基于多屬性決策的農機專業底盤實例推理方法

趙秀艷 宋正河 張開興 劉賢喜

(1.山東農業大學信息科學與工程學院， 泰安 271018； 2.中國農業大學工學院， 北京 100083；3.山東農業大學機械與電子工程學院， 泰安 271018； 4.山東省園藝機械與裝備重點實驗室， 泰安 271018)

基于多屬性決策的農機專業底盤實例推理方法

趙秀艷1宋正河2張開興3,4劉賢喜3

(1.山東農業大學信息科學與工程學院， 泰安 271018； 2.中國農業大學工學院， 北京 100083；3.山東農業大學機械與電子工程學院， 泰安 271018； 4.山東省園藝機械與裝備重點實驗室， 泰安 271018)

針對農機專業底盤參數屬性多、參數類型差異大、屬性不能無條件補償等特點，傳統實例推理中以屬性加權評價為主的最近鄰算法已不能滿足實際需求?；诖?，提出將級別高于關系的ELECTRE多屬性決策方法應用到農機專業底盤的實例推理中，算法首先對農機底盤實例數據進行預處理，然后采用層次分析法確定屬性權重，通過不斷試驗調整各屬性不和諧性閾值后進行級別高于關系構造、挖掘，最終實現目標實例與數據庫中實例的相似性評價，并以履帶式稻麥收獲機底盤實例進行驗證。與經典的最近鄰評價方法相比，算法除能返回總體相似度較高的模型之外，同時返回影響實例排序的關鍵參數，讓用戶擁有更多后續評價依據，總體效果較好。

農機專業底盤； 稻麥收獲機底盤； 實例推理； ELECTRE方法

引言

在新產品研發過程中，若常借助于已有實例進行變形設計或者重用設計，能夠達到快速有效設計的目標。實例推理[1-2](Case-based reasoning, CBR)以充分挖掘、提取已有數據庫內容，加快設計、制造進度為目標，在新產品設計研發中已得到廣泛應用[3]。實現CBR系統的關鍵技術[4]包括實例表示、實例檢索、實例重用、實例自學習與實例庫維護幾個方面。其中，實例檢索是實現CBR關鍵，其主要作用是根據設計要求從已有實例中檢索出與當前設計要求最相似的一組實例，常用的方法有最近鄰法、歸納法、知識引導法等，其中以最近鄰算法應用[5-8]最為普遍。CBR技術在各行業快速應用[9-11]的同時，在農機專業領域也有較為廣泛的研究[12-15]。但是，同一般實例屬性信息相比較，農機底盤產品由行走系、轉向系、制動系等構成，具有屬性數量繁多、屬性類型差異大、不同屬性值之間的差距累計會影響方案選擇等特點，傳統的以最近鄰算法為主體的匹配、評價、決策算法已遠不能滿足實際農機推理結果的需要；現有的研究成果雖已較為豐富，但多集中在已有理論、方法的應用方面，沒有考慮到上述農機產品的具體特點，不能擺脫這一方法本身的局限性。

為解決以上問題，本文以履帶式收獲機械底盤、水田作業底盤和高地隙噴霧機底盤為研究對象，提出將級別-關系中的ELECTRE[16-17](Elimination of choice translating reality)多屬性決策方法應用到農機專業底盤產品的實例相似性評價中。

1 算法實現原理

ELECTRE方法，即淘汰與選擇輪換實現法，該方法的核心是級別高于關系。常規優先關系的定義為：一個方案a優于另一個方案b，當且僅當a所對應的每個屬性都不小于b，且至少有一個屬性a的值嚴格大于b。ELECTRE定義的是一種較弱的排序關系，它允許偏好風險的存在，這就是“級別高于關系”。它主要由兩部分構成：一是級別高于關系的構造；二是對級別高于關系的挖掘和運用，即在級別高于關系上進行的選擇、排序或者是分類。

圖1為算法實現原理圖，實例匹配開始后，首先輸入獲得的局部機構實例屬性信息并進行數據預處理，隨后確定該機構各屬性權重以及屬性需要的和諧性與不和諧性閾值，通過關鍵詞匹配的方式查詢數據庫實例，并將數據導入本地內存進行存儲、處理，通過循環構造關系并進行關系挖掘，經過不斷試驗調整閾值后判定是否存在可用實例，存在可重用實例時，進行數據庫已有實例的修改和調整，形成新實例后進行存儲。其中ELECTRE方法中包括的主要步驟[18]有層次分析法確定權重、確定和諧性與不和諧性指標閾值、級別關系構造、級別關系挖掘。

