臧 晶，李成華

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

0 引 言

現(xiàn)代機(jī)械智能設(shè)計過程中，如播種機(jī)設(shè)計，仍然以田間實測或其他傳統(tǒng)的采集方式獲得種距、行距、土壤含水率等參數(shù)作為用戶需求，通過需求處理后指導(dǎo)設(shè)計人員。文獻(xiàn)[1]提出了一種基于分類模型的需求信息表達(dá)方法，提高了需求信息獲取的效率和準(zhǔn)確率，但該方法未考慮在設(shè)計過程中需求類型和內(nèi)容反復(fù)變化的問題；文獻(xiàn)[2]采用域映射轉(zhuǎn)換法實現(xiàn)客戶需求向產(chǎn)品特征需求的轉(zhuǎn)化，能為產(chǎn)品設(shè)計提供準(zhǔn)確的需求，但未考慮需求轉(zhuǎn)化導(dǎo)致的設(shè)計時間延遲問題。

基于實例推理的設(shè)計方法中，實例修改方法是研究的重點，而該方法是以需求為依據(jù)獲得成熟的歷史實例，進(jìn)而通過智能方法修改實例完成新設(shè)計。需求的采集效率和準(zhǔn)確性直接影響設(shè)計的結(jié)果。解特征實例修改(Feature-based case adaptation, FCA)方法是將相似實例集的解特征值按權(quán)重求和，以實現(xiàn)實例修改，得到新設(shè)計實例，該方法領(lǐng)域獨立性強(qiáng)，但仍存在修改方法局限于某個應(yīng)用、修改結(jié)果可用性不高等問題。文獻(xiàn)[3]將基因算法用于FCA中，簡單、易實現(xiàn)，但該算法的穩(wěn)定性受基因編碼結(jié)果影響較大；文獻(xiàn)[4]引入決策樹方法預(yù)測相似實例的修改適應(yīng)性，并優(yōu)化權(quán)重模型，大幅度提高了修改性能，但算法復(fù)雜度過高；文獻(xiàn)[5]建立混合權(quán)重模型方法，一定程度上降低了文獻(xiàn)[4]中權(quán)重計算的復(fù)雜度，但沒有考慮不同數(shù)據(jù)類型的特征相似計算問題，適用范圍有限，也沒有考慮實例問題特征間相關(guān)關(guān)系對實例修改的影響，修改結(jié)果的可用性也不夠理想。

上述實例修改方法的研究中，大多沒有考慮傳統(tǒng)需求獲取及處理的方式對實例修改的準(zhǔn)確率和可用性的影響。而隨著衛(wèi)星技術(shù)[6-8]的發(fā)展，衛(wèi)星遙感和陸地傳感技術(shù)[9]結(jié)合可以實現(xiàn)對農(nóng)作物的生長指標(biāo)、生長環(huán)境等參數(shù)的動態(tài)監(jiān)測及實時處理，可以在時間、空間上補(bǔ)充傳統(tǒng)采集方式的不足，解決智能農(nóng)業(yè)機(jī)械設(shè)計過程中需求獲取過程存在的問題，為實例修改提供更準(zhǔn)確、更可靠的依據(jù)。因此，本文將衛(wèi)星遙感技術(shù)應(yīng)用到鏟式播種機(jī)需求采集過程，設(shè)計了一個衛(wèi)星遙感農(nóng)業(yè)監(jiān)測系統(tǒng)。在該系統(tǒng)中，采用遙感實測需求參數(shù)優(yōu)化播種機(jī)設(shè)計實例的特征參數(shù)，同時也降低了混合權(quán)重計算復(fù)雜度，并在該混合權(quán)重計算過程中考慮了不同數(shù)據(jù)類型的特征相似計算問題，提高了混合權(quán)重的適用范圍。將雙邊優(yōu)化后的混合權(quán)重矩陣運(yùn)用到鏟式播種機(jī)設(shè)計過程中，提高修改準(zhǔn)確度的同時，也保證了新修改方法的可用性。

