沈 健，胡 潔，馬 進，彭穎紅

(上海交通大學機械與動力工程學院，上海 200240)

支持生物激勵設計的跨領域知識元聚類方法

沈 健，胡 潔，馬 進，彭穎紅

(上海交通大學機械與動力工程學院，上海 200240)

為了解決現(xiàn)有生物激勵設計過程存在的跨領域知識獲取難的問題，提出了面向生物激勵設計的基于功能特征語義相關性的功能語義聚類和基于環(huán)境特征約束適應性的環(huán)境約束聚類組成的兩階段知識元聚類算法。將生物激勵設計過程跨領域實例知識檢索問題轉化為對離散的生物領域或工程領域知識元的聚類檢索。根據(jù)跨領域術語知識表示的不同確定跨領域檢索功能詞，執(zhí)行基于功能特征語義相關性的功能語義的一階段聚類，結合生物領域功能與環(huán)境特征約束間的相關性，完成基于不同類型環(huán)境特征約束的二階段聚類。一方面，將模糊理論與模糊數(shù)學引入知識元聚類算法中，提出基于模糊隸屬度函數(shù)的語義相似度計算方法，實現(xiàn)了基于功能關鍵字的語義聚類；另一方面，將FCM聚類算法引入到知識元聚類過程中，結合給出的不同類型環(huán)境特征約束相似性算法，提出了AFCM算法，實現(xiàn)了基于環(huán)境特征約束適應性的環(huán)境約束聚類。最后，開發(fā)了相應的原型系統(tǒng)，并且以視覺假體裝置設計為例進行測試。結果表明，聚類時間和準確率得到極大改善，聚類效率得到顯著提升。該算法有效地避免了跨領域知識分布的離散性，減少了設計過程中研究對象的數(shù)量，能夠合理地獲取已有設計知識，為深入研究奠定了基礎。

知識工程；生物激勵設計；知識元；知識聚類；知識獲取

生物激勵設計是知識驅動系統(tǒng)化的設計方法，旨在通過對自然現(xiàn)象或生物系統(tǒng)的研究和模仿，建立系統(tǒng)化的跨領域知識類推方法，為工程領域的問題求解和技術創(chuàng)新提供靈感和啟發(fā)。根據(jù)設計過程中知識流動方向的不同，現(xiàn)有的生物激勵設計方法包括解驅動生物激勵設計和問題驅動生物激勵設計。解驅動創(chuàng)新設計利用生物領域已知的原理性知識，通過構建功能模型并以此為橋梁對工程領域進行知識建模、知識檢索、知識融合和類推重用，從而獲得滿意的工程領域物理解方案。問題驅動創(chuàng)新設計從給定工程領域設計問題出發(fā)，經由設計問題分析、功能模型構建、設計功能與生物領域原理解的功能映射構建，并將生物領域解方案移植到工程領域，獲得一組滿足產品功能需求的原理解[1]。

生物領域激勵源的獲取是生物激勵設計的先決條件，作為生物激勵設計的前提，其對后續(xù)的設計活動及設計質量有著決定性的影響。生物領域實例獲取旨在從工程領域問題描述出發(fā)，從生物領域尋求與工程問題相對應的類比實例，為工程領域的問題求解提供設計靈感。