圖1 實現步驟流程圖Fig.1 Flow chart of implementation steps

2 基于多屬性決策農機專業底盤實例推理實現

為實現提出的技術原理，以履帶式收獲機械底盤中行走系中履帶裝配體屬性參數為例，進行步驟演示。

2.1 數據預處理階段

使用相似性度量函數將數據庫中已有數據與輸入數據進行相似度計算，兩者接近，相似度高，轉化之后，此時實例數據均為效益類型，相似度越大越好。常用的數據類型有數值型、字符型、區間型，采用的相似性度量函數依次如下：

(1)數值型

假定用戶輸入的某個屬性值為Pi，庫中實例M對應的屬性值為Pd。若某實例的屬性P值只有唯一與之對應，如與尺寸相關的屬性，相似性度量函數類型采用均勻分布函數來計算。相似度s計算公式為

式中Pmax、Pmin——數據庫中所有模型此屬性的最大值和最小值

(2)字符型

若某實例的屬性P的類型為字符型或者屬性值具有唯一性，采用精確匹配函數IF (Pi=Pd) THEN 1 ELSE 0計算兩屬性值是否相等。

(3)區間型

若實例的屬性P值類型為一個區間范圍[PL，PH]，如公差等，其相似性距離采用重疊函數計算，即計算用戶輸入屬性值與實例庫中M[ML，MH]屬性值重疊范圍與用戶輸入的屬性值范圍的比值，具體分為：

①MH

②MH>PH且ML

③MHPL，即P將M的區間完全包圍，此時

④ML

⑤PL

表1為履帶式稻麥收獲機械底盤實例庫中履帶屬性參數，表中：動力機功率單位為kW，履帶板寬、 履帶節距、軸距、軌距、接地長度單位為mm，接地壓力單位為kPa；V代表屬性值，S代表使用相似性度量函數處理后得到的相似度；圖2為算法演示中的履帶模型圖。

表1 實例庫中履帶實例屬性與用戶自行輸入屬性Tab.1 Properties of cases in library and user-input

圖2 履帶模型圖Fig.2 Diagram of track model

2.2 屬性對應權重向量確定

算法使用層次分析法[19]，它具有系統性、實用性、簡潔性等特點，主要實現步驟為：

(1)建立層次結構模型：該結構圖包括目標層、準則層、方案層。

(2)構造成對比較矩陣：從第2層開始用成對比較矩陣和1～9標度。

(3)計算單排序權向量并做一致性檢驗：對每個成對比較矩陣計算最大特征值及其對應的特征向量，利用一致性指標、隨機一致性指標和一致性比率作一致性檢驗。若檢驗通過，歸一化后的特征向量即為權向量；若不通過，需要重新構造成對比較矩陣。

(4)計算總排序權向量并做一致性檢驗：計算最下層對最上層總排序的權向量，利用總排序一致性比率進行檢驗。

履帶屬性權重的計算方法如下：

(1)確定屬性標度矩陣

(2)計算每一行W*，如第1行的計算方式為

(3)計算每一列S，如第1列的計算方式為

S1=1+5+3+3+3+3+3+3+7=28

(4)計算屬性的權重W

累加每一行W*，得到Wtotal，之后確定每一屬性對應權重為

類似可以計算出其余屬性權重，如表2所示。

(5)驗證

求取每一行的W與對應每一列的S乘積的累加之和，即

查表3，屬性個數為8時，標準值是8.99，λ=8.055<8.99，通過驗證。

表2 履帶屬性權重Tab.2 Track attributes’ weights

表3 標度合理性驗證Tab.3 Scale reasonable verification

2.3 確定和諧性指標閾值

對于3個指標值的選取，在滿足0.5≤α-<α0<α*<1的條件下，需要通過多次試驗、比較之后最終進行確定，依據是：在決策人和分析人認可的條件下，根據最后的閾值能夠有效構造出備選方案之間的級別高于關系。