1 衛(wèi)星遙感農(nóng)業(yè)監(jiān)測系統(tǒng)的結(jié)構(gòu)設(shè)計

本文結(jié)合衛(wèi)星傳感器網(wǎng)絡(luò)、移動網(wǎng)絡(luò)與遠(yuǎn)程數(shù)據(jù)庫技術(shù)，設(shè)計和建立一個衛(wèi)星遙感農(nóng)業(yè)監(jiān)測系統(tǒng)，同時對作物生長狀況及其生長環(huán)境參數(shù)進(jìn)行測量。系統(tǒng)由三部分組成，分別為衛(wèi)星傳感器與陸地傳感器節(jié)點、協(xié)調(diào)器節(jié)點、遠(yuǎn)程控制平臺，實現(xiàn)了“傳感器—網(wǎng)絡(luò)—遠(yuǎn)程監(jiān)控設(shè)計”的結(jié)構(gòu)，如圖1所示。傳感器節(jié)點負(fù)責(zé)監(jiān)測土壤溫度、土壤濕度、種距、行距等種植參數(shù)，并通過數(shù)據(jù)鏈路發(fā)送到協(xié)調(diào)器節(jié)點；協(xié)調(diào)器節(jié)點負(fù)責(zé)接受所有傳感器節(jié)點發(fā)送來的環(huán)境數(shù)據(jù)，并發(fā)送給遠(yuǎn)程控制平臺。遠(yuǎn)程控制平臺由三部分組成，分別為服務(wù)器、數(shù)據(jù)庫和實現(xiàn)農(nóng)機(jī)智能設(shè)計系統(tǒng)的計算機(jī)。服務(wù)器負(fù)責(zé)處理需求數(shù)據(jù)的采集及信息的遠(yuǎn)程交互；數(shù)據(jù)庫負(fù)責(zé)處理各類數(shù)據(jù)的存儲；農(nóng)機(jī)智能設(shè)計系統(tǒng)負(fù)責(zé)歷史實例的存儲和實例檢索、實例修改、新設(shè)計的獲取等。

該系統(tǒng)的優(yōu)勢在于，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)計需要的必要參數(shù)，還可以根據(jù)需求進(jìn)行數(shù)據(jù)處理，以滿足可用性。遠(yuǎn)程控制平臺不僅可以滿足不同地域的研發(fā)者資源共享、技術(shù)磋商的需要，而且能為大量多型號播種機(jī)的設(shè)計提供基礎(chǔ)數(shù)據(jù)儲備和技術(shù)支持，進(jìn)行設(shè)計過程的遠(yuǎn)程指導(dǎo)和快速設(shè)計。

圖1 衛(wèi)星遙感農(nóng)業(yè)監(jiān)測系統(tǒng)Fig.1 Satellite remote sensing monitoring system foragriculture

2 基于混合權(quán)重的實例修改算法設(shè)計

在衛(wèi)星遙感監(jiān)測系統(tǒng)中，基于解特征的實例修改算法是重點也是難點[10]，為此，研究利用改進(jìn)的混合權(quán)重矩陣對解特征權(quán)重進(jìn)行優(yōu)化，實現(xiàn)實例修改。改進(jìn)的混合權(quán)重矩陣由三個矩陣相乘得到，這三個矩陣為：相似實例與新問題特征之間的混合相似度矩陣(Hybrid similarity matrices，HSM)，相似實例問題-解相關(guān)關(guān)系矩陣(Correlation coefficient matrices，CCM)，相似實例問題特征間的比較矩陣(Pair-wise comparison matrices，PCM)。因此文中提出的方法可稱為基于PCM-CCM-HSM混合權(quán)重的實例修改算法。該算法充分地考慮了實例的問題特征以及解特征值的多種數(shù)據(jù)格式，盡可能兼顧相似實例的隱性知識，以獲取其解特征的新權(quán)重，實現(xiàn)設(shè)計實例解特征的計算，處理流程如圖2所示。

