李晶廉迎戰(zhàn)

（廣東工業(yè)大學(xué)，廣東輕工職業(yè)技術(shù)學(xué)院，廣東廣州510300）

l.引言

專家系統(tǒng)是一個智能計算機程序，其內(nèi)部含有大量的某個領(lǐng)域?qū)＜宜降闹R和經(jīng)驗，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題。

專家系統(tǒng)是基于知識的系統(tǒng)，主要由知識庫、數(shù)據(jù)庫、推理機、人機接口、知識獲取等部分組成。知識庫存儲從專家那里得到的特定領(lǐng)域的知識，這些知識包括邏輯性的知識和啟發(fā)性知識兩類。數(shù)據(jù)庫用于存放專家系統(tǒng)運行過程中所需要和產(chǎn)生的信息。推理機的作用是按照一定的控制策略，根據(jù)用戶提出的問題和輸入的有關(guān)數(shù)據(jù)或信息，按專家的意圖選擇利用知識庫的知識，并進行推理，以得到問題的解答，它是專家系統(tǒng)的核心部分。人機接口部分的功能是解釋系統(tǒng)的結(jié)論，回答用戶的問題，它是連接用戶與專家系統(tǒng)之間的橋梁。知識的獲取是為修改知識庫原有的知識和擴充知識提供的手段。

2.傳統(tǒng)專家系統(tǒng)存在的問題

傳統(tǒng)專家系統(tǒng)是基于知識的處理的系統(tǒng)，將知識整理后形式化為一系列系統(tǒng)所能接受并能存儲的形式，利用其進行推理實現(xiàn)問題的求解。盡管與人類專家相比，專家系統(tǒng)具有很大的優(yōu)越性。但是，隨著專家系統(tǒng)應(yīng)用的日益廣泛及所處理問題的難度和復(fù)雜度的不斷擴大和提高，專家系統(tǒng)在某些方面已不能滿足是實際工作中的需求，具體體現(xiàn)在以下幾個方面：（1）知識獲取的“瓶頸”問題。（2）知識獲取的“窄臺階”。（3）缺乏聯(lián)想功能、推理能力弱。（4）智能水平低、更談不上創(chuàng)造性的知識。（5）系統(tǒng)層次少。（6）實用性差。

3.神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)專家系統(tǒng)的集成

神經(jīng)網(wǎng)絡(luò)是基于輸入輸出的一種直覺性反射，適用于進行淺層次的經(jīng)驗推理，其特點是通過數(shù)值計算實現(xiàn)推理；專家系統(tǒng)是基于知識匹配的邏輯推理，是深層次的符號推理。將兩者科學(xué)的結(jié)合形成神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)，可以取長補短。根據(jù)側(cè)重點的不同，神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的集成有三種模式：(1)以傳統(tǒng)的專家系統(tǒng)為主，以神經(jīng)網(wǎng)絡(luò)的有關(guān)技術(shù)為輔。(2)以神經(jīng)網(wǎng)絡(luò)的有關(guān)技術(shù)為核心，建立相應(yīng)領(lǐng)域的專家系統(tǒng)，采用專家系統(tǒng)的相關(guān)技術(shù)完成解釋等方面的工作。(3)針對大的復(fù)雜問題，將其分解為若干子問題，針對每個子問題的特點，選擇用神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)加以實現(xiàn)，在神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)之間建立一種耦合關(guān)系。

4.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)

圖1表示一種神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu)。其中自動獲取模塊輸入、組織并存儲專家提供的學(xué)習(xí)實例，選定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，調(diào)用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，為知識庫實現(xiàn)知識的獲取。新的學(xué)習(xí)實例輸入后，知識獲取模塊通過對新實例的學(xué)習(xí)，獲得新的網(wǎng)絡(luò)權(quán)值分布，從而更新了知識庫。

圖1 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu)

5.神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)知識庫的形成

5.1 知識的表示

傳統(tǒng)專家系統(tǒng)的知識表示技術(shù)是采用一系列標(biāo)準的形式(如規(guī)則、框架、語義網(wǎng)絡(luò)等)對知識進行顯式表示，而神經(jīng)網(wǎng)絡(luò)知識庫是利用神經(jīng)網(wǎng)絡(luò)自身的分布式連接機制對知識進行隱式表示。知識表示不再是獨立的一條條規(guī)則，而是分布于整個網(wǎng)絡(luò)中的權(quán)和閾值。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的神經(jīng)元知識表示如圖2所示。

圖2 神經(jīng)元知識表示

Xⅰ表示來自其它神經(jīng)元知識的激勵信號，wⅰ表示神經(jīng)元之間的權(quán)，θ表示神經(jīng)元閾值，y表示神經(jīng)元的信號輸出。

