[0104] 4.2
[0105] 4.3
[0106] 4.4
[0107] 对于不同类型的模糊描述，本发明实施例采用不同的隶属度函数，得到相应 的隶属度。这样，所有的事实都有了相应的隶属度和隶属度函数。
[0108] 步骤S2：构建Rete推理网络，将所有规则和事实输入到Rete的推理过程中。 Rete的推理包括两个过程：根据规则集合生成Rete推理网络；将事实逐个输入到 Rete推理网络进行规则匹配。图2为本发明实施例的Rete推理网络的构建模型示 意图。如图2所示，Rete推理步骤包括：
[0109] 步骤S21，定义相关概念。
[0110] 对相关概念进行如下定义：
[0111] 事实：对象之间及对象属性之间的多元关系。
[0112] 规则：是由条件和结论构成的推理语句IF语句，一般表示为if...Then。一个 规则的if部分称为LHS，then部分称为RHS。
[0113] 模式：就是指IF语句的条件。这里IF条件可能是有几个更小的条件组成的大 条件。模式就是指的不能在继续分割下去的最小的原子条件。
[0114] 步骤S22，描述Rete推理过程。
[0115] 如图2所示，所述步骤S22进一步包括如下步骤：
[0116] 步骤S221，创建根节点，所述根节点为推理网络入口；
[0117] 步骤S222，加入规则i，其中，i为所加入规则的序号，i为从1开始的自然数； 对加入规则i的过程包括如下步骤：
[0118] 步骤S222a，从规则i中取出模式1；
[0119] 步骤S222b，检查模式1对应的Alpha节点是否已存在，如果存在则记录下节 点位置，如果不存在则将模式1作为一个Alpha节点加入到网络中，同时根据Alpha 节点的模式建立Alpha内存表；
[0120] 步骤S222c，重复步骤S222a和S222b，直到规则i中所有的模式处理完毕；
[0121] 步骤S222d，，按照如下方式组合Beta节点：
[0122] 第一Beta节点的第一输入节点为Alpha节点，第二输入节点为虚拟Beta节点； 或两个输入节点均为Alpha节点；
[0123] 后序Beta节点的第一输入节点为Alpha节点，第二输入节点为之前组合完成 的Beta节点；
[0124] 将每个Beta节点的两个父节点的内存表内联建立Beta内存表；
[0125] 步骤S222e，重复步骤S222d直到所有的Beta节点处理完毕；
[0126] 步骤S222f，将Then部分封装作为最后Beta节点的输出节点，称为Action节 点，规则i加入完毕；
[0127] 步骤S223，重复步骤S222，直到所有规则处理完毕。步骤S3：在Rete推理 过程的步骤S222d，对Beta节点的两个输入节点进行模糊集合运算，常用的模糊 运算有模糊交(T范式)算子、模糊并(S范式)算子、模糊补算子和模糊蕴涵算 子等。优选的，本发明实施例采用的是模糊交算子进行模糊推理运算。因为这种 模糊算子会得到较高的匹配成功率，而且执行效率更高，该模糊交算子的定义如 下：
[0128] 两个模糊集合A和B的交集也是模糊集合，计作A∩B，通常有函数 T:[0,1]×[0,1]→[0,1]来描述，它表示由模糊集A和B的隶属度函数向A和 B的交集的隶属度函数转换的一个函数，即
[0129]
[0130] 其中 是表达函数T的二元算子。
[0131] 它满足以下基本条件：
[0132] T(0,0)＝0,T(a,1)＝T(1,a)＝a(有界性)
[0133] T(a,b)≤T(c,d),如果a≤c且b≤d(非减性)
[0134] T(a,b)＝T(b,a)(交换性)
[0135] T(a,T(b,c))＝T(T(a,b),c)(结合性)
[0136] 最常用的T范式算子为：
[0137] 极小：Tmin(a,b)＝min(a,b)＝a∧b，
[0138] 代数积：Tap(a,b)＝ab，
[0139] 有界积：Tbp(a,b)＝0∨(a+b-1)，
[0140] 直积：
[0141] 优选的，本发明实施例采用的模糊算子是Tmin。
[0142] 下面通过一个具体的实施例并结合附图，对本发明做进一步详细说明。
[0143] 图3为本实施例的Rete算法建立规则网络和规则匹配示例图。Rete网络是一 个事实可以在其中流动的网络。Rete网络的节点可以分为四类：根节点(root)、 类型节点(type node)、Alpha节点、Beta节点。其中，根结点是一个虚拟节点， 是构建Rete网络的入口。类型节点中存储事实的各种类型，各个事实从对应的类 型节点进入Rete网络。
[0144] 如图3所示，首先，给出如下事实：