圖2 播種機(jī)實例修改算法的流程Fig.2 Flow for case adaptation algorithm of planter

以子級實例修改為例，修改過程主要為：

(1)對新需求問題進(jìn)行可拓表達(dá)。

(2)在實例庫中進(jìn)行基于相似性的實例檢索。

(3)以混合相似度矩陣，相似實例問題特征間的比較矩陣，相似實例問題-解的相關(guān)關(guān)系矩陣做乘法獲得新的混合權(quán)重矩陣，并進(jìn)行標(biāo)準(zhǔn)化。

(4)基于新權(quán)重進(jìn)行解特征值的計算，完成實例修改。

在上述流程中，最主要的部分是新需求的可拓表達(dá)，相似實例集檢索和混合權(quán)重的計算，這也是研究的重點。

2.1 實例的可拓表達(dá)

鏟式播種機(jī)全程智能化設(shè)計的基礎(chǔ)是對設(shè)計中涉及的原理、約束、規(guī)則等知識進(jìn)行合理地表達(dá)。針對鏟式播種機(jī)設(shè)計信息的特殊性以及可拓CBR設(shè)計過程的需要，采用多維可拓物元模型的思想[11],建立播種機(jī)實例的物元模型，如式(1)和式(2)所示，該模型可實現(xiàn)播種機(jī)設(shè)計過程中涉及的舊知識、各種需求的統(tǒng)一表達(dá)。

(1)

(2)

其中，RD為歷史實例物元，Γ表示歷史實例物元名稱；{p1,p2,…,pm}表示問題特征，反映播種機(jī)的設(shè)計要求，{u1,u2,…,um}表示問題特征的值；{s1,s2,…,sn}為解特征，與匹配的問題特征集對應(yīng)，{v1,v2,…,vn}表示解特征的值。RP為設(shè)計實例物元，Γ0表示設(shè)計實例的物元名稱，將RP實例化可得到修改后的新實例；{x01,x02,…,x0m}表示問題特征，反映新播種機(jī)的需求問題，{u01,u02,…,u0m}表示問題特征的值；{y01,y02,…,y0n}為解特征，與匹配的問題特征相對應(yīng)；{v01,v02,…,v0n}表示解特征的值。

2.2 相似實例集的檢索

按多層級方式，將可拓物元實例組織成鏟式播種機(jī)的實例庫。實例重用時，首先是檢索歷史實例庫中滿足新設(shè)計需求的相似實例集；如果歷史實例集不滿足匹配要求，則對歷史實例物元的特征和特征值分別進(jìn)行可拓變換，得到拓展后的實例集合；然后在拓展后的實例集中檢索滿足相似設(shè)計要求的歷史實例集。

鏟式播種機(jī)實例庫是多級結(jié)構(gòu)，本文主要針對檢索結(jié)果中某一級實例庫歷史實例集的修改過程進(jìn)行描述，其他層級的修改過程類似。

定義第r級實例庫相似檢索結(jié)果中的K個實例集為

(3)

(4)

式中：i=1,2,…,m，表示問題特征的序號，j=1,2,…,n，表示解特征的序號。

由式(2)可得到設(shè)計實例C0為

C0={x01,x02,…,x0i,…,x0m,y01,y02,…,y0j,…,y0n}

(5)

2.3 混合權(quán)重的計算方法

2.3.1混合相似矩陣的構(gòu)建

混合相似矩陣由新需求問題和K個相似實例之間的相似度值構(gòu)成。

(6)

構(gòu)建相似度矩陣為：

(7)

混合相似度計算方法不僅兼顧了相似實例與新設(shè)計實例的不同結(jié)構(gòu)，而且實現(xiàn)了同一實例多種數(shù)據(jù)格式的多相似度方法的融合，適應(yīng)多樣化需求情況下的新農(nóng)機(jī)設(shè)計。

2.3.2灰色關(guān)系矩陣的計算方法

MCC=[δij(i=1,2,…,m;j=1,2,…,n)]m×n

(8)

其中，δij是問題特征和解特征的灰色關(guān)聯(lián)度，其計算方法為

(9)

其中，δkij由標(biāo)準(zhǔn)化的問題特征值u′ki與解特征v′kj的關(guān)聯(lián)程度衡量，其計算方法為

(10)