算法確定選取的3個值依次是0.5、0.55、0.60。

2.4 確定各個屬性指標高、中、低3個不和諧性集的閾值

不和諧性集的閾值選取同樣需要根據具體指標值由決策人和分析人協商而定。實際確定選取它們的值時，d0為閾值下界，初步定為(0.1～0.2)Δmax，d*為閾值上界，初步定為(0.5～0.8)Δmax，Δmax為數據庫中實例屬性值與輸入屬性的最大差值，同時進行人為主觀觀察和試驗測試驗證，針對權重較大、相對重要的屬性可以適當縮小閾值，而對于不那么重要的屬性可以根據實際對閾值進行放大，本文確定的履帶各個屬性不和諧性閾值如表4所示。

表4 履帶屬性不和諧性閾值Tab.4 Track properties’ discord threshold

2.5 級別關系判定

任選2個方案，進行和諧性與不和諧性指標計算，確定是強級別還是弱級別高于關系，或根據這種方法無法判斷。

以數據庫實例1、2進行判定為例：由于相似度屬于效益型數值，因此值越大越好。假設實例1?實例2，根據屬性1、2、3、6、7、8對應的相似度，實例1不小于實例2。對屬性分類：J+(1,2)、J-(1,2)、J=(1,2)分別表示實例1優于實例2的屬性集合、實例1差于實例2的屬性集合、實例1等于實例2的屬性集合，即

J+(1,2)={j=3、6、7、8}
J-(1,2)={j=3、4}
J=(1,2)={j=1、2}

進行和諧性檢驗：C和G是和諧性判斷的兩個指標，即

根據C和G判定和諧性檢驗通過。

進行不和諧性檢驗

實例1劣于實例2的屬性有3、4，經過驗證，不和諧性分別屬于中等和低等，不和諧性驗證通過。

綜合可得，實例1等級高于實例2成立。

2.6 關系挖掘

利用0-1表格進行最終關系的挖掘、表示。

在履帶實例中，4個候選實例，共有6種兩兩比較情況，進行等級判定，結果依次是實例1?實例2、實例1?實例3、實例1?實例4、實例2?實例3(弱)、實例2?實例4、實例3與實例4無法判定，以0-1表格進行結果顯示。

表5是算法針對履帶實例的推理結果，表中以行進行觀察，每一實例對應的數字中，1的數量越多，表示模型的等級越高；反之可得，0的數量多，表示該模型的等級與多數模型相比處于較低的地位。

根據表5可以得出：實例1優先性最好，等級高于實例2、實例3、實例4，同時根據表6加權值得出實例1為最優。盡管實例4的加權值高于實例3，但用等級高于關系判定，兩者等級無法判斷，因為算法認為實例4的部分屬性值比實例3相差太多，不能完全接受。

表5 履帶實例推理結果Tab.5 Results of track in case-based reasoning

表6 履帶實例加權比較結果Tab.6 Comparison results of track weighted algorithm

3 算法驗證與系統實現

3.1 算法驗證

為進一步對算法推理效果進行對比驗證，以文獻[20]中使用的最近鄰算法為對比對象，以其中使用的收獲機底盤實例為驗證對象，利用級別-關系算法重新進行推理比較。圖3為稻麥收獲機械裝配圖。

圖3 整體裝配圖Fig.3 Overall assembly drawing

表7是實例數據庫實例與輸入目標的具體參數，此實例采用7個參數，分別是底盤長、寬、高，割幅尺寸以及喂入量，質量和功率；表8為屬性歸一化后的值Q及相似度S；表9是上述7個屬性占據的權重。

表7 輸入屬性與實例庫屬性Tab.7 Properties of cases in library and user-input

表10、表11分別是級別-關系算法的推理結果與最近鄰算法的評價結果。在最近鄰算法中，規定整體相似度閾值是0.6，因此只有實例1會被返回。使用級別-關系算法時，先對實例庫中的屬性進行處理，實例1和實例2的功率屬性極為接近，可將實例1的功率55.86 kW近似為56 kW，后續試算結果證明這是有效的。從表10中可以看出，實例2是級別最低的，但是實例1、實例3之間互有優勢，難以取舍。具體分析：實例1與實例3之間對比，除功率外，其余屬性實例1較優，但實例1功率相似度為0.326，不足50%，同時與實例3的相似度差距超過50%閾值范圍，在屬性權重較高為0.3的情況下，算法認為這一差值不能無條件接受，此時對這一屬性做出標記，實例1與實例3之間優劣無法判斷。

