基于案例的推理(CBR)是最近二十多年来发展起来的区别于基于规则推理的一种新的推理模式,它是一种重要的基于知识的问题求解和学习方法,强调了人类对过去经验和前人智慧的重现。人工神经网络(ANN)可以用来模仿专家的形象思维,它的许多优点使得CBR与ANN之间存在某种自然联系,在很多方面两者具有互补性。因此利用ANN的技术和模型来实现CBR可以取得良好的推理效果。 本文首先回顾了CBR的发展历程,并介绍了CBR的研究现状、特点及应用领域,详细讨论了CBR方法的基本原理和关键技术。接着介绍了ANN基本原理和模型技术,并从CBR的案例检索、案例库维护及案例调整三个方面探讨了ANN与CBR之间的可结合性。 对于CBR中的案例库维护,本文采用基于模式归纳维护策略中的聚类分析进行案例库的相关维护工作。在对相关基本概念介绍及各种聚类算法讨论的基础上,形成了本文的模糊修剪聚类算法,实验验证结果表明,该算法具有可行性并能取得较好的结果。在对案例库进行聚类分析的基础上,讨论了新案例库的构建问题。 基于ANN的相似案例检索方法具有检索速度与案例库的大小成非线性关系的特点。本文结合径向基函数(RBF)网络的特点和案例调整以及相似案例检索的实际需要,对RBF网络输出层进行了非线性化改进,并在案例库聚类分析的基础上,提出了基于RBF网络的相似案例检索模型,并给出了检索过程,实验验证证实了该检索模型的合理性。针对几种不同类型的问题,本文进行了相应的案例调整探讨。基于前面的研究结果,本文最后提出了基于ANN的CBR系统的框架模型。