专家系统与推技术.ppt

专家系统 专家系统的出现 智能的核心是知识 从公理出发的逻辑体系无法解决组合爆炸问题，而知识有助于解决这一问题 于是，60年代中期以后，人工智能由追求万能、通用的一般研究转入特定的具体研究，通用的解题策略同特定领域的专业知识与实际经验结合，产生了以专家系统为代表的基于知识的各类人工智能系统，使人工智能真正走向社会，走向实际应用研究 专家系统的出现 1965-1968，第一个专家系统DENDRAL研制成功，用于化学分子结构分析。该系统能根据质谱仪数据推断未知有机化合物的分子结构。（已商品化） 该系统是一个启发式系统，具有从化学专家那儿获得的关于质谱测定法的知识，把它结合到控制搜索的规则中，能迅速消去不可能为真的分子结构，避免了以指数级膨胀的搜索。通过产生全部可能为真的结构．它甚至可以找出那些人类专家往往会漏掉的候选结构。 此后大量的专家系统被开发出来，并产生了专用于专家系统开发的工具软件 专家系统的出现 MYCIN：1973年开始研制，包括450条细菌性血液感染诊断规则，其不确定推理方式至今有很大影响 PUFF：在MYCIN框架上开发的肺病诊断专家系统，曾在医院投入实际使用 HEARSAY：卡耐基-梅隆大学研制的语音理解系统，语音理解能力达到了10岁儿童的水平 PROSPECTOR：地质勘探专家系统，曾在使用中发现大型钼矿 XCON：卡耐基-梅隆大学研制，用于VAX计算机配置，投入实际运用 什么是专家系统 Feigenbaum1982年给出的定义为： “专家系统是一种智能的计算机程序，这种程序使用知识与推理过程，求解那些需要杰出人物的专门知识才能求解的高难度问题。” ES的核心是知识库和推理机 传统软件：数据结构+算法=程序 专家系统：知识+推理=系统 与其他人工智能系统的区别 从应用目标看，作为一种实用的软件，专家系统处理的问题部属于现实世界中通常需要人类专家的大量专门知识才能解决的复杂问题，必须可靠地工作，在合理的时间内提供可用的解答。许多经典人工智能程序，如定理证明程序，往往是从纯学术技术目的出发，只求解抽象的数学问题、逻辑问题或简化了的实际问题。 与其他人工智能系统的区别 从求解手段看，专家系统的高性能是通过牺牲问题求解的通用性换来的。一方面，它把求解的问题领域局限在比较狭窄的特定专业领域，另一方面，比起一般人工智能程序比较注重的通用弱方法来，比起形式化的推理方法和搜索技术来，专家系统更强调特定领域中来自人类专家的具有很强启发能力的专门知识，包括特定领域问题求解所特有的过程性专业知识和控制性策略知识。专家系统所拥有的这种启发式知识的质量和数量，决定着系统的性能，也直接影响到问题求解的效率。 与其他人工智能系统的区别 从用户界面看，专家系统不仅能给出智能的建议或决策，而且有能力以用户直接理解的方式解释和证明自己的推理过程。专家系统的这种解释机制为各类用户提供了一种透明的界面。问题领域的人类专家能够借此检验系统所用知识是否合理，软件设计者能够借此调试知识库和执行程序的正确性，一般用户可以从中学习推理知识和理解推理的结论。其他应用程序经常被用户视作“黑箱”或“灰箱”。专家系统的这种透明界面，大大提高了用户对系统求解复杂问题所得结论的可接受性。专家系统还具有很强的人机交互功能，它能同各类用户一起，构成高性能的人机共同思考的系统。 专家系统的体系结构 专家系统的体系结构 知识库：实现知识的存取、修改与维护，包括智能检索、知识更新以及语义完整性维护 全局数据库或称工作存储器，是反映当前问题求解状态的集合，用于临时存放求解问题所需的各种初始数据或证据，以及求解期间由专家系统产生的各种中间信息，有时还包括中间假设或中间结论之间的“链”关系等。全局数据库中由各种事实、断言和关系组成的状态，既是推理机选用知识的依据，也是解释机制获得推理路径的来源。 专家系统的体系结构 推理机：主要由调度程序与解释程序组成，是实施问题求解的核心执行机构。 调度程序依据全局数据库中的当前问题状态及有关信息．按一定的控制策略从知识库中识别和选取可用的知识。当有多条知识可用时，一般采用冲突消除策略，从中选出一条知识，交解释程序执行。 解释程序的任务是根据知识的语义，对找到的知识进行解释执行，并把结果记录到全局数据库的适当空间中。由于给定信息的不确定和所用知识本身的不确定，推理过程中一般都包含不确定信息的处理。 专家系统的体系结构 知识获取机制：专家系统中把问题求解的各种专门知识从人类专家的头脑中或其他知识源那里转换到知识库中来的一个重要机构，有手工、半自动、自动三种方式，目前以半自动为主 解释机制：是专家系统中回答用户询问、对自己的问题求解过程或对自己当前的求解状态提供说明的一个重要机构。解释机制涉及程序的透明性，它让用户理解程序正在做什么和为什