表8 歸一化屬性與相似度Tab.8 Normalized attributes and similarity

表9 屬性權重Tab.9 Property weights

表10 級別-關系算法推理結果Tab.10 Reasoning results of algorithm

表11 最近鄰檢索結果Tab.11 Results of the nearest neighbor algorithm

算法對比：相同點是實例1、3是較優選擇，從最近鄰算法上講，相似度排在前兩位；從級別-關系算法上講，兩兩互相對比中，實例1、3都優于其他實例。不同點是級別-關系算法進行更加細化推理，將實例對比中的更多信息返回給用戶：盡管實例1相似度最高，但由于功率屬性相差較多，如果僅返回實例1，在實際設計中，很有可能因為這一屬性差距導致兩者實際結構已有較大變化；相反，實例3雖然在數值相似度落后，但是在功率屬性保持較大優勢的條件下，其余屬性與實例1的差距都在可以接受范圍內，實際操作中，兩者設計結構極有可能更為接近。

3.2 系統實現

為便于算法使用，以32位XP環境為開發平臺，以VS2008為集成開發環境，設計開發了農機專業底盤實例推理系統，圖4所示為系統交互界面。

該界面目前主要有三大功能，多屬性實例推理、實例參數化與模型幾何特征檢索。在實例推理中，主要以稻麥收獲機底盤及主要機構為推理對象，通過在數據庫中存儲相應實例，為每個機構開發相應的屬性匹配界面，依據級別高于關系算法尋找數據庫中與目標實例最相近的實例；用戶輸入設計要求后，系統將存儲在數據庫中的實例映射到本地內存之后，通過算法進行數據提取、分析計算、推理得出結果。實例參數化中，對模型庫中的部分零部件進行參數化配置之后，用戶在界面提示下僅需輸入需要修改的屬性數據，便可以自動重新生成模型；幾何特征檢索中包括整體檢索與局部檢索，與實例推理中的文本屬性信息比較相比，直接對CAD模型進行處理，提取幾何、拓撲信息等，避免人為主觀信息的干擾，力求從另一個角度實現實例的挖掘。

圖5展示的是整機目標參數的輸入界面，根據提示依次輸入已經獲得的設計參數；圖6是屬性的權重確定界面；圖7是不和諧性閾值的確定界面；圖8是最終結果的返回界面，算法認為實例1、3之間重要的差異屬性是功率，因此進行標注。圖6和圖7的操作是難點。在確定屬性權重時，用戶可以使用已有的默認值，但若覺得默認權重設置不符合自己預期，可通過自行輸入標度矩陣后，不斷調試，得出符合自己實際的權重并進行保存。在確定不和諧性閾值時，通常的做法是先填入較大的閾值返回，查看返回的實例數量。若此實例對應實例較多，可以逐漸嘗試對某些關鍵屬性閾值進行范圍縮小后選擇更加合適實例。

圖4 系統主界面Fig.4 Main interface of system

圖5 目標底盤數據輸入界面Fig.5 Input interface of target chassis

圖6 底盤屬性權重確定界面Fig.6 Weights’ interface of target chassis

圖7 不和諧性閾值輸入界面Fig.7 Input interface of discord threshold

4 結束語

將多屬性決策中的ELECTRE方法應用到復雜農機底盤的實例推理中，并以稻麥收獲機械底盤實例進行驗證。應用算法時，首先依據設計要求獲得一定數量的實例設計估計值或者經驗值并進行數據預處理，隨后采用層次分析法確定此實例中各屬性權重及屬性閾值，并進行關系構造與挖掘，在確定屬性的和諧性與不和諧性閾值時，通常做法是先放寬閾值甚至允許最大閾值存在，隨后根據反饋結果進行閾值再修改直至結果數量符合預期并且結果具備設計實用價值時，停止匹配。試驗結果表明，該算法返回的前幾位相似度較高的模型中包含最近鄰算法返回的最好模型；同時對影響較優實例排序的關鍵參數進行標記，讓用戶擁有更多后續評價依據，總體效果較好，具備實際應用價值。

圖8 底盤實例推理結果Fig.8 Results of chassis reasoning

1 XU L D. Case-based reasoning a majorparadigm of artificial intelligence[J]. IEEE Potentials,1995,13(5):10-13.

2 LIAO T W, ZHANG Z, MOUNT C R. Similarity measures for retrieval in case-based reasoning systems[J]. Applied Artificial Intelligence,1998,12(4):267-288.

