神经网络在自学习系统中的应用
于神经网络自学习时缺少可供分析的样本数据和网络结构形式不确定等特殊情况,则无法有效的提高学习速度。本文针对神经网络自学习的特点,提出一种贝叶斯初始化取值法,以初始神经网络实现基本控制功能为给定条件,计算各种权值组合在给定条件下的后验概率,根据计算得到的概率分布初始化权值,使初始化网络具有一定的控制功能,从而减小学习过程中权值修改的幅度,提高学习速度。通过在异步电机速度控制器自设计仿真实验中应用本方法和随机取值法对神经网络进行初始化,结果显示应用本方法的学习速度较随机取值法具有明显提高,验证了本方法对加快网络学习速度的有效性。1 贝叶斯权值初始化方法神经网络自学习是根据外部环境对系统给出的评价来强化那些受奖励的动作以改善自身性能,通过学习产生一系列动作策略。目前的神经网络自学习无论是Q学习、决策-评价学习[12-13],还是基于遗传算法[14]的再励学习,重点一般在如何根据环境评估来改善权值,而网络初始权值均采用随机赋值法,很大程度上影响了自学习的速度。由于缺少训练样本以及网络结构不确定等因素,已有的权值初始化方法
无法应用于自学习以提高训练收敛速度。神经网络学习时,监督学习能够通过具体的数据样本计算快速获得准确的权值,而对于无数据样本的自学习,再励学习通过/试错0法需要花费大量时间进行测试,如果再励学习时初始网络具有基本的控制功能,则可以减小权值的修改幅度,加快学习速度。要获得具有基本控制功能的初始化神经网络,可将神经网络控制器具有基本控制功能作为给定条件,利用贝叶斯理论计算给定条件下权值组合的后验概率,根据后验概率分布初始化网络权值,则可获得具有一定控制能力的神经网络控制器。文献[15]将控制问题归纳为整定、跟踪与最优控制,无论是那种控制问题,反馈控制系统中控制器基本的动作准则应满足:若误差erro>0,则输出减小若误差erro<0,则输出增大(1)从以上分析可知,构建一个最基本的控制器不需要任何的样本数据,只需根据基本的动作准则进行调整即可。要根据后验概率分布产生初始化神经网络控制器,需要根据贝叶斯理论构建先验与后验误差函数,从而求取各种权值组合在满足基本控制器功能条件下的后验概率。设未知神经网络权值(包括阈值)为W=(w1,w2,,,wn),样本点
D={(x1,y1),(x2,y2),,,(xm,ym))},其中、分别为权值以及样本点数目,则权值在样本点的条件概率为:P(w/D)=P(D/w)P(w)P(D)(2)其中P(w)为权值W的先验分布,P(D/w)为似然函数,P(D)=EiP(D/wi)P(wi)=1为归一化因子。在没有先验知识时,权的初始值应较小以免一开始就工作在激励函数的饱和部分,如果权值太小,则所有激励函数几乎都处于线性部分,也会降低收敛速度,一般认为权值服从指数分布[16]:P(W)=1ZW(A)exp(-AEW)(3)其中ZW(A)是一个归一化因子,以保证Qp(w)dw=1,ZW=Qexp(-AEW)dw,A是控制权值分布形式的参数,EW是一种误差函数,高斯分布是指数分布最常见的形式,表达式为P(W)=1ZW(A)exp(-A2+w+2)(4)
则:EW=12+w+2=12Eni=1w2i(5)似然函数P(D/w)也可以写为指数形式:P(D/W)=1ZD(B)exp(-BED)(6)ZD(B)=Qexp(-BED)dD(7)这里ED是误差能量,为待优化网络理想输出与实际输出之间的误差之和。对于设计具有基本控制能力的控制器,只要满足条件(1)即可,由于没有样本数据,则设误差能量