目前系統(tǒng)化的生物領域實例獲取方法主要分為基于專家咨詢的方法和基于結構化知識庫的方法?；趯＜易稍兊膶嵗@取通過咨詢領域專家，利用其專業(yè)知識、相關經驗獲取相關的生物實例并對其進行判斷分析的一種方法。WANG等[2]分析了章魚皮膚顏色改變的機理，即通過收縮和擴張肌肉使不同數(shù)量光通過以改變皮膚顏色快速偽裝成環(huán)境顏色的狀態(tài)模型，利用電場控制一種聚合物內的張力在工程領域實現(xiàn)了對這一功能的模擬，開辟了柔性顯示器研究的新方向。德國FESTO公司[3]對仿生學設計進行了深入研究，模擬生物形態(tài)及功能激勵，研發(fā)了仿生企鵝、仿生海鷗、仿生大象鼻子和可奔跑的袋鼠機器人等。雖然專家咨詢方法在生物領域實例獲取中得到了大量的應用，然而該類方法過于依賴專家的個人經驗及其偶發(fā)的對自然現(xiàn)象的研究和模仿，隨機性和盲目性較大，專家數(shù)量較少的情況下難以系統(tǒng)化的推廣應用。ZHANG等[4]基于SBF模型構建了生物領域知識本體，并基于該本體模型開發(fā)了DANE原型系統(tǒng)，建立了生物領域實例本體關聯(lián)模型。TINSLEY等[5]采用基于功能的生物知識建模構建生物功能知識庫，實現(xiàn)了將自然中功能原理轉化為工程系統(tǒng)的過程。仿生實驗室(Biomimicry Institute)搜集整理了仿生設計相關的學術文獻，開發(fā)了基于網(wǎng)絡的AskNature[6]，搭建了基于功能索引的生物知識庫框架，通過世界各地仿生愛好者對其知識庫進行不斷豐富和充實，該網(wǎng)站已擁有數(shù)以萬條的生物領域實例知識。為了解決以上方法檢索效率低的問題，CHAKRABARTI等[7]結合SAPphIRE模型提出內部聚類和外部聚類相結合的算法。HABERLAND等[8]提出基于約束框架的聚類檢索方式。GOEL等[9]提出基于解驅動模型關鍵字的聚類算法。然而以上知識獲取方法返回的非結構化實例知識模型描述性不強、應用較難，且對跨領域知識檢索研究不足。

為了解決以上生物激勵設計激勵源獲取過程存在的問題，基于上海交通大學胡潔教授等提出的功能知識元建模方法[10]，本文將生物激勵設計過程跨領域實例知識檢索問題轉化為對離散的生物領域或工程領域知識元的聚類檢索。根據(jù)跨領域術語知識表示的不同確定跨領域檢索功能詞，執(zhí)行基于功能特征語義相關性的功能語義的一階段聚類，結合生物領域功能與環(huán)境特征約束間的相關性完成基于不同類型環(huán)境特征約束的二階段聚類。

1 檢索功能詞選定

在跨領域知識表示中往往采用不同的專業(yè)術語來表示同一功能或者同一術語在不同領域具有不同的含義。例如：生物領域術語“Bear(生育)”和工程領域術語“Manufacture(制造)”具有相同的功能，都可以用來表示產生新事物功能。 術語“Seal”在工程領域含義為元件的“密封”功能(Prevent leakage)，而在生物領域其指代哺乳動物“海豹”(Animal)。生物領域知識元聚類目的在于將具有相似功能和環(huán)境特征的知識元聚為一類，知識重用過程能夠實現(xiàn)根據(jù)設計需求獲取隸屬度最大的類簇，并以此作為研究對象來激勵工程領域解方案的生成。但是自然語言對生物領域知識表示以及跨領域知識聚類的特點導致難以在聚類檢索初期確定檢索關鍵詞，功能詞選定過程如圖1所示。

圖1 生物領域功能詞選定及相關知識元聚類簇獲取過程Fig.1 Retrieval process of the related biological CFBS knowledge cell cluster

第1步，給定生物領域初始功能動詞來描述設計需求并進行檢索。

分析設計需求，選定一個與設計需求功能最相關的功能動詞來表示設計需求所抽取的功能，對知識元庫進行檢索，獲取相關知識元。若無檢索結果返回，則從標準動詞表中選用該功能動詞的同義詞擴大檢索范圍重復檢索過程，直到有檢索結果返回。對檢索獲取的相關知識元進行標注，總結與該動詞共同出現(xiàn)的高頻名詞集合，并按照出現(xiàn)頻率進行排序。

第2步，根據(jù)檢索結果對初始功能動詞進行校正，并重復檢索過程。

判斷獲取的相關知識元是否滿足設計需求，否則根據(jù)高頻名詞排序重新檢索知識元庫獲取與其相關的功能動詞集合，根據(jù)動詞集合確定能夠更恰當?shù)孛枋鲈O計需求的功能動詞并對初始功能動詞進行校正，利用校正后的功能動詞重復檢索過程，獲取該功能動詞的相關知識元集合。

