TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.7, July 201 4, pp . 5575 ~ 55 8 4   DOI: 10.115 9 1 /telkomni ka. v 12i7.537 4          5575     Re cei v ed  De cem ber 1 5 , 2013; Re vi sed  Jan uar y 11, 2 014; Accepte d  February 8,  2014   Construction of Geological Knowledge-based  Systems  of Railway Route Select ion      Lv Xikui* 1, 2 , ZhouXiaopin g 1 , He Bin 1    1 School of T r affic and T r ansportation, Shi jia zhua ng  T i eDao  Universit y , 05 004 3, Shiji azh uan g Chi n a   2 T r affic Safeties and Co ntrol L ab of Heb e i Pr ovinc e  Chi na, 050 04 3, Shiji a z hua ng, Ch ina   *Co rre sp ondi ng autho r, e-mail: lvxikui_tdu@163. com       A b st r a ct   Accordi ng to  the  divers ity of  ge olo g ic al c o nditi ons  invo lv ed  in r a ilw ay  l o catio n  d e si gn , different   types of g eol o g ical  ob jects  w e re classifi ed  and  in dexe d , and pro pose d  the mod e li ng meth od bas ed   on   mu ltipl e  su b-b a ses. It use d  the co mputer' s   intern al  and  e x ternal r epr ese n tation  in  ge ol ogic a l k now led g e   repres entati on.  In computer e x ternal , it used  object-ori ente d  class-ru l e s know led ge repr esentati on  mo de l ,   add ed cre d i b il ity to the ob j e ct-orie n ted k now led ge r epr esentati on  mo del, a nd th en  achi eved f u zz y   repres entati o n  of know le dg e. In  ord e r  to achi eve v i sual r epres en tation of  externa l  know le d g e   repres entati on,  text, imag es a nd thre e-di men s ion a l virt u a l r eality tec hno lo gy w e re use d . Accordi ng to t h e   ambi guity of geol ogic a l know led ge,  it reali z ed unc ertainty   reas oni ng   of  t he part bas ed on  r u le   co nd iti o n   and co ncl u sio n s .    Ke y w ords : ge olo g ica l  know le dge b a se, rai l w a y r oute sel e cti on, reaso n i ng  construct     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .         1. Introducti on  De cad e s of e ngine erin g practice proved  that  it is necessary for  co nstru c ting  a mode rn   railway with  high q uality to select  rail way lines rea s onably in  rail way  con s tru c tion a c cordi n g to  geolo g ical  co ndition s [1].  In mountai no us  are a s an d tho s e  are a s   with  compl e x engin e e r i n g   geolo g ical  co ndition s, engi neeri ng  geol ogy line  sel e ct ion plays a n   impo rtant role  in  th e rail way  line sel e ctio n .  How to  sel e ct a rea s on able rout e a c cordi ng to t he ge ologi cal  con d itions?  In   addition to d epen d on re gular route d e sig n  st and a r ds, it depen d more on route desi gne rs’   experie nce [2]. But the  experie nce a nd kn owl edg e can not be  got overnig h t. Throug h  the  establi s hm en t of geological kno w led g e  base of ro ut e sele ction, it offers geol o g ical  kno w led g e   requi re d to  ro ute de sig ners, automati c all y  sea r ch e s   re lated lin e-sel e ction  ge olog ical  kn owl edg e  in the line-sel e ction p r o c e s s, and the n  p r ovide s   en gin eers re al-tim e help a nd re feren c e. It also  provide s  ge o l ogical ba sis for railway line sel e ctio n  by reasonin g  and ma ke s it possible  for  building a full  rang e of intelligent route  se lection g eolo g ical e n viron m ent for rail way line sele cti on  and a c hievin g remote  sen s ing g eologi cal route sele ction in three - d i mensi onal e n vironm ent.       2. Design of  Kno w l e dge  Bas e   Structu r e of kno w le dge   b a se   play s a n  important  role in kn owl edge ba se it self. An   inco nsi s tent  or in co mplet e  kno w led g e  ba se  co ul d greatly red u ce  the efficien cy  of rea s o n ing.   