基于 SSH 的粮食储藏物理参数专家系统

《基于 SSH 的粮食储藏物理参数专家系统》由会员分享，可在线阅读，更多相关《基于 SSH 的粮食储藏物理参数专家系统（7页珍藏版）》请在装配图网上搜索。

1、精品论文基于 SSH 的粮食储藏物理参数专家系统贡晋，周慧玲（北京邮电大学自动化学院，北京 100876）5摘要：本文通过分析目前储粮专家系统的研究现状以及存在的一些局限性，运用 SSH 框架 和 Drools 推理引擎技术设计并实现了一种新型的粮食储藏物理参数专家系统。本文先对系 统的整体框架、逻辑结构和功能模块等进行了设计与分析。然后运用数学优化技术对冲突消 解策略进行了一定的改进。最后对系统中匹配的流程进行了分析，并对相关界面进行了展示。 关键词：专家系统；粮食储藏；Drools 推理引擎；冲突消解10中图分类号：TP311.1Expert System of Grain Storage

2、's Physical ParametersBased on SSHGONG Jin, ZHOU Huiling15(Automation School,Beijing University of Posts and Telecommunications,Beijing 100876) Abstract: According to the current grain storage expert system reasearch status and the limitations, this paper designs and implements a new kind of gra

3、in storage physical parameters expert system based on SSH framework and Drools reasoning engine technology. This paper designs and analyzes the system's overall framework, logic structure and function module, etc. And then, this paper uses20mathematical optimization technology to improve the con

4、flict resolution strategies. Finally，this paperanalyzes the system matching process, and shows the relevant interface.Key words: Expert system; grain storage; Drools inference engine; Conflict Resolution0引言25粮食是人类赖以生存的物质基础，其数量、质量与安全直接关系着国家的安全和社会的 稳定。我国作为产量大国，每年由于粮食储藏不当所造成的损失不容忽视1。在粮食储藏过 程中，将其所处生态环境中

5、的物理参数值保持在适当的范围内对粮食储藏安全起到趋利避害 的作用，而且物理参数容易进行数据采集和分析。所以，及时根据物理参数数据分析储粮状 态，并采取相应措施对保证储粮安全具有至关重要的意义2。30专家系统作为人工智能领域中的一个重要分支，可以将专家知识作为依据进行推理和判 断，通过模拟人类专家处理问题的决策过程，对复杂问题给出近似于人类专家的解决方法。 由于其自身的优越性，目前专家系统已被广泛应用到了多个学科领域。专家系统在农业方面的应用最早是在 1978 年由美国伊利诺斯大学研发的大豆病害诊断 专家系统。1993 年，Jones 和 Mumford 等人针对热带的粮食储藏问题开发了一款粮食

6、储藏管35理专家系统3。1994 年，澳大利亚中央储粮管理中心的 Cornish 和 Longstaff 共同研发了一 款粮食储藏的智能决策系统。我国在 1985 年推出了由中科院合肥人工智能机械研究所研发 的砂姜黑土小麦施肥专家系统，这是我国在农业领域的第一个专家系统4。我国在农业方向 的专家应用主要涉及到农业的节水灌溉与合理施肥、作物的品种优育与生产管理、温室的智 能管理、杂草与病虫害的防治与控制等诸多方面，但在粮食储藏方面的专家系统却很少5。40目前在粮食储藏方面的专家系统主要是针对部分地区或者单一作物设计的，且更倾向于设计作者简介：贡晋（1986-），女，硕士研究生，主要研究方向：嵌入

7、式系统与测控网络通信联系人：周慧玲（1965-），女，教授，主要研究方向：嵌入式系统与测控网络. E-mail: huiling- 4 -成软硬件结合的测控系统，使专家系统很难进行信息共享和大范围普及使用，具有一定的局限性。为此，本文将 SSH 框架和专家系统相结合，提出了粮食储藏物理参数专家系统。从而 打破地域和物种的限制，提高信息共享率和系统普及率。系统引入 Drools 推理引擎，其内45部封装的 Rete 算法，可以保证当数据达到一定规模时，匹配效率不受影响。1专家系统总体概述与设计粮食储藏物理参数专家系统是以粮食储藏物理参数为依据，利用计算机技术提供一个基 于 SSH 的专家系统平台