(11)

其中：ukmax，ukmin分別為問題特征的最大值和最小值；vkmax，vkmin分別為解特征的最大值和最小值。對于不同類型的uki和vkj，計算關(guān)聯(lián)系數(shù)的方法不同：

1)當(dāng)uki和vkj均為確定數(shù)時，利用式(10)～(11)計算得到關(guān)聯(lián)系數(shù)δkij。

(12)

2.3.3混合權(quán)重的計算方法

在深入分析相似實例的問題-解特征的關(guān)聯(lián)系數(shù)基礎(chǔ)上，采用層次分析法獲取實例問題特征之間的相對重要性關(guān)系，把這些關(guān)系引入解特征修改的權(quán)重分配策略，以獲得改進(jìn)的灰色關(guān)系矩陣MPCC，即

MPCC=MCC×MPC

(13)

其中,MPC為層次分析法中，通過兩兩比較評判對象得到的矩陣，其定義為

MPC=[aij]m×m

(14)

式中:aij是采用1～9比例標(biāo)度法對問題特征兩兩相互比較并標(biāo)準(zhǔn)化后的評判結(jié)果[14]，表示第K個實例的問題特征pki對于特征pkj的相對重要度。

將MHS，MPCC做矩陣乘法，獲得改進(jìn)的混合權(quán)重矩陣

MIHW=MHS×MPCC=

[wihw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(15)

最后，將MIHW標(biāo)準(zhǔn)化后得到

MNHW=[wnhw_kj,k=1,2,…,K;j=1,2,…,n]K×n

(16)

(17)

2.4 解特征的計算方法

基于式(17)混合權(quán)重計算方法，對K個相似實例的解特征進(jìn)行修改，獲得設(shè)計實例的解特征值為

(18)

V0=(v01,v02,…,v0j,…,v0n)

(19)

3 實例修改算法的應(yīng)用分析

3.1 實例數(shù)據(jù)

將檢索得到的播種機(jī)實例用于實例修改過程。每個實例特征集由4個問題特征和4個解特征組成：P1表示行距(mm)，P2表示行進(jìn)速度(m/s)，P3表示播深(mm)，P4表示種距(mm)；S1表示輪盤直徑(cm)，S2表示打穴鏟數(shù)目(id)，S3表示打穴鏟高度(mm)，S4表示打穴鏟厚度(mm)，如表1所示。在本案例的計算分析中各參數(shù)設(shè)置如表1所示，其中行距特征參數(shù)在實際應(yīng)用中，可通過衛(wèi)星遙感監(jiān)測得到。選取7個實例用于計算。

對上述數(shù)據(jù)分別采用PCM-CCM-HSM方法、灰度關(guān)聯(lián)系數(shù)優(yōu)化的平均權(quán)重法(The weighted mean improved by grey relational analysis，GRA-WM)和平均權(quán)重方法(The weighted mean，WM)計算鏟式播種機(jī)的實例修改結(jié)果，并與設(shè)計實例的原始數(shù)據(jù)比較，分析修改結(jié)果的性能。

表1 播種機(jī)設(shè)計實例與相似實例Table 1 Design case and similarity cases of planter

3.2 PCM-CCM-HSM方法實例修改過程與結(jié)果

假設(shè)檢索結(jié)果中滿足相似度要求的實例有6個，即表1中的case1至case6，計算上述實例與設(shè)計實例問題特征的相似度值，得到相似度矩陣為

將表1中每一個相似實例的每一對問題特征值和解特征值利用式(10)、(11)、(12)計算問題-解關(guān)聯(lián)關(guān)系值，并建立灰關(guān)系矩陣為

將表1中每一個相似實例利用文獻(xiàn)[14]的比例標(biāo)度計算問題特征間的比較關(guān)系值，建立比較矩陣并標(biāo)準(zhǔn)化后得到MPC為