第3步，確定輸入輸出流及環(huán)境約束，獲取隸屬度最大的聚類簇。

對相關知識元集合進行分析，確定設計需求相關的輸入輸出流和環(huán)境約束。利用校正后的功能動詞和輸入輸出流參與到生物領域知識元聚類過程。

圖2 功能語義模型Fig.2 Semantic model in functional semantic clustering

2 生物領域知識元聚類方法

2.1 一階段聚類

基于功能特征語義相關性的功能語義聚類，功能特征語義相關性是功能詞之間語義相似程度的空間度量。功能語義模型的要素包括根節(jié)點和葉節(jié)點、節(jié)點深度和寬度、相鄰節(jié)點間的隸屬關系，如圖2所示。

(1)

步驟2：層次相關節(jié)點間關聯(lián)強度定義節(jié)點Tsub(n)為節(jié)點Tn子節(jié)點，d(Tsub(n))為從根節(jié)點NT到子節(jié)點Tsub(n)的深度，則該相鄰節(jié)點間關聯(lián)強度為

(2)

被比較功能詞間隸屬關系影響功能詞間語義相關度。定義相鄰節(jié)點隸屬關系權重為same-to(μs=1)>synonymous-of(μm)>is-a(μi)，根據(jù)經驗設定：μm=0.86，μi=0.64。

(3)

(4)

步驟3：根據(jù)知識元功能知識表示中的作用分別賦予功能動詞(ωV=0.5)和輸入輸出流相同權重(ωF=1-ωV=0.5)，則復合語義相關度表達式為

(5)

其中，r∈[0，1]為基于IC功能詞間語義相似度權值,考慮到基于ND和IC的語義相似度可靠性及實驗結果，r取值為[0.85，0.95]。

2.2 二階段聚類

生物環(huán)境與生物體之間相互影響、相互作用。在自然界中，不同的甚至在進化樹上相距甚遠的生物，若生物環(huán)境相同或趨于一致，會產生相同的功能或近似的相態(tài)結構來適應環(huán)境，這種現(xiàn)象被稱為趨同進化。在自然界中這種現(xiàn)象比比皆是: 在海洋環(huán)境中，哺乳動物鯨魚、海豹等進化出和魚類相似的結構“鰭”來實現(xiàn)在水中前進的功能(如圖3 a)—圖3 d))，并具有相似的體型來減少游動過程中水產生的阻力。為獲取外界信息，節(jié)肢動物(例如，昆蟲)等進化出和哺乳動物(例如，人類)等具有相同功能的器官。

圖3 生物環(huán)境對生物功能的影響Fig.3 Environmental effect on the biological function evolution

在自然界中同一物種為了適應不同的生物環(huán)境向著具有不同功能的方向進化，這種現(xiàn)象被稱為趨異進化。例如：沙漠環(huán)境中的蜥蜴-魔蜥(如圖3 e))進化出厚重的鱗甲以防止水分散失；森林環(huán)境中的樹棲蜥蜴-斑飛蜥(如圖3 f))進化出翼膜實現(xiàn)了滑翔功能；河湖環(huán)境中的蜥蜴-蛇怪蜥(如圖3 g))具有水上漂的功能以穿越水域；熱帶雨林環(huán)境中的蜥蜴-變色龍(如圖3 h))能夠改變身體顏色以躲避天敵。趨同進化現(xiàn)象和趨異進化現(xiàn)象直觀地反映了生物的功能結構與其周圍的環(huán)境息息相關。

環(huán)境特征約束是由一系列特征參數(shù)組成，其相似度算法框架如圖4所示。

圖4 環(huán)境特征約束相似度計算框架Fig.4 Schema of similarity calculation for environment feature constrains

將FCM聚類算法引入到知識元聚類過程中，結合給出的不同類型環(huán)境特征約束相似性算法，提出了AFCM算法，實現(xiàn)了基于環(huán)境特征約束適應性的環(huán)境約束聚類。在模糊聚類過程中，AFCM對應的目標函數(shù)為