Expressio n  and organi zational mod e l  of knowl e d ge will influ ence rea s o n i ng efficien cy  o f   inferen c e  en gine, affe ct  updatin g a n d  enri c hi ng  knowl edge  at  the  sam e  t i me, and  aff e ct  intelligen ce  le vel of the  enti r e  kn owle dge  ba se. A va ri ety of geol ogi cal  co ndition s are involved   in   line sele ction  and desi gn,  so there is  a large nu m ber of kno w l edge in the route ge ologi cal  kno w le dge  b a se. If all lin e s -sele c tion  g eologi cal  kn o w led ge i s  list ed in a  knowl edge  ba se, it not  only increa ses the  difficulty of mana ging  kno w le d ge, but al so  dire ctly lea d s to d e cre a s ed  availability and effectiveness  of se lected lines geological  knowl e dge base. T h eref ore, according  to its rel a ted  different ge ol ogical conditi ons, the  kn o w led ge in th e  kno w le dge  b a se i s  divid e d  into   a seri es of  kno w le dge  sub-spa c e,  su ch  as  spe c i a l ge otechni cal  su b-ba se , sub - b a se  of  geolo g ical  di sasters. Every  kno w le dge  su b-spa c e  ca n  also  be  divide d into a  num b e r of  relativel y   indep ende nt kno w le dge el ements  a c cording  to differ ent geol ogi ca l obje c ts it  co ntains. In  eve r y  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5575 – 55 84   5576 kno w le dge  e l ement, corresp ondi ng el ement-rule s   are  save d. Whe n  gui din g  the  work of  inferen c e  en gine, a ppropriate rul e s will  be fo und  in  these  kno w le dge  eleme n ts a s   qui ckly  a s   possibl e. In a ddition, the  knowl edge  of  every kn o w le dge  cell i s   stored  in the  li ght of kno w le dge  notes. T h is constitute s  cla s s hie r archy  tree of lin e  selectio n an d  desi gn  kno w l edge  and  th e   sy st em st ru ct ure  is  sho w n i n  Figure 1.                       Figure 1. System Structu r e  Diag ram of Knowle dge Base       As is sho w n i n  Figu re  1, knowl edge  ba se i s  divid ed  and  saved  int o  multiple  su b-ba se s  according to  the cha r a c teristics of the line se le ction  and de sign g eologi cal kno w led ge. On the  terms of  kno w led ge types, it can be divided into  ge ol ogical kn owl e dge of line se lection field a nd  example  kn o w led ge. Th e  entire   kno w ledge  ba se  con s i s ts of several sub - bases  an d  t h e   kno w le dge  cell co nsi s ts  of kno w le dg e cell s. Each nod e sto r es 3 type s  of kno w le dg e of  corre s p ondin g  cells.  The s e a r e  relate d  kn owl edg e  of existing  n o rm s,  expe rt experie nces and  example s  of existing de sig n s. The  stora ge stru ctu r e o f  knowl edg e cell is sh own in Figure 2.  Unfavorable geo l og y   knowledge sub  b a se  Route se lec tion   exam ples  bas e   Route  selec tion   Geolog y   Base      Inference  engine  Inter p rete r   Ma in   Module  S p ecia l  T e rra in  knowledge sub  b a se  Mollisol   Permafros Swelling  Spe c i al  ge ot ec hni c al   knowledge sub  b a se  Sa lty  Soil  Loess   ……   Knowledge  Landslid e Mudslide  Collapse   Karst  Glaci e r   ……  Knowledge  知 识 元   Valle y  Mountain   Struc t ure  Hill y   Reservoi r   ……  Design  Results Explan ation Descri p tion S u cces s f ul  exam ples   Failure   exam ples   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con s tru c tion of  Geologi cal Knowle dge -b ase d   Syst em s of Rail wa y Route Sele cti on (L v Xikui )   5577 The e n tire  kn owle dge  ba se con s ist s  of  several  sub - b a se s  and th e  kn owle dge  cell co nsi s ts  of kn owl edg e  cell s. Ea ch   node  sto r e s   3 types of   kn owle dge  of  correspon ding  cell s. T h e s e  are  related  kno w l edge of existi ng norms, ex pert expe rien ce s and exa m ples of exist i ng de sign s.         Figure 2. Knowled ge Node  of Knowled g e  Cell       Acco rdi ng to  different ge ologi cal type s, every  kno w led ge  sub - base corre s p ond s to  different type s of  ge ologi cal obj ect s . G e ologi cal  obje c ts in  ea ch  category  is mad e  a s   a  cla s s  and  descri bed  usi ng multiple  keywords. At t he same  time , example s  correspon ding  to each categ o ry   are al so in cl uded in its  class. A class may  concl u de many inst ances a nd a n  example m a y  corre s p ond t o  multiple cla s ses. Th us,  wheth e r be gi nning fro m  cl asse s or fro m  keywo r d s   having   actually retri e ve  si gnifica nce, we ca n   ea sily  retri e ve kn owle dg e an d thei r i n stan ce s.  