ED=Emi=112e2i,ei为网络理想输出与实际输出之间的误差,这里根据奖惩机制令ei满足:ei=$ANNout, x>0,$ANNout<00,x>0,$ANNout\0$ANNout,x<0, $ANNout>00,x<0,$ANNout[0(8)将式(3)和式(5)代入式(2)中,得:P(W/D)=1ZMexp(-BED-AEW)=1ZMexp(-M( W))(9)M(W)=BED+AEW(10)ZM(A,B)=Qexp(-BED-AEW)dW(11)其中,A=m/2EW,B=n/2ED。由以上分析可知,要获得后验分布最大值的WMP,就应使P(W/D)最大,由于归一化因子ZM与W 无关,求P(W/D)最大即是求M(W)最小。为了简化计算,可利用高斯分布近似后验分布[17],将M(W)在其最小点WMP附近按Taylor级数展开,并忽略高次项,有:M(W)=M(WMP)+12(W-WMP)TA(W-WMP) (12)其中A是M(W)的Hessian 阵:A=yyMMP=ByyEMPD+AyyEMPW=ByyEM PD+AI(13)于是后验概率(9)简化为:P(W/D)=1Z*Mexp(-M(WMP)-12(W-WMP)T A(W-WMP))(14)其中根据文献[17]可得Z*M值为:Z*M(A,B)=e-M(WMP)(2P)n2(detA)-1/2(15)2
贝叶斯权值初始化方法的应用为了验证贝叶斯权值初始化方法提高神经网络训练速度的有效性,将其应用到交流电机速度环神经网络控制器自学习中,通过与随机赋值初始化方法的比较以验证本文方法的有效性。2.1 系统简介应用平台为基于矢量控制的异步电机调速系统控制器自学习系统,控制器自主设计在电机调速系统中的应用原理如图3所示。交流电机数学模型具有高阶非线性特点,为实现交流电机的高性能控制,一般借助于交流电机矢量控制理论[18]将电机系统分解为类似直流电机的励磁调节子系统和速度调节子系统两部分以分别进行控制。这里,在速度调节子系统中利用神经网络构建速度环控制器,图1虚线框中为自学习系统,其采用如图2所示的神经网络结构,其中利用遗传算法根据系统的性能指标在线逐步进化神经网络控制器的权值、阈值、激励函数,通过全局搜索寻找控制器最优解。2.2 权值初始化速度环神经网络控制器初始结构如图2所示,其中每层之间的连接权重矩阵为wij,每层反馈与该层的连接权重矩阵为feed_wi,阈值矩阵为biasi。网络中神经元彼此相连,且激励函数采用如下形
式:transfer(x)=transfer_w@tansig(x)hardlims(x )purelin(x)radbas(x)(16)因此,网络权值、阈值总数目为36,令权值、阈值为W=(w1,w2,,,w36),按照第二章介绍的贝叶斯方法首先对图2中神经网络进行初始化,令输入e(k)=-100+i(i=0,1,2,,,200)目标函数为式(9)。由于网络结构的不定性和复杂性,利用遗传算法求取目标函数最小点,这里权值个数m=36,样本个数n=200,具体的求取后验概率最大处的权值算法步骤如下:1)以式(9)作为适应度函数,初始值A=0,B=1,将交叉概率设为PC=0.8,变异概率设为Pm=0.01,进化代数设置为500代;以e(k)作为输入,依次测试种群中30组染色体个体的适应度,按大小对适应度进行排序;2)利用轮盘赌选择法选取6个父个体进行交叉、变异操作,将产生的6个子代个体替代3)中产生的适应度最小的6个个体,形成新的种群;3)按A=m/2EW,B=n/2ED重新计算A、B值,替换式(9)中原有值;4)判断进化代数是否大于500,若大于500则停止进化。否则转向3)继续进化。通过计算求得WMP=(0,0,,,0),A=6.215,B=9.163,M(WMP)=0,则由式(8)有ED=0,于是M(W)的Hessian
阵:A=yyMMP=ByyEMPD+AyyEMPW=AI(17)将式(17)代入式(14)和式(15)有:P(W/D)=exp0-12(W-0)TA(W-0)e-0(2P)n2(det A)-12=exp(-12WTAIW)(2P)n2(A)-n2=exp(-A2W TIW)(2P)n2(18)从式(18)可知,W=(w1,w2,,,w36)服从均值E(W)=(0,0,,,0),方差var(W)=1AI的联合正态分布,A决定着权值W分布情况,由于var(W)是对角矩阵,则w1,w2,,,w36相互独立[19],且wi服从N(0,1/A)的正态分布。