3 李曉輝，劉妍秀.基于實例推理機制綜述[J].長春大學學報，2006,16(4):68-70. LI Xiaohui, LIU Yanxiu. A survey of case based reasoning mechanism [J]. Journal of Changchun University,2006,16(4):68-70. (in Chinese)

4 周靜. 精密播種機數字化設計系統中的實例檢索的算法研究[D]. 沈陽：沈陽理工大學，2011. ZHOU Jing. The research of case retrieval algorithm on the digital system for tackles types corn precision drill [D].Shenyang: Shenyang Ligong University,2011.(in Chinese)

5 蔣占四，陳立平，羅年猛.最近鄰實例檢索相似度分析[J].計算機集成制造系統，2007,13(6)：1165-1168. JIANG Zhansi，CHEN Liping，LUO Nianmeng. Similarity analysis in nearest-neighbor case retrieval[J].Computer Integrated Manufacturing Systems,2007,13(6):1165-1168.(in Chinese)

6 LEES,RYU J H,WON J S, et al. Determination and application of the weights for landslide susceptibility mapping using an artificial neural network[J].Engineer Geology,2004,71(3-4):289-302.

7 朱文博，李愛平，劉雪梅.基于工藝相似的沖壓件實例檢索方法[J].計算機集成制造系統，2007,13(4)：721-726. ZHU Wenbo, LI Aiping, LIU Xuemei. Stamping parts case retrieval methodology based on process similarity[J].Computer Integrated Manufacturing Systems,2007,13(4):721-726.(in Chinese)

8 張旭堂，侯鑫，金天國.集成形狀比較技術的產品實例檢索研究[J].計算機集成制造系統，2009，15(1)：89-95. ZHANG Xutang, HOU Xin, JIN Tianguo. Product cases retrieval with integration of shape matching technique[J].Computer Integrated Manufacturing Systems,2009,15(1):89-95.(in Chinese)

9 林蘭芬，高鵬，蔡銘,等.基于幾何形狀相似性的工藝實例檢索[J].計算機輔助設計與圖形學學報，2005,17(9)：2094-2099. LIN Lanfen, GAO Peng, CAI Ming,et al. Case retrieval for manufacturing process planning based on geometry similarity[J].Journal of Computer-Aided Design & Computer Graphics,2005,17(9):2094-2099.(in Chinese)

10 程曉東,李建勇.基于粗糙集的柔性制造系統概念設計實例檢索技術[J].計算機集成制造系統,2005,11(6):769-771. CHENG Xiaodong, LI Jianyong. Rough set-based case retrieval technology in conceptual design of FMS[J]. Computer Integrated Manufacturing Systems,2005,11(6):769-771.(in Chinese)

11 劉金山,廖文和,張素敏,等.基于零件特征關注度的夾具實例相似性檢索[J].計算機輔助設計與圖形學學報,2007,19(10):1304-1307. LIU Jinshan, LIAO Wenhe, ZHANG Sumin, et al. Research on feature attention-driven fixture case retrieval[J]. Journal of Computer-Aided Design & Computer Graphics, 2007,19(10):1304-1307.(in Chinese)

12 朱凌云，趙韓，錢德猛．基于模糊客戶需求信息的農機設計方案及檢索示例[J]．農業工程學報，2007，23(7)：100-103． ZHU Lingyun，ZHAO Han，QIAN Demeng．Method of agricultural machinery design retrieval based on fuzzy customer requirement information[J]．Transactions of the CSAE，2007，23(7)：100-103.(in Chinese)

13 李成華，楊宇，張曉東，等.鏟式播種機數字化設計實例檢索策略研究[J].農業機械學報，2010，41(8):31-34. LI Chenghua, YANG Yu, ZHANG Xiaodong, et al. Retrieval strategy of spade punch planter for digital design case[J]. Transactions of the Chinese Society for Agricultural Machinery,2010,41(8):31-34.(in Chinese)