Cl ass’s  keyword s  an d  in stan ce s constitute  th e expre ssi on  p a ttern  of ea ch type of  geol ogical  kno w le dge.  E-R rel a tion ships am ong t hem are sh o w n in Figu re  3.        Figure 3. The  Relation ship  among  Cla s ses, Keywo r d s  and Instan ce s        Figure 4. Physical Storage St ructure of Knowledge  Base        geological kn owled ge bas e of   railway route selection   Sub-base1  ……    Sub-base n   Ins t ance   base  Examples of existing  designs  Knowle dge n ode   Norm knowle dge   Expert exper iences  knowledg e   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5575 – 55 84   5578 The mai n  mo dule g eolo g ical kn owl edg e  base of  rout e sel e ctio n consi s ts  of inferen c e   engin e  an d i n terp reter. A c cordi ng to  d i fferent ge olo g ical  co nditio ns, corre s po nding  kn owl e dge   sub - ba se i s  i n voke d. Inference Engin e   make s  de cisi on infe ren c e s . Interprete r i s  respon sible  for  explaining  reasonin g  d e c isi on  re sult s a n d   sc hed u lin g a p p r op r i a t e ins t a n c e s  an d sho w s   rea s oni ng de cisi on re sult s using some  form. Over all  physical  sto r age  stru cture of knowl e d g e   base is sho w n in Figure 4.      3. Kno w l e d g e  Acquisi tion Method   Knowle dge  a c qui sition  is  a p r o c e s s th at it  e x tr ac ts e x p e r t is e wh ic h is us e d   to  s o lve   probl em s fro m  the kno w le dge source s  whi c h ha s thi s  kn owl edg e and convert s  them to spe c i f ic   comp uter  re p r esentation. Geolo g ical  kn owle dge ba se  of railway route  sele ctio n mainly  co ntains  norm  kno w le dge, expert knowl edge a n d  instan ce s knowl edge  (Sh o wn in Fig u re  5).                   Figure 5. Source and  Comp ositio n of  Railway Route Selectio n Geolo g ical Knowle dge       Knowle dge  a c qui sition m e thod can be  divided into a u tomatic a c q u isition m e th ods  and  non-autom atic a c q u isitio n  method s. Aut o matic kn ow l edge  a c qui sit i on relate s to  many  pro b le ms  of spe e ch re cog n ition, te xt reco gnitio n , natur al la ngua ge u nde rstan d ing  an d othe r a s pe cts.  Thus, acco rding  to ch aracteri stics of  geolo g ic al kno w le dge b a se of  ro ute   sele ction,  t h e   kno w le dge  a c qui sition  mo de that  com b ine s   ra w m ode  with  ad vance d  m o d e  is u s e d . T he  pro c e ss of  kn owle dge a c q u isition i s  sh o w n in Figu re  6.          Figure 6. Pro c e ss of Syste m  Knowle dge  Acquisitio n       4. Kno w l e d g e  Repr esen tation of G e ol ogical Rou t e  Selection   Knowle dge  repre s e n tation  is  how to  sh ow  kn owle dg e (rule s ,  con c ept, a nd fa cts) in  an   accepta b le fo rm of co mpu t er and info rm peopl e proce s sing  re sults in a  way that people  can   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con s tru c tion of  Geologi cal Knowle dge -b ase d   Syst em s of Rail wa y Route Sele cti on (L v Xikui )   5579 unde rsta nd. This is the p r oble m  to be studied of  knowl edge  re pre s entatio n. It can cle a rl y be  see n  kn owle dge re pre s e n tation involves two a s p e cts. They  are the form of knowl edg e   rep r e s entatio n and kn owl edge ma nag ement and u t iliz ation. Wh ether the form of knowl e dge   rep r e s entatio n is  rea s on a b le or  not de pend s o n  wh ether thi s  ex pre ssi on fo rm is  cond uci v e to   kno w le dge  manag eme n t and u s e of  comp uter.  