8、，来对粮食储藏物理参数专家知识进行管理，从而使更广域地区更 多的储粮相关人员在遇到与储粮物理参数有关的问题时，可以高效地通过专家系统得到专业50的建议。本系统提供了基于 Web 的用户界面，在一定程度上打破了地域、物种和软硬件一 体的限制，有效的提高了储粮物理参数方面专家知识的共享率和普及率。系统中引入了 Drools 推理引擎，该引擎使用了目前匹配效率最高的 Rete 算法，可以解决传统正向匹配算 法面对海量数据时推理效率低的问题，使数据达到一定规模时保证效率不受影响。此外，系 统在设计时，还根据自身特点对冲突消解策略进行了一定的改进。551.1 系统整体框架设计粮食储藏物理参数专家系统在整

9、体框架上主要由数据库、解释机、推理机、规则库管理 器和人机接口这几部分构成。其中，粮食物理参数数据库主要包括规则库和事实库6。系统 的推理机引入 Drools 规则引擎来完成推理过程。系统整体框架如图 1 所示：601.2 系统逻辑结构设计图 1 系统整体框架图Fig.1 The systems overall framework figure本系统基于 MVC 模式，采用 Struts2+Spring+Hibernate 框架进行开发设计。在逻辑结构 上分为：数据层、业务逻辑层和数据持久层7。Drools 引擎作为服务放入业务逻辑层。具体65组成如图 2 所示：1.2.1表示层图 2 系统逻

10、辑结构图Fig.2 The systems logical structure diagram70表示层采用基于 MVC 模式的 Struts2 框架来与服务层进行交互，此层主要由 JSP 页面 和各模块对应的 Action 控制器组成。其中，Action 控制器主要用来接收用户提交的请求表 单，并控制 JSP 页面的跳转。Action 控制器将接收到的请求表单转给模型层的 Action。Action 则调用 Spring 业务逻辑层的 Service 组件来对业务逻辑进行处理。1.2.2业务逻辑层75业务逻辑层通过 Spring 框架来对 Struts2 的表示层和 Hibernate 框架

11、的数据持久层来进行 连接。业务逻辑层主要包含 Drools 规则引擎组件和各个模块对应的 Service 组件。图中将 Service 分成了四组。第一组为与用户、菜单和角色等有关的 Service 组件。第二组为规则的 Service 组件。第三组为事实的 Service 组件。第四组为品种和粮库的 Service 组件。1.2.3数据持久层80数据持久层通过 Hibernate 框架来完成 Java 程序与数据库之间的数据交互，主要包括 DAO（Data Access Object）层、Hibernate 框架组件以及持久化对象。DAO 层为系统与数据 库进行交互提供了相应的接口。并用 c

12、lass 类来映射数据库中的表单或者视图等。系统可以 通过 DAO 层来完成对持久化对象的增加、删除、修改和查询等基本操作，而不需要关心底 层的 JDBC 数据库访问。85当用户通过系统进行规则匹配时，先通过 JSP 页面提交请求，FactAction 控制器调用业 务逻辑层的 FactService 组件，取得事实数据，然后调用 RuleService 组件从规则库中获取规 则文件。Drools 规则引擎将事实数据和规则数据进行模式匹配，匹配成功的规则被放入议程 中等待执行，执行完毕后，向用户输出结论。1.3 系统功能模块设计90通过对系统的需求进行分析，主要将本系统分为四个模块：用户登录验

13、证模块、用户信 息管理模块、数据管理模块和数据匹配模块。系统功能模块结构图如 3 所示：95100105110115120图 3 系统功能模块结构图Fig.3 The structure diagram of system functional module四个模块的主要功能如下：（1）用户登录验证模块：主要完成用户的验证，并根据角色的不同使用户进入自己权 限范围内的模块；（2）用户管理模块：主要完成用户信息的添加、查询、修改和删除等功能；（3）数据管理模块：主要完成对专家知识的添加、查询，修改和删除等功能；（4）数据匹配模块：主要完成用户的专家诊断和查询诊断记录的功能。2专家系统推理匹配的设