(6)

其中：Ci為第i個模糊聚類簇；v為設置聚類簇數(shù)；uij為第j(j=1, 2, …,k)個知識元對第i個類簇的隸屬度；Dij為第j個知識元與第i個聚類簇Ci間的距離。

根據(jù)模糊集合中隸屬度定義可知，隸屬度函數(shù)需滿足條件：

(7)

知識元集合最佳聚類應使目標函數(shù)Z(Ph,C1,C2,…,Cv)取最小值，即：

min{Z(Ph,C1,C2,…,Cv), s.t.U} 。

在該目標函數(shù)尋優(yōu)問題中，引入拉格朗日乘數(shù)，最終推導為

(8)

(9)

在計算Dij時，采用環(huán)境特征約束綜合相似度計算結果及對應隸屬度進行計算，聚類簇間距離計算公式定義為

(10)

圖5 描述設計需求的功能動名詞確定過程Fig.5 Flow chart of finding the proper keywords to describe design requirements

3 聚類實例

對恢復盲人視覺感受的假體裝置的研究一直是社會關注的熱點。已有的視覺假體裝置按照視覺信息傳遞通路和原理的不同劃分為視網(wǎng)膜假體[11]、視皮層假體[12]和視神經假體[13]。經過分析正常眼球工作機制可知，人眼視覺系統(tǒng)由基本視覺和調節(jié)清晰度與視角的控制功能組成，大腦通過處理視覺信號進行分析并做出反應。視覺假體裝置設計需求功能模型表示為視覺信號采集→視覺信號轉化→視覺信號傳輸→視覺信號編碼→編碼信號傳輸→編碼信息控制。本實例通過對工程領域設計需求進行表達，將視覺假體裝置設計參考范圍進行擴大，跨領域檢索自然界中其他生物視覺信號采集功能所對應的結構和策略，為視覺假體裝置提供必要的設計激勵和參考。其跨領域功能關鍵詞選定過程如圖5所示。

根據(jù)層次分析法利用Santy提出的1～9標度方法對環(huán)境特征約束各指標權重進行計算，可得環(huán)境特征約束：“Motion，Eye Type，Illumination Intensity，Sight distance，Angular field of view”對應的權重為{wm,we,wi,ws,wa}={0.342, 0.381, 0.039, 0.175, 0.063}。針對環(huán)境特征約束：Motion，Eye type，Illumination intensity，Sight distance，Angular field of view對一階聚類后產生的16個樣本進行模糊聚類，實驗過程中設置迭代終止閾值ε=0.000 1，最大迭代次數(shù)r=25，分別考察不同聚類簇數(shù)情況下目標函數(shù)變化趨勢及對應的隸屬度，如圖6所示。聚類迭代過程中目標函數(shù)變化趨勢如圖7所示。

圖6 環(huán)境約束聚類結果(v=2)Fig.6 Environmental constraints based clustering (v=2)

圖7 目標函數(shù)變化趨勢(v=2)Fig.7 Objective function value chart(v=2)

當聚類簇數(shù)設為v=2時，聚類結果所對應隸屬函數(shù)中，兩列分別為聚類簇C1和C2，行向量分別代表從7～22的知識元集合，其交叉點對應值即為該行對應知識元隸屬于其所對應聚類簇的隸屬度。

仿照以上實例，將聚類簇數(shù)分別設定為v=1～16時，其對應的目標函數(shù)變化趨勢如圖8所示，用聚類樹對模糊聚類結果表示如圖9所示。

圖8 聚類目標函數(shù)變化趨勢Fig.8 Cluster objective function value chart

圖9 AFCM聚類過程對應的聚類樹Fig.9 Cluster tree of AFCM clustering

經綜合考慮以上聚類結果及對比，確定將生物知識元集合劃分為5類，并將聚類結果輸出，聚類集合分別為C1={7, 8, 13, 17, 18}，C2={9, 12, 14, 16, 19, 20}，C3={10, 11}，C4={15}和C5={21, 22}，其聚類結果如圖10所示。

圖10 輸出的聚類結果(v=5)Fig.10 Output clustering results (v=5)