Knowle dge  manag eme n t and utili zation i s   reali z ed by p r og ram s , so  the form of know l edge  re pre s entatio n need s to meet the form and  style of prog ramming l ang uage. Ba se  o n  this, thi s  p a ssag e offers a ki nd of  co mputer i n tern al  and exte rnal  use r -orie n ted  kno w le dge  repre s e n tation  form  whi c h i s  suitable  for geolo g ical li ne  sele ct ion kno w led ge.     4.1. Object-o riented  Kno w l e d g e Re pr esen tatio n  Inside the  Co mputer   Curre n tly main kn owl edge   rep r e s entatio n method s u s ing m o re are first-ord e r  p r edi cate   logic rep r e s e n tation,  pro d u ction rep r e s entation,  frame repres entation [4,  5], s e mantic  network  rep r e s entatio n and  so  on.  Every metho d  ha s it s a d vantage s a nd  disa dvantag e s . For  examp l e,  first-o r de r p r edicate logi c rep r e s entati on c ann ot expre ss  un certainty kn o w led ge; fra m e   rep r e s entatio n is  not g ood at  pro c edural  kn o w ledge re pre s entation;  se mantic network  rep r e s entatio n exp r e s ses non -string e n c y of  kn owl e dge. Expressing  kno w le dg e with  rule s  is  widely used  i n   intellige n t engin eeri ng system s,  a n d  alre ady h a s had  a ve ry  solid  theo reti cal  foundatio n   [6, 7]. And object-o r iente d  re pre s entatio n is  a mixed rep r esentation m e thod that pu ts   together  con v entional re pre s entatio n  method su ch a s  prod uction rep r e s entatio n, frame  rep r e s entatio n  and pro c e ss rep r e s entation.  O b ject-ori ented  rep r e s entat ion re prese n ts  kno w le dge in  kno w led ge b a se  usi ng obj ects  and  can  abstract  co rresp ondi ng kn owle dge o b je ct   cla s s for kn owle dge  obj ects with  th e same  cha r acte ri stics. It has fou r   cha r a c teri stics:  encap sulatio n , modula r ity, inheritan ce a nd ea sy  main tenan ce. Obj e ct-o rie n ted repre s e n tation  is  clo s er to the human min d , reflects the  nature of the human thin ki ng pro c e s s b e tter and is  more   suitabl e for knowl edge  rep r esentation [8 ]  For exampl e ,  route-sele ction geologi cal  kno w led g e  of permaf r ost regio n s can be  expre s sed a s  the following  obje c ts:             In the fig u re   above, attri b u t es of  cl asse s  rep r e s ent  factual  kno w le dge  and  the   method s  of cla s se s  re pre s ent  the  p r ocess knowl edge  an d co ntrol kn owle d ge.  Kno w led g e   cl ass meth ods  inclu de the  knowl edge fo r  rea s oni ng  su ch a s  all  kind s of he uri s tic  kno w le dge,  meta-kno wle dge,  formula s  a nd  cha r t. Knowl e dge in  cla s se s ha s e n ca p s ulation a nd i s  not allo wed  operation o u t of  the obje c t t o  process it s inte rnal  d a ta.  Y ou  can al so  use  the inh e rita nce  of cl asses,  decompo sin g  co mplex  knowl edge  a nd redu cin g  re d und an cy of kno w led ge, to fa cilitate  kno w le dge re aso n ing. Thu s , the static a nd dynami c   chara c te risti c s of the object as a whole ex ist  in the o b je ct. The  obje c t  become s  a n   entity with kn owle dge  pro c essing  ca pab ilities an d  ca n   exist flexibly in the kno w le dge ba se.   Simultaneo usly, it can also rep r e s e n t fuzzy  kno w le dge to a dd  cre d ibility to obje c t- oriente d  kno w led ge repre s entatio n. It  is shown  in  two a s pe cts.  First, ea ch  pre c on dition  of  prod uctio n  ru les h a s  different deg ree s   of sup port to  con c lu sio n s,  that is, they  have differe n t   Cla ss n a me: perm a fro s t line sele ction       [Super class name]  spe c ial geote c hni cal  line sel e ct ion   Attributes:                                     Methods:   Premise list;                                    InputAvera geGroun dTe m perature  ();   Premise wei g hts;                              InputLineTerrain Feat ure s ();  Con c lu sion li st;                               InputPermafro stZone Type ();   Con c lu sion  weights;                         Calcula t eBeliefPropa gationValu e ();  Numb er of Premise;                         OutputRe comm end ationsCo nclu sion s()  Numb er of Concl u si on;                       Outp utCorre s p ond ingInsta nces();  ……..  