14、计与实现本系统引入了 Drools 推理引擎来进行推理匹配，该引擎采用的是目前公认的匹配效率 最高的 Rete 算法。并结合系统自身的特点，运用最小二乘法原理对冲突消解策略进行了一 定的改进。2.1 改进的冲突消解策略Drools 推理引擎内部提供了两种冲突消解策略，分别为 Salience 策略和 LIFO 策略。但 是这两种冲突消解策略有一定的缺陷。Salience 策略只能处理优先级不同的规则，当规则的 优先级相同时，其内部的冲突无法通过此策略解决。LIFO 策略只是简单地根据规则进入议 程的时间先后顺序来对规则进行处理，虽然解决了冲突，但推理过程中存在一定的盲目性， 也很容易引起匹配结

15、果的偏差。本系统处理的对象大多是温度、湿度、水分值等参数数据，规则匹配的过程也主要是对 这些参数值进行一定的处理。基于系统自身的特殊性，在此对系统的冲突消解策略进行了一 定的改进。将最小二乘法和权值引入到冲突消解策略中，希望寻找与事实最接近的规则来作 为最优解。在系统中，为了表示不同参数对规则结果影响的轻重程度，引入了权值。并规定每条规 则中所有有效参数的权值之和等于规则有效的参数总个数。假设用 Fi 表示事实参数，用 Ri 表示与 Fi 对应的规则参数，用Wi 来表示参数 Ri 对应的 权值，则 Ri max 表示 Ri 的最大值， Ri min 表示 Ri 的最小值。如： Fi 为事实组合

16、中的粮堆平均 温度，则 R1 为规则中的粮堆平均温度， R1max 为规则中的粮堆平均温度最大值， R1min 为规 则中的粮堆平均温度最小值，W1 为规则中粮堆平均温度的权值。用数学表达式来表示用户- 7 -输入的事实组合和规则如下：F = F1 , F2 , F3 ,., Fn R = R1min , R1max ,W1 , R2 min , R2 max ,W2 , R3 min , R3max ,W3 , ., Rm min , Rm max ,Wm 125130改进的冲突消解策略为：（1）将规则中事实参数 Fi 与规则中与其对应的规则参数的范围 Ri min , Ri max 进行匹

17、配， 看 Fi 是否满足在此规则参数范围区间内，即是否满足 Ri min Fi Ri max ，如果满足，则说明满足一个条件。以此类推，直到所有参数都匹配完毕。满足条件最多的规则的优先级最高，如果出现多个参数个数相同的规则，则计算误差。（2）当规则被满足的参数个数相同时，运用最小二乘法的原理对匹配失败的参数进行 计算，来寻找和事实数据的最佳匹配规则。最小二乘法是数学中常用的一种优化技术，主要 是通过对误差的平方和进行最小化计算来寻找与标准数据的最佳匹配。本系统运用的计算公 式如下：2a F R 当F p R时，R = R iE =iix×Wii minixi mini =1 Fi 当

18、Fi f Ri max时，Rix = Ri max 2.2 推理匹配的设计和实现1352.2.1系统匹配流程在系统中，用户将自己的粮食参数事实组合通过人机界面录入系统，系统会通过一系列 流程来对事实组合进行匹配，并将匹配结果反馈给用户。系统在进行数据匹配时的整体时序 流程图如图 4 所示：140145图 4 系统推理匹配时序流程图Fig.4 The time flow chart for systems reasoning match系统进行匹配的整体过程如下：（1）用户通过数据匹配模块的人机界面输入事实数据，提交匹配请求；（2）请求到达业务逻辑层的 MappingService，Mappin

19、gService 向 RuleService 发送获取 符合条件的规则列表 List<Rule>请求；（3）RuleService 调用其实现类 RuleServiceImpl 来完成获取规则列表操作，并将精品论文150List<Rule>返回给 MappingService；（4）MappingService 将 fact 和 List<Rule>送入 DroolsMapping 中等待 Drools 规则引擎 进行匹配；（5）DroolsMapping 匹配结束后，将匹配结果返回 MappingService，MappingService 将 匹配结果进