分析圖10中聚類結果可知(以視覺功能為例)，聚類集合C1和C5中通過Camera eye來執(zhí)行視覺信號采集并采用肌肉牽引眼球轉動來擴大信號采集范圍，并將信號傳遞到視覺中樞進行視覺信號處理，構成視覺通路形成視覺，集合C1生活在水生環(huán)境中，因水的折射率與眼球內透明介質折射率相近，光線難以通過折射進入眼球并匯聚到眼球后部感光部位，于是進化出球形且可以前后移動而非集合C5中扁平的可以改變曲率的晶狀體來實現(xiàn)成像及調節(jié)成像距離的功能。將層次聚類中聚類簇距離計算引入FCM算法中并提出了AFCM，與K-means和層次聚類進行對比，其聚類時間和準確率如圖11所示。

圖11 不同聚類方法間聚類效率對比Fig.11 Comparision of different clustering methods’ clustering efficiency

從圖11可以得出，AFCM算法聚類平均準確率高于K-means和層次聚類算法，不同聚類方法間最高差值達到26%，分析其原因主要為AFCM算法克服了硬聚類算法在聚類過程中非此即彼的缺點，更符合生物領域知識表示模糊性等特點。而在聚類時間上由于AFCM繼承了FCM聚類算法中隸屬函數(shù)求解過程，雖然在樣本數(shù)據(jù)較少時其計算復雜度相對較高，但對諸如生物領域或工程領域知識元聚類的小樣本聚類過程影響并不明顯。因此，本文針對生物領域和工程領域知識元知識表示特點提出的AFCM聚類算法完全滿足知識元聚類檢索需要。

4 結 語

已有的生物激勵設計方法在生物實例知識獲取上具有偶然性大、效率低、難以重用等特點，導致所獲取的實例知識實用性較差，同時缺乏對跨領域知識獲取的研究。為了解決以上問題，本文在已有的知識元模型基礎上，對領域實例進行離散化為功能模塊，通過執(zhí)行基于功能特征語義相關性的功能語義的一階段聚類和基于不同類型環(huán)境特征約束的二階段聚類，將功能相近、內容相關的知識元進行聚類，作為生物激勵設計過程知識類推的基礎。以視覺假體裝置為例，根據(jù)其聚類輸出結果可知，聚類時間和準確率得到極大改善，聚類效率得到顯著提升。

/References：

[1] NAGEL J K. Systematic Design of Biologically-Inspired Engineering Solutions[D]. Harrisonburg：James Madison University, 2010.

[2] WANG Q M, GOSSWEILER G R, CRAIG S L, et al. Cephalopod-inspired design of electro-mechano-chemically responsive elastomers for on-demand fluorescent patterning[J]. Nature Communications, 2014(5):4899-4906.

[3] FESTO. Bionics Ants [DB/OL]. https://www.festo.com/bionic,2015.

[4] ZHANG D Q, CHEN S C, PAN Z S, et al. Kernel based fuzzy clustering incorporating spatial constraints for image segmentation[C]// 2003 International Conference on Conference Machine Learning and Cybernetics.[S.l.]: IEEE, 2003:2189-2192.

[5] TINSLEY A, MIDHA P, NAGEL R, et al. Exploring the use of functional models as a foundation for biomimetic conceptual design[J]. American Society of Mechanical Engineers, 2007:79-92.

[6] Ask Nature.A Project of the Biomimicry Institute [DB/OL]. http://asknature.org， 2008-2016.

[7] CHAKRABARTI A. Supporting analogical transfer in biologically inspired design[J]. Biologically Inspired Design, 2014:201-220.

[8] HABERLAND M, KIM S. On extracting design principles from biology: I. Method-General answers to high-level design questions for bioinspired robots[J]. Bioinspiration & Biomimetics, 2015, 10(1):016010.

[9] GOEL A K, VATTAM S, WILTGEN B, et al. Information-processing theories of biologically inspired design [C] //Biologically Inspired Design. London: Springer London, 2014: 127-152.