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5575 – 55 84   5580 degree s of importa nce. It makes diff erent p r econ ditions have  different weights throu g h   assigni ng weighting factors to preconditions. Se cond, each  rule has diffe rent credi bility.  It  indicates the  degree of ce rtainty of human expert s  to  this rule addi ng weig hting factors to rule s.  Thus it adds  the ability to  blur represented to  object-oriented knowled ge representation  on the  basi s  of tradit i onal produ cti on rule s.   Rule i s  expre s sed a s  follo w:     if （ P 1 , δ p 1 ） an d （ P 2 , δ p 2 ） and  … an d （ P n , δ p n ）  then  C 1  and C 2  an d  … C n  with  α    Among  this,  P 1 ， P 2 ， ... ， P n    is prere quisite s;  δ p 1 ， δ p 2 ， ... ， δ p n  is right weight of   pre r eq uisite s;   C 1 ， C 2 ， ... ， C n  is  con c l u sio n s of  rul e s;   α  is credibil ity.    Introdu cing  a  wei ghting  fa ctor of evide n ce   to   r u les   s o lves  no t on ly th e  re pr es e n t a t ion   probl em s  ca use d  by  different  deg re e s  of  impo rta n ce  of m u ltiple evid en ce s  sup p o r ting  to   con c lu sio n s  and differe nt indepe nden ce s and  d e pend en ce s among evid ences, but  also   uncertain  rea s oni ng p r obl em with in co mplete evide n ce s. It makes obj ect - ori ented kno w le dge   rep r e s entatio n be cap able  of handling  fuzzy  kno w le dge thro ugh  addin g  confid ence sp rea d i ng  values a nd calcul ated con f idence sp rea d  values  to the kno w le dge  obje c t cla ss.      4.2. Users’ E x tern al Kno w l e d g e Repr esen tatio n  Based on Vis u alization   Knowle dge in  kno w led ge b a se, on  one  hand, ne ed s to be effectively store d , re trieved   and id entified  with inte rnal  com puter. A t  the sam e  ti me, it req u e s ts to be  sh o w n to  users i n  a   more  di re ct  way. Mo re  th an 8 0 % of  h u man  kno w le dge  and  info rmation  is o b t ained th ro ugh   visual, so he re we  apply m u ltimedia te chnolo g y to external  kno w le dge  rep r e s en tation, usin g  not  only text message s, but  also  3D virtu a l re alit y technolo g y su ch  as  gra phi cs,  image s, sou nd,  video, anim a tion, etc. a n d  ma king   comprehe ns iv e de scriptio n  of multi-an gle to  achie v e   visuali z ation  of kno w led ge of  external rep r e s en tation. External visual  repre s e n tation  of  kno w le dge is  sho w n a s  Fig u re 7.           Figure 7. External Vi sual  Rep r e s entati on of Knowle dge           Figure 8. Knowled ge Represe n tation Fo rm   (a)  Text represe n tation of  kno w le d g e (b) Grap hics  represe n tation  of kno w led g e (c) Image  re pre s entation  of kno w led g e  visual re presentation of kn owle dge   text mes s a ges  grap hics, ima ges  Vide o  a nd ani mation virtual reality  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con s tru c tion of  Geologi cal Knowle dge -b ase d   Syst em s of Rail wa y Route Sele cti on (L v Xikui )   5581 In Figu re  7, text messag e s  a r e  used to  de scribe  the  co ncept a n d  types  of kno w led ge,  and othe r text information;  graphi cs an d video anim a tions a r e m o re ima ge re pre s entatio n for  kno w le dge. K nowl edge  ba se p r ovid es i n terfaces fo r  input of thi s  i n formatio n. T a ke  kn owl e d ge  rep r e s entatio n of valley region line  sele cti on for exa m ple and i s  shown as Fig u r e 8.   The sy stem  build s many types of VGE su ch a s  valle y, permafro s t ,  loess a nd  so on for   the pa rticul ar enviro n me nt of ro ute  sele ction. It auto m atically invo ke s the  corre s po ndin g  virt ual   geog rap h ic e n vironm ent from virtual  ge ogra phi c  e n vironm ents li brary, expre s se s  kno w led ge  in  the environm ent and then  achieve s  virtual visual  rep r esentation o f  knowl edge.  