20、行排序处理；（6）MappingService 将处理后的最终结果反馈给用户。 在（4）中，系统将事实和规则送到 DroolMapping 中进行匹配。DroolMapping 会调用Drools 推理引擎中的接口来进行推理。具体的时序流程图如图 5 所示：155160165170图 5 Drools 推理引擎推理时序流程图Fig.5 The time flow chart for Drools inference engines reasoning match系统中，运用 Drools 推理引擎进行推理匹配时的具体步骤为：（1）系统将事实和规则的数据传入 Drools 推理引擎中，这时需要调

21、用 KnowledgeBuilderFactory 中的 newKnowledgeBuilder（）方法来生成 KnowledgeBuilder 对象。 KnowledgeBuilder 对象用来对系统中的规则文件进行加载和编译。（2）KnowledgeBuilder 对象创建好之后，解析器就可以对规则文件进行读取，并通过 KnowledgeBuilder 提供的 hasErrors（）方法来对规则文件的相关语法进行检查，判断规则文 件是否有误。编译完毕，对规则文件生成相应的 Package。（3）规则文件编译完毕之后，需要调用 KnowledgeBaseFactory 生成一个 Knowle

22、dgeBase对象。KnowledgeBase 用来获取已编译好的规则文件的 Package。（4）编译好的规则包在推理引擎中很好的运转起来，就需要调用 KnowledgeBase 对象 来生成 StatefulKnowledgeSession。StatefulKnowledgeSession 的作用是和 Drools 推理引擎进 行交互。业务数据会被插入到 StatefulKnowledgeSession 对象中，并通过 Session 对象来对规 则执行触发。（5）当规则插入到 StatefulKnowledgeSession 对象后，就会通过调用 Session 对象中fireAllRu

23、l（e）方法对规则执行触发，从而对数据进行推理匹配。匹配完毕后，需要调用 dispose（）方法对相关内存进行释放。2.2.2数据匹配模块 在系统中，用户通过数据匹配模块的人机界面输入事实数据，提交数据匹配请求。系统175180接收请求，并在后台进行匹配处理。事实录入的界面如图 6 所示：图 6 事实录入界面Fig.6 Fact input interface当用户的请求被处理完毕之后，系统会将匹配结果转成便于用户阅读的格式反馈给用 户。系统为了便于用户理解匹配过程，会将优先级最高的 5 条规则返回页面。用户不仅可以 查看匹配结果，还可以查看规则的具体内容。这也就是框架中解释机的具体实现。此外

24、，用 户还可以选择记录匹配结果，以便后期进行查看。匹配结果反馈界面如图 7 所示：1853结论图 7 匹配结果反馈界面Fig.7 The feedback interface for match results190195200本文提出了一种新型的粮食储藏物理参数专家系统，运用 SSH 框架和 Drools 推理引擎 的技术对目前储粮专家系统存在的局限性进行了改进。该系统通过 SSH 框架搭建了基于 B/S 结构的 Web 系统平台，不限地区和物种，使更广域地区更多物种可以使用，提高了信息共 享率和系统普及率。系统运用 Drools 推理引擎来进行推理匹配，以保证当数据规模达到一 定程度时匹配

25、效率不会受到太大影响。并根据系统自身特点运用最小二乘法原理对冲突消解 策略进行了一定的改进。参考文献 (References)1 勒祖训. 世界储粮生态系统网络体系的研究设想J.粮食储藏，2009，(4)：2-9. 2 吴子丹. 绿色生态低碳储粮新技术M.北京：中国科学技术出版社，2011.3 孙曰波，任术琦，丁世民. 农业专家系统发展的概况与前景J.安徽农业科学，2006，34(20)：5545-5546.4 石琳，陈帝伊，马孝义. 专家系统在农业上的应用概况及前景J.农机化研究，2011，(1)：215-218. 5 葛中一. 农业专家系统的应用及发展J.山东师范大学学报(自然科学版)，2008，23(4)：150-153.6 佘玉梅，段鹏. 人工智能及其应用M.上海：上海交通大学出版社，2007.7 付更丽，曹宝香. SOA-SSH 分层架构的设计与应用J.计算机技术与发展，2010，(01)：20-30.