[0145] w1:(B1^on B2)w6:(B2^color blue)
[0146] w2:(B1^on B3)w7:(B3^left-of B4)
[0147] w3:(B1^color red)w8:(B3^on table)
[0148] w4:(B2^on table)w9:(B3^color red)
[0149] w5:(B2^left-of B3)
[0150] 所有的模式(原子条件)如下：
[0151] C1:(^on)
[0152] C2:(^left-of)
[0153] C3:(^color red)
[0155] C5:(^color blue)
[0156] C6:(^color green)
[0157] C7:(^color white)
[0158] C8:(^on table)
[0161] 图4为匹配三个规则的示例图，这里面所有的C1到C10都是示例条件，即假 设有相对应的事实可以匹配成功，具体的描述如下：
[0162] 规则一(P1)需满足的条件是：C1^C2^C3；
[0163] 规则二(P2)需满足的条件是：C1^C2^C4^5；
[0164] 规则三(P3)需满足的条件是：C1^C2^C4^C3；
[0165] 输入所有的事实到Alpha网络，根据规则推理过程S22进行事实匹配，得到 的结果就是图4所示的结果。
[0166] 图5为图4中的规则一(P1)的具体实施过程，这里面所用到的事实就是图3 所示的事实。图5中的Alpha网络可以参考图3中的虚线左半部分。具体过程描 述如下。
[0167] 如有以下规则：
[0168] IF C1^C2^C3THEN RHS(这里C1^C2^C3就是S21步骤规则概念中的LHS)
[0169] 则本实施例的Rete算法建立规则网络过程为：
[0170] 步骤S221，创建根节点root节点，为推理网络入口；
[0171] 步骤S222，加入规则P1，加入规则P1的过程包括如下步骤：
[0172] 步骤S222a，从规则P1中分别取出模式C1，C2，C3；
[0173] 步骤S222b，检查模式C1对应的Alpha节点是否已存在，如果存在则记录下 节点位置，如果不存在则将模式C1作为一个Alpha节点加入到网络中，同时根据 Alpha节点的模式建立Alpha内存表；
[0174] 步骤S222c，重复步骤S222a和S222b，直到规则P1中所有的模式处理完毕；
[0175] 步骤S222d，按照如下方式组合Beta节点：
[0176] 第一Beta节点的第一输入节点为Alpha节点，第二输入节点为虚拟Beta节点；
[0177] 第二Beta节点的第一输入节点为Alpha节点，第二输入节点为第一Beta节点；
[0178] 将每个Beta节点的两个父节点的内存表内联建立Beta内存表；
[0179] 步骤S222e，重复步骤S222d直到所有的Beta节点处理完毕；
[0180] 步骤S222f，将Then部分封装作为最后Beta节点的输出节点，称为Action节 点，规则P1加入完毕；
[0181] 步骤S223，重复步骤S222，直到所有规则处理完毕。
[0182] 对于规则IF C1^C2^C3THEN RHS的推理过程：创建Reta网络和根据Rete 网络匹配的过程就是图3所示实例。图4和图5是图3的分解示意，并且图4给 出了一般情况下(多个规则匹配)的示例过程，图5则为规则P1的事实匹配过程 (对应图3虚线右半部分)。
[0183] 结果一，刚开始所有事实的隶属度全是1，所以最后匹配成功的事实组合是 w1^w5^w9。
[0184] 结果二，现在更改事实的隶属度，假设采取梯形隶属度函数重新计算出w3和 w9的隶属度，u(w3)＝0.9，u(w9)＝0.7，在规则匹配的最后一步，即在S222d 中内联两个Beta的父节点时，采用T范式算子计算满足规则C2和C3事实集合的 运算，计算结果w1^w5^w3的隶属度为0.9，w1^w5^w9的隶属度为0.7，那么最 后的匹配结果就是w1^w5^w3。
[0185] 从以上实施例可以看出，本发明的基于Rete推理网络的复合推理方法，在模 糊的事实定义中推理得到确定的结果并赋予置信度，为大规模知识库推理提供了 模糊本体优化和扩展的解决方案。
[0186] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术 人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这 些改进和润饰也应视为本发明的保护范围。