It allows users  immersive, a nd ma ke s t hem le arnin g  an d u s e   kno w le dge   more  effecti v ely. The th ree- dimen s ion a l visual  rep r e s entation  of kn owle dge of  ri ver segme n t’s line  sel e ctio n in valley re gion  is sh own in  Figure 9 (Usi ng high  brid g e s a c ross  val l ey). The sy stem can  see  dynamically 3D  kno w le dge re pre s entatio n model  f r om d i fferent  pe rs p e ctives an d d epths an d re size the  virtu a l  geog rap h ic e n vironm ent.        Figure 9. 3D  Virtual Visual  Rep r e s entati on of Knowle dge       5. Managem e nt and M a intena nce   In geolo g ical  kno w le dge  b a se  of ro ute  sele ction, the  main fun c tio n s of  kno w le dge b a se   manag eme n t ha s to b e   done  are ba sic man age m ent of  kno w led ge  (con sist s of a ddi tion,  deleting and modificatio n ),   kno w le dge demon stratio n ,  visual rep r ese n tation  of   kno w le dge and  so o n . In ord e r to offer  users  more u s e r-frie ndl y inte rface s , the wo rk of  kn owle d ge man age m ent  se ction is  mainly focu sed on reali z ing vis ual repre s e n tation  of knowle d ge and sim p le   decompo sitio n  of general knowl edge in p u t by users.           Figure 10. Input Interface of  Knowle dge   Figure 11. Input Interface of  Examples  (b)   3D virtual  rep r e s entatio n  of Knowled g e  (Vertigo  Mode )  (a)  3D virtual rep r esentation   of Knowled g e   (Gi z mos Mode)  (c) 3D virtual  rep r e s entatio n of Knowled g e  (Texture  Mode )  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5575 – 55 84   5582 The inte rfa c e  that users i nput  kno w le dge i s   sho w n a s  Fig u re   10. When i n i t ializing  kno w le dge b a se, a n  expe rt or a kno w le dge en gine er  enters a rule  usin g the u s er inte rface, and  this rul e  is ju dged by the  system. If the rule’ s  p r em ise o r  co ncl u sion  contai ns both "And" and   "Or", the system will automatically convert it into  a  multi-decom p osition ru le and store into the   kno w le dge b a se to fa cilita t e future mai n tenan ce of  knowl edge  ba se. The  rule s stora ge thro ugh  this form  is conve n ient  for rul e s re d unda nc y  che cki ng, contra dictory  rule s che c king  a nd  circulatio n rul e s che cki ng.  To achieve fuzzy kno w le d ge re pre s e n tation, every pre r eq uisite  of a  rule h a s o w n  cre d ibility input value an d the maxi m u m value is  1. After sele cting a pi ece  of  kno w le dge, we can add  instan ce s to it through  fu nction ‘Add  an insta n ce’. This process is  sho w n in Fig u re 11.       6. Reaso nin g  of Kno w l e dge Ba se   6.1, Reaso ning of Un cer taint y   In enginee rin g  probl ems, t here i s  much  commo n kn owle dge which can not use  normal   logic to ha ndl e, beca u se they contai n a great d eal  of unce r tainty  [9].  For example, observe  the  followin g  pie c es of kno w le dge: ‘Rel atively flat  side of the river b ank m a y have bad g eolog ical   con d ition s ’, ‘The terrain of valley side s is  steep  a nd it may cau s e g eologi cal di sa sters land slid es,  mudsli de s, et c.’. The s e pi e c e s  of  kno w l edge  co nt ain  a great de al  of uncertainty . There  are two   cla s ses of th e uncertainty  above. The y  are uncert a inty of rule con d ition s  an d uncertainty   o f   con c lu sio n s.  Therefore, it  is n e cessa r y to bu ild  so me un ce rtain  pro c e s s of  cal c ulatio n a nd  rea s oni ng [10 - 12].   1) Un ce rtaint y of rule cond itions  Whe n  o b serving obje c t s , the truth  that we  h a ve seen  u s u a lly owns  u n ce rtainty.  