[10]MA J, HU J, FENG J F, et al. Constrained FBS knowledge cell model, representation, and applications for conceptual design[J]. ARCHIVE Proceedings of the Institution of Mechanical Engineers Part C Journal of Mechanical Engineering Science 7989-1996(vols 203-210), 2015, 230(11):1-14.

[11]COUZIN-FRANKEL J. Second chapter[J]. Science, 2016, 353:983-985.

[12]NORMANN R A, MAYNARD E M, ROUSCHE P J, et al. A neural interface for a cortical vision prosthesis[J]. Vision Research, 1999, 39(15):2577-2587.

[13]LI Menghui, YAN Yan, WU Kaijie, et al. Penetrative optic nerve-based visual prosthesis research[C]//Artificial Vision. [S.l.]:Springer International Publishing, 2017: 165-176.

[14]麻廣林,李彥,黃振勇,等. 進化驅動型產品創(chuàng)新設計方法研究[J]. 計算機集成制造系統(tǒng),2009,15(5):849-857. MA Guanglin,LI Yan,HUANG Zhenyong,et al.Product innovative design method based on evolution-drive model[J]. Computer Integrated Manufacturing Systems, 2009,15(5):849-857.

[15]CHAKRABARTI A, SHU L H. Biologically inspired design[J]. CIRP Annals - Manufacturing Technology, 2011, 60(2):673-693.

[16] HU Jie, XIA Peng, GU Chaochen, et al. Recognition of similar objects using simulated prosthetic vision[J]. Artificial Organs, 2014, 38(2): 159-167.

[17] ZHU Guoniu, HU Jie, QI Jin, et al. An integrated feature selection and cluster analysis techniques for case-based reasoning[J]. Engineering Applications of Artificial Intelligence, 2015, 39: 14-22.

[18]PATIL C G, PATIL S S. Use of Porter stemming algorithm and SVM for emotion extraction from news headlines[J]. International Journal of Electronics, Communication and Soft Computing Science and Engineering (IJECSCSE), 2013, 2(7): 9-13.

Cross domain knowledge cell clustering method for biologically inspired design

SHEN Jian, HU Jie, MA Jin, PENG Yinghong

(School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

To tackle the problem existing in the process of cross-domain knowledge acquisition in biologically inspired design, a functional semantic clustering based on functional feature semantic correlation and an environment-based clustering based on environment-constrained adaptability for biologically inspired design are proposed. On the one hand, the fuzzy theory and fuzzy mathematics are introduced into the knowledge cell clustering algorithm, and the semantic similarity calculation method based on the fuzzy membership function is proposed to realize the semantic clustering based on the functional keywords. On the other hand, an AFCM algorithm is proposed by introducing the FCM clustering algorithm into the knowledge cell clustering process, and combining the provided different types of environmental feature constraints similarity algorithm, the environment constra-ined clustering based on the adaptability of environmental feature constraints is achieved. Finally, the corresponding prototype system is developed, and the visual prosthesis device design is tested. The results show that the clustering time and accuracy are greatly improved and the clustering efficiency is improved significantly. The algorithm avoids effectively the discreteness of cross domain knowledge distribution, reduces the number of the research objects during the design process, and can acquire reasonably the existing design knowledge, which establishes a basis for further study.

knowledge based engineering; biologically inspired design; knowledge cell; knowledge clustering; knowledge acquisition

1008-1542(2017)03-0229-08

10.7535/hbkd.2017yx03003

2016-12-22；

2017-03-04；責任編輯：陳書欣

國家自然科學基金(51475288，51305260，51605302)；科技部創(chuàng)新方法專項項目(2015IM010100)

沈 健(1995—)，男，江西九江人，碩士研究生，主要從事生物激勵設計方面的研究。

胡 潔教授。E-mail: hujie@sjtu.edu.cn

TP389.1

A

沈 健，胡 潔，馬 進，等.支持生物激勵設計的跨領域知識元聚類方法[J].河北科技大學學報,2017,38(3):229-236. SHEN Jian, HU Jie, MA Jin,et al.Cross domain knowledge cell clustering method for biologically inspired design[J].Journal of Hebei University of Science and Technology,2017,38(3):229-236.