14 包志炎，肖剛，高飛,等.基于實例推理的個性化產品評價方法[J].農業機械學報，2011，42(9)：197-201. BAO Zhiyan，XIAO Gang，GAO Fei, et al. Evaluation method of individualized products based on case reasoning[J]. Transactions of the Chinese Society for Agricultural Machinery,2011,42(9):197-201.(in Chinese)

15 楊宇，李成華，張國梁.基于實例推理的鏟式玉米精密播種機設計[J].農業機械學報，2009,40(12):51-55. YANG Yu, LI Chenghua, ZHANG Guoliang. Design method of precision spade punch planter of maize based on CBR[J].Transactions of the Chinese Society for Agricultural Machinery,2009,40(12):51-55.(in Chinese)

16 龔俊華.集成的ELECTRE方法研究[D].成都：四川大學，2006. GONG Junhua. Research of integrative ELECTRE method [D].Chengdu:Sichuan University,2006.(in Chinese)

17 徐敏釤.基于ELECTRE算法的多屬性決策支持系統的設計與實現[D].貴陽：貴州財經大學，2012. XU Minshan. Design and implementation for multiple attribute decision support system based on ELECTRE algorithm[D].Guiyang: Guizhou University of Finance and Economics,2012.(in Chinese)

18 于躍，趙秋紅，周泓.改進的Electre方法在反應型供應鏈供應商選擇中的應用[J].北京航空航天大學學報,2006,19(2):13-16. YU Yue, ZHAO Qiuhong, ZHOU Hong. Application of the improved Electre method in supplier selection of responsive supply chain[J].Journal of Beijing University of Aeronautics and Astronautics,2006,19(2):13-16.(in Chinese)

19 梁鄭麗，賈曉豐.決策支持系統理論與實踐[M].北京：清華大學出版社，2014.

20 李長林.基于知識的農機專業底盤快速設計專家系統構建方法研究[D].北京：中國農業大學，2014. LI Changlin. Research on building method of knowledge based rapid design expert of agricultural machinery professional chassis[D].Beijing: China Agricultural University,2014.(in Chinese)

Evaluation Method of Agricultural Machinery Professional Chassis’ Cases Based on Multiple Attributes Decision

ZHAO Xiuyan1SONG Zhenghe2ZHANG Kaixing3,4LIU Xianxi3

(1.CollegeofInformationScienceandEngineering,ShandongAgriculturalUniversity,Taian271018,China2.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China3.CollegeofMechanicalandElectronicEngineering,ShandongAgriculturalUniversity,Taian271018,China
4.ShandongProvincialKeyLaboratoryofHorticulturalMachineriesandEquipments,Taian271018,China)

Agricultural machinery professional chassis has many types of parameters and their difference between each other is so large that they cannot be fully compensated without any price. For these characteristics, the classical nearest neighbor algorithm which relies on weight properties in case-based reasoning is unacceptable in practice. Aiming at the situation above, the sorted method ELECTRE, belonging to multiple attribute decision, which was characterized by outranking relationship, was applied to the similarity assessment. In this algorithm, the first step was data preprocessing; then AHP was adopted to determine attributes’ weights; after that harmony and disharmony thresholds were obtained by constantly experimenting adjustment; and then construction and mining of relationships were carried out; the ultimate goal was to accomplish similarity assessment between design case and database cases. After that, crawler of walking system and chassis prototype were used for verification of the algorithm. Compared with the nearest neighbor method, the algorithm not only returned the former models which had higher overall similarity, but also marked the key parameters that affected the order, allowing users to have more follow-up evaluation. To make the algorithm to be more practical, a prototype interface of CBR was developed and the input of critical parameters and output of results were demonstrated. The overall result was good.

agricultural machinery professional chassis; rice and wheat harvesting machinery’s chassis; case-based reasoning; ELECTRE method

10.6041/j.issn.1000-1298.2017.02.050

2016-07-02

2016-08-16

“十二五”國家科技支撐計劃項目(2011BAD20B01)和山東省自然科學基金項目(ZR2015EL022)

趙秀艷(1977—)，女，講師，博士，主要從事計算機輔助設計/農業信息化研究,E-mail： sdauzhaoxiuyan@163.com

劉賢喜(1963—)，男，教授，博士生導師，主要從事農業CAD/CAM、VR研究，E-mail： wjbliu@sdau.edu.cn

TP391.72

A

1000-1298(2017)02-0370-08