Gene rally, un certai nty of a truth is d e scribed  by  a co efficient ra ngi ng from 0 to  1.’1’ rep r e s en ts  compl e te det ermin a tion a nd ‘0’ repre s ent s compl e te un certai n t y. This coef ficient is  call ed  cre d ibility. When  a rule  h a s  more tha n  one  conditi o n , you n eed   to cal c ul ate  credibility of t h e   overall condit i on acco rding  to credibility of each  credi bility[13-14]. There are two main ways  as  follow:   a) The a ppro a ch b a sed on  fuzzy set the o ry  Accordi ng to this  appro ach, it regards  the sm allest credibility  of all  the condit i ons  as  cre d ibility of t he ove r all  co ndition. Fo r i n stan ce,  thi s   approa ch i s   u s ed  by MY CIN  system. Se t a   rule containi ng m con d itions, and  m c c c ,..., , 2 1  is each condition’s credi b ility. Therefore,  credibility of the overall condition  t c  is } ,..., , min{ 2 1 m t c c c c . As is sh own in  Figure 12, th ere   are  3 rules owning rules.  Assuming  that 0.9, 0.5 and  1.0  are credibility of the th ree rules, so take  the minimum  value 0.5 for the credibility of the total.          Figure 12.  Fu zzy -set   Proce ssi ng Metho d  of Condition  Cre d ibility      b) The approach ba sed on probability  This approach also gives  all evidences its  own credibility. But credibility of the overall   con d ition equ als to the total prod uct of every cr edibil i ty. For example, this app roach is used  b y   PROSPECTOR s y s t em. Us ing  the s a me  rule as  is  s h own in Figure  12, the overall  c r edibility of   part of the rul e s ente r ing i s  0.45, as is shown in Figu re 13.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Con s tru c tion of  Geologi cal Knowle dge -b ase d   Syst em s of Rail wa y Route Sele cti on (L v Xikui )   5583     Figure 13.  Probability Pro c essing Meth o d  of Conditio n  Cre d ibility       For the same  rule having  m conditio n s,   m c c c ,..., , 2 1  is each  condition’s  credibility. So  credibility of the overall  condition  t c  is m i i t c c 1 .  Therefore, thi s  arti cle prov ides two methods to determ i ne  the overal l credi bility of  the  rule s se ction;  you can cho o se o ne a c co rding to the a c tual situ ation .     6.2. Uncer tai n t y  on Conclusions   The u n certai nty on  con c l u sio n s is  also call ed  un certainty of  ru les, a nd it  re pre s ent s  uncertain de gree of  pro d u cin g   so me con c lu sio n  when the  con d itions of th e rule a r e f u lly  compl e ted. It is also  rep r ese n ted by given ru le s  coefficient s be tween 0 a n d  1, that is, the  coeffici ent is  cre d ibility of a con c lu sion.  Determinatio n method a s  follows:   Take  con c lu sion credibility  as the pro d u ct of  con d itions  cre d ibilit y and rule s coefficien t in out C C . As is  sho w n in Fig u re  1 4 , at this tim e  co ndition s  cre d ibility is  0.5 and  rul e s  coeffici ent is  0.8, so  co ncl u sio n  cre d ibil ity is 4 . 0 8 . 0 5 . 0 out C . The rel a tionship b e twee n   conditions credibility of rules a nd  conclusion credibi lity of rule s i s   shown i n   Figure 14.  T h is  relation shi p  can be u s ed to  represent un certai nty of rules.             Figure 14. Ca lculatio n method of Co ncl u sio n   Credibility  Figure 15. Th e Relatio n ship betwe en  Conditions Credibility of  Rules and Concl u sion  Credibility of Rules      7. Conclusio n   Acco rdi ng to  the diversity of geol ogica l con d it ion s  i n volved in  ra ilway lo catio n  de sign,  different types of geologi cal object s  we re cl a s sified  and indexe d , and pro pose d  the modeli ng  method ba sed on multiple sub - b a ses. It used  the compu t er's inte rnal  and external   rep r e s entatio n  in   ge ologi cal  kno w led g e   re pre s e n tation. In comp uter external,  it used obje c t- oriente d  cla s s-rule s kno w l edge  rep r e s e n tation mod e l , added  cre d ibility to the object - ori ent ed   kno w le dge  re pre s entatio n  model, an d a l so can re p r e s ent fu zzy re pre s entatio n  of kno w led g e.  Achieve visu al rep r esenta t ion of external kno w led g e  representati on usin g text  and graphi cs 3D  virtual re ality tech nology.  