智能化虚拟实验室实现方法研究.docVIP

智能化虚拟实验室实现方法的研究 刘志广 吕保和 吴海霞 岳锌 （大连理工大学 大连116023） TEL：O411-4709019 Email：Liuzg@put.dl.inputa.net.cn 【摘 要】 结合开发仪器分析虚拟实验室的实践，从认知模拟方法、组件构造思想与技术和开发技巧三个方面探讨了智能化虚拟实验室实现方法。 【关键词】 虚拟实验室，VB应用，CAI软件，ActiveX 多媒体计算机技术与仪器技术的结合构成了虚拟实验室实现的基础，使人们拥有自己实验室的幻想与愿望可以在计算机屏幕上通过场景式图形界面而得以“实现”。虚拟仪器技术与认知模拟方法的结合也赋予虚拟实验室的智能化特征，无论是学生还是教师，都可以自由地、无顾虑地随时进入虚拟实验室操作仪器，进行各种实验。不但为实验类课程的教学改革及远程教育提供了条件和技术支持，还可以随时为学生提供更多、更新、更好的仪器。 虚拟实验室技术归根结底仍然是一种软件技术与认知模拟理论的统一体，而这两个领域目前都处于飞速发展时期，所提出的任何新思想、新技术、新方法、新理论都将推动智能化虚拟实验室技术的发展。近年来，我们曾研究开发了仪器分析虚拟实验室，本文结合开发实践，从认知模拟、组件构造和开发技巧三个方面探讨了智能化虚拟实验室的实现方法与技术。 一、虚拟实验室中的认知模拟方法 具有人工智能使虚拟实验室应具备的基本特征之一，表现在人们可以自主地、灵活地模拟操作各种实验仪器，完成各种分析测试任务，评价实验者的操作水平与实际能力。而智能化需要建立在人们对认知模拟方法的研究基础之上，就目前而言，传统人工智能（AI）与人工神经网络（ANN）是认知模拟的两种主要途径。基于物理符号机制的传统AI采取自顶向下的策略和启发式搜索方法，可以十分有效的处理具有精确性质的结构知识；而基于联接机制的ANN采取自底向上的策略和动态自主制方法，可以成功处理不精确的非结构知识。对于一个完整的知识模拟过程来说，则可以分为知识的获取，知识的表达，知识的存储，问题求解，结果解释等五个方面。 在人工认知系统中，知识获取的有效手段是“学习”，而机器学习则是一个相当复杂的问题。在专家系统中（传统人工智能模式）是将专家知识转变成符号直接输入的“硬灌学习”方式，但AI系统也发展了示例学习，观察与发现学习，类比学习等以支持机器学习。人类专家的知识和思维方法常常是模糊不清的，在解决问题中往往说不清它到底用了那些具体的知识，因此如何将含蓄不清的知识转化为精确的物理符号，是传统AI所面临的困境之一。与传统AI不同，人工神经网络可利用不是很精确的实例，只要给定输入、输出数据集，ANN就可以在一定准则下通过学习来获取知识，甚至可以在只有输入数据集的情况下，通过自组织学习，实现自动知识获取。传统AI是用物理符号和规则来表达知识，这就使得基于符号与规则的知识表达系统既可以有效的描述精确的结构性知识，又可以有效的描述高层次抽象知识，而对于不精确的低层次知识，其表达能力则相当弱。与传统AI相反，ANN是以网络中的联接权来表达知识，而要表达精确的、高层次的结构知识，则要比传统AI困难的多。传统AI将大量的用符号和规则表达的知识，按一定的结构组织成知识库，知识库结构常常是由规则树组成的森林。与传统AI的集中存储方式相反，ANN的知识就存储在各个神经元的联接强度中，从而将知识分布于整个网络。逻辑演绎法和状态链推理是传统AI常用的问题求解方法，这些推理方法的基本策略就是搜索，即通过搜索规则树来列举逻辑路径，路径列举定义推理过程。路径列举的复杂性随存储的规则树非线性增加，在大规模规则树中，实时路径列举会引起组合爆炸。而由于ANN的知识处理与知识存储合二为一的特点，因而在问题求解过程中具有并行、分布处理、高速、高可靠性等特点，特别是在解决象模式识别这一类问题时，更显示出它的优越性。结果解释就是将内码表示的问题的解，还原成用户可接受的形式，由于传统AI中的每一个符号都代表一个确定的概念或规则，因此传统AI可给出清晰的可理解的结果解释，而ANN却没有能力来解释自己的推理过程和求解结果。由此可见，传统AI从宏观角度开展认知模拟，可以部分的模拟人类的逻辑思维过程，而ANN从微观方面进行认知模拟，可以部分的模拟人类的形象思维过程，各有优点和局限。 总的来说，传统AI的主要优点是可以做显示推理，特点是只能作精确推理，以及事先可对局部评价进行精确转化为条件的近似推理，存在着不确定知识获取困难，以及问题求解过程中的组合爆炸问题；ANN的组合优点是可以采用简单的结构，表达非确定世界中的实体，其局限性在于目前只适合于解决小规模的问题。显然，传统的AI和ANN在实现人工认知模拟方面是互补的，二者在精确与不精确、结构与非结构、高层与底层知识处理方面是相