根據(jù)式(13)確定矩陣MPCC

利用MHS和MPCC，根據(jù)式(15)得到初始化權(quán)重矩陣MIHW

根據(jù)式(17)將MIHW標(biāo)準(zhǔn)化后結(jié)果為

MNHW=[wnhw_ki]6×4=

將新權(quán)重的計算結(jié)果和6個相似實例的解特征值帶入式(18)中，利用PCM-CCM-HSM方法，完成基于6個相似實例的實例修改，結(jié)果為設(shè)計實例的解特征值。鏟式播種機(jī)的解特征值描述如下：v01表示輪盤直徑的值，v02打穴值鏟數(shù)目的值，v03打穴鏟高度的值，v04打穴鏟厚度的值。計算結(jié)果為：

采用文獻(xiàn)[5]提出的基于GRE_WM方法的實例修改結(jié)果，其新解特征值為

式中：wngre_wm_kj,j=1,2,3,4為灰關(guān)聯(lián)優(yōu)化平均權(quán)重得到的權(quán)重[5]。

采用文獻(xiàn)[5]中的基于WM方法的實例修改結(jié)果，其新解特征值為

式中：wnhsm_wm_kj,j=1,2,3,4為基于混合相似矩陣計算得到的平均權(quán)重[5]。

3.3 結(jié)果分析

采用相對誤差來評估PCM-CCM-HSM方法、WM方法、GRE_WM方法修改結(jié)果的性能。分別計算輪盤直徑、打穴鏟數(shù)目、打穴鏟高度、打穴鏟厚度4個解特征的修改結(jié)果與設(shè)計實例相應(yīng)解特征值的相對誤差，如表2所示。

表2 不同實例修改方法條件下的不同特征相對誤差Table 2 Average percentage error for different methods anddifferent features

表2中計算結(jié)果分析可以看出，在實例數(shù)量相同的條件下：PCM-CCM-HSM修改結(jié)果的誤差值分別為(0.1754，1.4192，0.2996，2.7396)，GRE-WM修改結(jié)果的誤差值分別為(0.3593，1.5846，0.5575，2.9696)，PCM-CCM-HSM方法修改結(jié)果的誤差值分別比GRE-WM方法的修改結(jié)果的誤差值要小得多，例如對于特征輪盤直徑，PCM-CCM-HSM方法的誤差值0.1754比GRA-WM方法的誤差值0.3593小51.2%。

顯然本文方法在兼顧多種數(shù)據(jù)格式的相似計算問題的同時，提高了修改準(zhǔn)確度和可用性。

從表2中還可以看出，WM修改結(jié)果的誤差值為(1.7720，0.7369，5.7767，3.0647)，對于特征1、特征3和特征4，PCM-CCM-HSM方法修改結(jié)果的誤差值比WM方法的修改結(jié)果的誤差值要小得多，由于所有實例特征2的值比較接近，相似度高，致使PCM-CCM-HSM方法的優(yōu)勢沒有體現(xiàn)出來。

4 結(jié) 論

本文設(shè)計了衛(wèi)星遙感農(nóng)業(yè)監(jiān)測系統(tǒng)，在該系統(tǒng)中采用衛(wèi)星遙感等技術(shù)動態(tài)準(zhǔn)確地監(jiān)測土壤、農(nóng)作物生長過程中一些參數(shù)，以調(diào)整設(shè)計需求，并重點研究了需求控制下的實例修改算法，并將方法運(yùn)用到鏟式播種機(jī)設(shè)計過程中。實例修改算法的核心是利用混合相似度法、層次分析法、灰色關(guān)聯(lián)分析法多角度解析相似實例集隱含信息并融合，建立混合權(quán)重矩陣，進(jìn)而用混合權(quán)重作為解特征的權(quán)重，完成實例修改，獲得新設(shè)計實例的解。計算結(jié)果表明播種機(jī)實例的修改結(jié)果與新設(shè)計需求有較高相似性，其優(yōu)勢如下：

1)在實例數(shù)量給定的情況下，本文提出混合權(quán)重的實例修改算法達(dá)到了實例修改算法的可用性要求。

2)適當(dāng)選擇遙感定量采集設(shè)計相關(guān)參數(shù)，可以有效提高機(jī)械設(shè)計過程的智能性和設(shè)計結(jié)果的可用性。