基于神經網絡的專家系統

李晶廉迎戰

（廣東工業大學，廣東輕工職業技術學院，廣東廣州510300）

l.引言

專家系統是一個智能計算機程序，其內部含有大量的某個領域專家水平的知識和經驗，能夠利用人類專家的知識和解決問題的方法來處理該領域問題。

專家系統是基于知識的系統，主要由知識庫、數據庫、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域的知識，這些知識包括邏輯性的知識和啟發性知識兩類。數據庫用于存放專家系統運行過程中所需要和產生的信息。推理機的作用是按照一定的控制策略，根據用戶提出的問題和輸入的有關數據或信息，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，它是專家系統的核心部分。人機接口部分的功能是解釋系統的結論，回答用戶的問題，它是連接用戶與專家系統之間的橋梁。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.傳統專家系統存在的問題

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

3.神經網絡與傳統專家系統的集成

神經網絡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驗推理，其特點是通過數值計算實現推理；專家系統是基于知識匹配的邏輯推理，是深層次的符號推理。將兩者科學的結合形成神經網絡專家系統，可以取長補短。根據側重點的不同，神經網絡與專家系統的集成有三種模式：(1)以傳統的專家系統為主，以神經網絡的有關技術為輔。(2)以神經網絡的有關技術為核心，建立相應領域的專家系統，采用專家系統的相關技術完成解釋等方面的工作。(3)針對大的復雜問題，將其分解為若干子問題，針對每個子問題的特點，選擇用神經網絡或專家系統加以實現，在神經網絡和專家系統之間建立一種耦合關系。

4.神經網絡專家系統的結構

圖1表示一種神經網絡專家系統的基本結構。其中自動獲取模塊輸入、組織并存儲專家提供的學習實例，選定神經網絡的結構，調用神經網絡的學習算法，為知識庫實現知識的獲取。新的學習實例輸入后，知識獲取模塊通過對新實例的學習，獲得新的網絡權值分布，從而更新了知識庫。

圖1 神經網絡專家系統的基本結構

5.神經網絡專家系統知識庫的形成

5.1 知識的表示

傳統專家系統的知識表示技術是采用一系列標準的形式(如規則、框架、語義網絡等)對知識進行顯式表示，而神經網絡知識庫是利用神經網絡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則，而是分布于整個網絡中的權和閾值。神經網絡專家系統的神經元知識表示如圖2所示。

圖2 神經元知識表示

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

建立知識庫就是確定神經網絡的輸入神經元，隱含神經元和輸出神經元的權值和閾值。因而，知識庫的建立實際上就是神經網絡的學習過程。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

知識的獲取表現為訓練樣本的獲取與選擇，訓練樣本來源于同類型對象的各種特征參數。在進行知識獲取時，它只要求專家提供樣本，通過特定的學習算法對樣本進行學習，經過網絡內部自適應算法不斷修改權值分布以達到要求，把專家求解實際問題的啟發式知識分布到網絡的互連及權值分布上。各結點的信息是由多個與它相連的神經元輸入信息和連接權合成的。這樣它就將知識隱式地分散存儲在神經網絡的各項連接權和閾值中。

5.3 推理機制

一般專家系統中有三種推理機制：正向推理，反向推理和混合推理。神經網絡專家系統的推理機制與傳統專家系統基于邏輯的演繹方法不同，它的推理機制實質上就是網絡的數值計算過程。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換；（2）網絡內的前向計算；（3）輸出模式解釋。

同傳統專家系統的推理機制相比，神經網絡的正向推機制具有很大的優勢：（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目要比網絡層數多很多，因此它是一種并行推理；（2）在網絡推理過程中不會出現傳統人工智能系統推理的沖突問題；（3）網絡推理只與輸入及自身的參數有關，而這些參數又是通過使用學習算法對網絡訓練得到的，因此它是一種自適應推理。

5.4 解釋機制

要實現神經網絡專家系統的解釋機能，需利用神經網絡中的各個數據，如輸入數據、輸出數據及隱含層神經元輸出數據。利用輸入層神經元及輸出層神經元的物理含義及對應的連接權值形成規則，以這些規則實現解釋機能，其過程相當于神經網絡訓練的一個逆過程，在訓練的過程中是將輸入信號和教師信號進行組合作為樣本，經過訓練形成各項權值，得出解釋規則，用以實現對用戶疑問的回答，完成解釋任務。

6.結束語

基于神經網絡的專家系統較傳統專家系統有較大的優越性(特別在分類，診斷和優化方面)，但在更廣闊的領域研制、開發和應用，仍存在不少問題，表現在以下幾個方面：(1)神經網絡專家系統的性能很大程度上受到訓練樣本的影響。如果樣例數據的正交性和完備性不好，就會降低專家系統的性能。(2)目前的神經網絡專家系統沒有詢問機制。當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的證據，有些證據用戶是知道的，但用戶不知道他們是否對專家系統求解有用；因此，必然影響求解結果的質量。(3)神經網絡專家系統的知識表示，輸入證據和輸出結果要求數字化，推理為數值計算。對有些知識，證據結果是很難數字化的，這樣就限制了基于神經網絡專家系統的應用。

[1]程偉良.廣義專家系統[M].北京：北京理工大學出版社，2005.

[2]蔡自興，約翰.德爾金，龔濤.高級專家系統：原理，設計與應用[M].北京：科學出版社，2005.

[4]高雋.人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2002.

[5]陳文偉.智能決策技術[M].北京：電子工業出版社，1998.