基于神经网络的专家系统.pdfVIP

基于神经网络的专家系统

摘要：人工神经网络与专家系统，作为人工智能应用的两大分支，在实际应用中都有许多成功

的范例，但作为单个系统来讲，二者都存在很大的局限性。主要是专家系统知识获取的“瓶颈问题”

和神经网络知识表达的“黑箱结构”。为解决这个问题，本文提出将专家系统与神经网络技术集成，

达到优势互补的目的。利用神经网络优良的自组织、自学习和自适应能力来解决令家系统知识获取

的困难，同时用专家系统良好的解释机能来弥补神经网络中知识表达的缺陷。论文提出了基于神经

网络专家系统的结构模型，知识表示方式以及推理机制等。

关键词：专家系统；神经网络；系统集成；

0引言

专家系统（ExpertSystem）是一种设计用来对人类专家的问题求解能力建模的计算机程序。专

家系统是一个智能计算机程序，其内部含有大量的某个领域专家水平的知识和经验，能够利用人类

专家的知识和解决问题的方法来处理该领域问题。一个专家系统应具有以下三个基本特征：启发性

——不仅能使用逻辑性知识还能使用启发性知识；透明性——能向用户解释它们的推理过程，还能

回答用户的一些问题；灵活性——系统中的知识应便于修改和扩充；推理性——系统中的知识必然

是一个漫长的测试，修改和完善过程。专家系统是基于知识的系统。它由如图1所示的5个基本的

部分组成[1,2,3]。

知识库存储从专家那里得到的特定领域的知识，这些知识包括逻辑性的知识和启发性知识两类。

数据库用于存放专家系统运行过程中所需要和产生的信息。推理机的作用是按照一定的控制策略，

根据用户提出的问题和输入的有关数据或信息，按专家的意图选择利用知识库的知识，并进行推理，

以得到问题的解答，它是专家系统的核心部分。人机接口部分的功能是解释系统的结论，回答用户

的问题，它是连接用户与专家系统之间的桥梁。知识的获取是为修改知识库原有的知识和扩充知识

提供的手段。

1传统专家系统存在的问题

传统专家系统是基于知识的处理的系统，将领域知识整理后形式化为一系列系统所能接受并能

存储的形式，利用其进行推理实现问题的求解。尽管与人类专家相比，专家系统具有很大的优越性。

但是，随着专家系统应用的日益广泛及所处理问题的难度和复杂度的不断扩大和提高，专家系统在

某些方面已不能满足是实际工作中的需求，具体体现在以下一个方面[1,2]：（1）知识获取的“瓶颈”

问题。（2）知识获取的“窄台阶”。（3）缺乏联想功能、推理能力弱。（4）智能水平低、更谈不上创

造性的知识。（5）系统层次少。（6）实用性差。

2神经网络与传统专家系统的集成

神经网络是基于输入\输出的一种直觉性反射，适用于进行浅层次的经验推理，其特点是通过数

值计算实现推理；专家系统是基于知识匹配的逻辑推理，是深层次的符号推理。将两者科学的结合

形成神经网络专家系统，可以取长补短。根据侧重点的不同，神经网络与专家系统的集成有三种模

式[2]：

（1）神经网络支持专家系统。以传统的专家系统为主，以神经网络的有关技术为辅。

（2）专家系统支持神经网络。以神经网络的有关技术为核心，建立相应领域的专家系统，采用

专家系统的相关技术完成解释等方面的工作。

（3）协同式的神经网络专家系统。针对大的复杂问题，将其分解为若干子问题，针对每个子问

题的特点，选择用神经网络或专家系统加以实现，在神经网络和专家系统之间建立一种耦合关系。

3神经网络专家系统的结构

图2表示一种神经网络专家系统的基本结构。其中自动获取模块输入、组织并存储专家提供的

学习实例，选定神经网络的结构，调用神经网络的学习算法，为知识库实现知识的获取。当新的学

习实例输入后，知识获取模块通过对新实例的学习，自动获得新的网络权值分布，从而更新了知识

库。

4神经网络专家系统知识库的形成

4．1知识的表示

传统专家系统的知识表示技术是采用一系列标准的形式（如规则、框架、语义网络等）对知识

进行显示表示，而神经网络知识库是利用神经网络自身的分布式连接机制对知识进行隐式表示。知

识表示不再是独立的一条条规则，而是分布于整个网络中的权和阈值。神经网络专家系统的神经元

知识表示如图3所示[4]。表示来自其它神经元知识的激励信号，表示