控制[3]的發(fā)展。法國ArcelormittalGent公司使用了統(tǒng)計(jì)過程控制（SPC）技術(shù)，該技術(shù)的核心特點(diǎn)是發(fā)現(xiàn)潛在數(shù)據(jù)知識。在長期的運(yùn)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(shí)也可以促進(jìn)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(shí)時(shí)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(yùn)用的知識關(guān)聯(lián)的推理引擎能夠?qū)崟r(shí)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(yùn)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(yùn)用科學(xué)的方法對解決問題的方案進(jìn)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(gè)部件的4庫結(jié)構(gòu)組成，包括人機(jī)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(jī)分析處理、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、云計(jì)算、大數(shù)據(jù)等，促進(jìn)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(yán)苛。目前云平臺、移動計(jì)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(biāo)依賴經(jīng)驗(yàn)進(jìn)行決策分析，現(xiàn)在面對新環(huán)境下海量的信息以個(gè)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(yán)重依賴個(gè)別高水平知識型工作者，而個(gè)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(shí)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(shí)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(diǎn)。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(shí)現(xiàn)知識自動化決策有重要參考價(jià)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(jì)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(jì)構(gòu)建面向工業(yè)生產(chǎn)的知識自動化決策系統(tǒng)時(shí)，應(yīng)當(dāng)基于知識自動化方法解決3個(gè)問題：局部點(diǎn)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(gè)問題，就能夠保證利用知識高效完成局部決策的同時(shí)，盡可能地改善整體決策機(jī)制，可以使得工業(yè)生產(chǎn)的決策流程達(dá)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(diǎn)的決策問題，并從每個(gè)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(jì)

以一類鋁電解生產(chǎn)企業(yè)的集團(tuán)和分廠兩級智能決策系統(tǒng)設(shè)計(jì)為例，對知識自動化決策系統(tǒng)的實(shí)現(xiàn)進(jìn)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(tuán)級大數(shù)據(jù)云服務(wù)中心等，從而實(shí)現(xiàn)集團(tuán)級/企業(yè)級生產(chǎn)計(jì)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(yùn)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(shí)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(shí)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(jì)采用“挖掘提取、歸一協(xié)同、模型計(jì)算、分級決策”的思想實(shí)現(xiàn)生產(chǎn)知識自動化決策，其內(nèi)容主要包括以下幾個(gè)方面。

（1）體系架構(gòu)和環(huán)境設(shè)計(jì)。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(shí)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(rèn)知推理和動態(tài)演化機(jī)制實(shí)現(xiàn)推理計(jì)算，據(jù)此形成集團(tuán)級生產(chǎn)規(guī)劃決策能力和企業(yè)級生產(chǎn)計(jì)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(tuán)/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(tuán)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(shí)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(shí)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(shí)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(yàn)性領(lǐng)域知識提取方法等獲取知識的一致性表達(dá)。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(jìn)行知識評價(jià)，并且標(biāo)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(biāo)注。

（3）知識決策模型與算法的設(shè)計(jì)。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(jìn)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(jì)算對象進(jìn)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(shí)時(shí)更新算法和演化方法。

（4）依托知識推理機(jī)制和決策支持環(huán)境實(shí)現(xiàn)兩級決策系統(tǒng)。這需要從集團(tuán)級和企業(yè)級兩個(gè)層面進(jìn)行考慮。在集團(tuán)級，實(shí)現(xiàn)基于知識自動化的集團(tuán)級管理決策、經(jīng)營決策、計(jì)劃決策、技術(shù)決策和生產(chǎn)決策，確定生產(chǎn)計(jì)劃；在企業(yè)級，需要根據(jù)下達(dá)的生產(chǎn)計(jì)劃實(shí)現(xiàn)基于知識的全流程智能決策，以生產(chǎn)計(jì)劃完成情況和生產(chǎn)指標(biāo)為決策評價(jià)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(shí)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(jì)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(shí)效性、準(zhǔn)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(shí)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(yuǎn)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(shí)際的智能工廠建設(shè)方案具有重要價(jià)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(jì)算機(jī)應(yīng)用、大數(shù)據(jù)與云計(jì)算、人工智能、決策支持系統(tǒng)等多個(gè)熱點(diǎn)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(xiàn)

[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(qiáng)國”. 聯(lián)合時(shí)報(bào)[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