According t o  the a m big u ity of geolo g ical  kn owl e dge, it reali z es  uncertainty reasonin g  of the part b a se d on  rul e   co ndition and con c lu si ons and rea lize s   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5575 – 55 84   5584 rea s oni ng  ba sed  on  in stan ce s. G eologi cal kno w le dg e- b a s e d s y s t ems  o f   ra ilway ro ute  sele cti on  build s a full range of  rout e-sele ction g eologi ca l e n vironm ents fo r route  sele cti on and  de sig n ,  provide s   real -time hel p a nd refere nce  for e ngine ers a nd Better meets the  requireme nts  of  railway geolo g ical route se lection.       Ackn o w l e dg ements   This research wa s sup p o r ted by the Nati on al Nat u ral Scie nce  Foundatio n of China  (Proje ct No.:  5127 8316 ), the People’ s  Rep ubli c  of China.       Referen ces   [1 ]  ZH AO Ji a n c han g ,  L I U  Shi z hon g ,  JI Su i w ang. En g i ne e r in g   g e o l o gi ca l p r ob l e ms in  rai l w a y  en gi n e e r in g  construction.  T he Ch ines e Jo urna l of Geolo g ical H a z a r d  a nd Co ntrol.  20 01; 12(1): 7-9.   [2]  YI Sirong, Z H UANG Haiz he n, HAN Ch un h ua. An  E x p e rt-H yperte xt Mo d e l for Kn o w l e d ge Obtai nac e   and Ali gnm ent  Guidanc e in Rail w a y Loc ati on S y stem.  R a ilw ay Investig ation a nd Sur v eyin g . 2005 ;   31(1): 1-4.   [3]  SHI W enhui.  W o rk on the ra il w a y e n g i ne eri ng ge ol og y an d road be d.  Jou r nal of Ra ilw ay  Engin eeri ng.   198 8; 3: 7-12.   [4]  W A NG Kehon g, T A NG Z h izhong, H U  Pe ng,  etc.  Kno w l e d g e  en gi neer ing   and k n o w l e dg e proc essin g   s y stem. BEIJING:  T s inghua  Univers i t y  Pr es s. 1994.   [5]  W U  Z hao, XIA N G Jingme ng.  An obj ect-ori e n t ed fuzz y  k n o w led ge b a se mo del.  Co mputer app licati o n s   and softw are.  200 5; 22(1): 22 -24.  [6]  Roston  D. Pri n ciples  of Artific i al Int e lli ge nc e a n d  Ex pe rt Sy ste m   D e vel opme n t. N e w   York: McGraw - Hill. 19 88.   [7]  JIA Yan, W A NG Z h i y ing. T he pr inci ple  a nd  tech nol og y of kno w l e d g e  base s y stem,  Cha ngsh a :   Natio nal U n ive r sit y  of Defe ns e T e chnolo g y   Press. 1993.   [8]  F A N Yuehu a, Z H ANG Kaibin g. Object orien t ed  kno w l e d ge  repres entati on of W eapon F a ult Diag nos i s   Ex pert S y stem.   Journa l of Xi' an T e chno lo gica l Univers i ty . 20 08; 22(2): 1 68- 171.   [9]  YI Sirong. Pre d icate l ogic kn o w le dg e e x pr e ssion mo del of  object-ori ente d  class an d its appl icatio n i n   Lin e  Selecti on  S y stem.  Chi na Railw ay  Sci enc e.  2003; 2 4 (6): 31-3 5 .  [10]  CAI Z i xin g , Du rkin J, GONG  T ao. Senior  e x p e rt  s y stem:  princi pl e, d e si gn  an d a p p lic ation. B e ij in g:   Scienc e Press. 2005; (8).   [11]  Shufan g Z H ANG, Jun HAN. Bu ildi ng Structured Pe er-to-Peer R e sour ce Shari ng Pl atform Us i n g   Object Enca ps ulati on Ap pro a c h.  T E LKOMNIKA Indones ia n Journ a l  of  Electrical E n g i n eeri n g . 20 13;   11(2): 93 5-9 4 0 .   [12]  Xu e x i a  Li u. Stud y   on K n o w le dg e-b a sed  In telli gent F ault Di ag nosi s  of H y drau l i c S y stem .   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri ng.   2012; 1 0 (8): 2 041- 204 6.   [13]  I ketut Gede D a rma Putra, Pu tu Manik Pri hat ini.  F u zz y E x p e rt S y stem for  T r opical Infecti ous Dis eas e   by  C e rtai n t y  F a cto r .  T E LKOMNIKA Indo ne sian J our nal  of  Electrica l  En gi neer ing.    20 12;  10(6):  152 6- 153 6.  [14]  Abdu lla h Al ali.  Automatic S egme n tatio n   F r am e w ork  of Buil din g  An a t omical M ous e Mod e l fo r   Biol umin escen c e T o mograp h y .  T E LKOMNI KA Indo nesi a n  Journ a l  of  El ectrical E n g i ne erin g.  20 13 ;   11(9): 49 97- 50 04.   Evaluation Warning : The document was created with Spire.PDF for Python.