建立知識庫就是確定神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元，隱含神經(jīng)元和輸出神經(jīng)元的權(quán)值和閾值。因而，知識庫的建立實際上就是神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。知識庫的建立包括知識的獲取及存儲兩個過程。

5.2 知識獲取及存儲

知識的獲取表現(xiàn)為訓(xùn)練樣本的獲取與選擇，訓(xùn)練樣本來源于同類型對象的各種特征參數(shù)。在進行知識獲取時，它只要求專家提供樣本，通過特定的學(xué)習(xí)算法對樣本進行學(xué)習(xí)，經(jīng)過網(wǎng)絡(luò)內(nèi)部自適應(yīng)算法不斷修改權(quán)值分布以達到要求，把專家求解實際問題的啟發(fā)式知識分布到網(wǎng)絡(luò)的互連及權(quán)值分布上。各結(jié)點的信息是由多個與它相連的神經(jīng)元輸入信息和連接權(quán)合成的。這樣它就將知識隱式地分散存儲在神經(jīng)網(wǎng)絡(luò)的各項連接權(quán)和閾值中。

5.3 推理機制

一般專家系統(tǒng)中有三種推理機制：正向推理，反向推理和混合推理。神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的推理機制與傳統(tǒng)專家系統(tǒng)基于邏輯的演繹方法不同，它的推理機制實質(zhì)上就是網(wǎng)絡(luò)的數(shù)值計算過程。主要由以下三個部分組成：（1）輸入邏輯概念到輸入模式的轉(zhuǎn)換；（2）網(wǎng)絡(luò)內(nèi)的前向計算；（3）輸出模式解釋。

同傳統(tǒng)專家系統(tǒng)的推理機制相比，神經(jīng)網(wǎng)絡(luò)的正向推機制具有很大的優(yōu)勢：（1）同一層的處理單元是完全并行的，但層間的信息傳遞是串行的。由于層中處理單元的數(shù)目要比網(wǎng)絡(luò)層數(shù)多很多，因此它是一種并行推理；（2）在網(wǎng)絡(luò)推理過程中不會出現(xiàn)傳統(tǒng)人工智能系統(tǒng)推理的沖突問題；（3）網(wǎng)絡(luò)推理只與輸入及自身的參數(shù)有關(guān)，而這些參數(shù)又是通過使用學(xué)習(xí)算法對網(wǎng)絡(luò)訓(xùn)練得到的，因此它是一種自適應(yīng)推理。

5.4 解釋機制

要實現(xiàn)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的解釋機能，需利用神經(jīng)網(wǎng)絡(luò)中的各個數(shù)據(jù)，如輸入數(shù)據(jù)、輸出數(shù)據(jù)及隱含層神經(jīng)元輸出數(shù)據(jù)。利用輸入層神經(jīng)元及輸出層神經(jīng)元的物理含義及對應(yīng)的連接權(quán)值形成規(guī)則，以這些規(guī)則實現(xiàn)解釋機能，其過程相當(dāng)于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的一個逆過程，在訓(xùn)練的過程中是將輸入信號和教師信號進行組合作為樣本，經(jīng)過訓(xùn)練形成各項權(quán)值，得出解釋規(guī)則，用以實現(xiàn)對用戶疑問的回答，完成解釋任務(wù)。

6.結(jié)束語

基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)較傳統(tǒng)專家系統(tǒng)有較大的優(yōu)越性(特別在分類，診斷和優(yōu)化方面)，但在更廣闊的領(lǐng)域研制、開發(fā)和應(yīng)用，仍存在不少問題，表現(xiàn)在以下幾個方面：(1)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的性能很大程度上受到訓(xùn)練樣本的影響。如果樣例數(shù)據(jù)的正交性和完備性不好，就會降低專家系統(tǒng)的性能。(2)目前的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)沒有詢問機制。當(dāng)推理計算過程中遇到不充分的信息時，它不向用戶索取相關(guān)的證據(jù)，有些證據(jù)用戶是知道的，但用戶不知道他們是否對專家系統(tǒng)求解有用；因此，必然影響求解結(jié)果的質(zhì)量。(3)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的知識表示，輸入證據(jù)和輸出結(jié)果要求數(shù)字化，推理為數(shù)值計算。對有些知識，證據(jù)結(jié)果是很難數(shù)字化的，這樣就限制了基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的應(yīng)用。

[1]程偉良.廣義專家系統(tǒng)[M].北京：北京理工大學(xué)出版社，2005.

[2]蔡自興，約翰.德爾金，龔濤.高級專家系統(tǒng)：原理，設(shè)計與應(yīng)用[M].北京：科學(xué)出版社，2005.

[4]高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M].北京：機械工業(yè)出版社，2002.

[5]陳文偉.智能決策技術(shù)[M].北京：電子工業(yè)出版社，1998.