由于贝叶斯方法和随机赋值法均是一种概率方法,通过增加抽样的次数能够增大获得最佳解的概率,因此得到贝叶斯后验概率后,按照式(18)对权值进行初始化,产生30组权值组合,记为W_bayes;同时,按照随机赋值的方法对权值进行初始化,也产生30组权值组合,记为W_random。利用两种方法获得的权值在同样的训练算法下比较学习速度,以验证贝叶斯方法的有效性。图 1 电机矢量控制系统中速度环控制器自主设计原理图 2 神经网络控制器初始结构2.3 自学习仿真按照图1所示,利用Matlab软件中simulink工具箱建立交流电机矢量控制仿真平台,仿真实验中电机参数选用本实验室实际交流电机参数,励磁电感
Lm=0.1024H,转子电感Lr=0.1088H,定子电感Ls=0.1063H,转子电阻Rr=0.5318,定子电阻Rs=0.8138,转动惯量J=0.02kgm2,额定功率Pn=5.5kW。针对多种初始化权值组合的测试,采用遗传算法进行自学习,能够通过进化机制从多种权值中搜索到最优权值。遗传算法中,按照整数型编码方式将权值矩阵W=(w1,w2,,,w36)组成染色体个体,将权值矩阵W_bayes和W_random 分别作为遗传算法初始种群,采用同样的遗传算法对交流调速系统进行控制器自设计。调速系统中,系统的性能指标分别选择T@Et2t1e(t)、Et2t1|e(t)|和1TEt2t1|$e(t)|三项,其中T为采样时间,T=0.001s,e(t)为速度误差。由于涉及多目标优化,算法中采用自适应权重法构建适应度函数。仿真算法中交叉、交叉概率分别设为PC=0.8,Pm=0.01,采用轮盘赌的选择方法,进化代数为50,单个个体作用时间为0.5s。3 实验结果及分析按照上述步骤进行仿真实验,分别得到如图3~5所示的应用两种权值初始化方法学习过程中速度变化曲线、最佳适应度变化曲线。从图3可知,应用贝叶斯方法初始化权值的网络自学习速度比随机初始化权值的网络自学习速度有
很大提高,前者经过32s自学习获得最佳权值,而且在初始化权值中已经具备控制效果较好的部分组合,使得遗传算法能够更快向最优解收敛,加快了学习速度;从图4可以看到,贝叶斯初始化产生的权值组合最佳适应度为0.18rad/s,比随机取值法产生的权值组合最佳适应度3.4rad/s明显减小;图5中贝叶斯方法产生的权值组合平均适应度为50rad/s,而随机组合产生的权值组合平均适应度为70rad/s,可见贝叶斯方法产生的权值组合在整体上也更趋近于最佳权值WMP,这样将有利于通过交叉、变异操作搜索得到最优解,从而提高学习速度
4 结语神经网络自学习时,针对缺少样本数据和网络结构不确定等特点,以神经网络控制器具有基本控制功能作为给定条件,利用贝叶斯理论计算给定条件下权值组合的后验概率,根据后验概率分布初始化网络权值,能够获得具有一定控制能力的神经网络控制器,从而减小自学习时权值、阈值的修改幅度,加快自学习速度。通过在异步电机速度控制器自设计仿真实验中应用本方法和随机取值法对神经网络进行初始化,结果显示应用本方法的学习速度较随机取值法具有
明显提高,验证了本方法对加快网络学习速度的有效性。
小型动物分类专家系统的设计与实现 一、实验目的 通过本实验可使学生能够综合利用C语言(或C++)、面向对象程序设计、数据结构、数据库原理、人工智能、软件工程等课程的相关知识，设计并实现小型动物分类专家系统，培养学生综合运用所学计算机软件知识解决实际问题的能力，为今后从事计算机软件开发及应用打下基础。 二、实验内容 运用下列规则，设计并实现一个小型动物分类专家系统。 规则1： 如果：动物有毛发 则：该动物是哺乳动物 规则2： 如果：动物有奶 则：该单位是哺乳动物 规则3: 如果：该动物有羽毛 则：该动物是鸟 规则4： 如果：动物会飞，且会下蛋 则：该动物是鸟 规则5： 如果：动物吃肉 则：该动物是肉食动物 规则6： 如果：动物有犬齿，且有爪，且眼盯前方 则：该动物是食肉动物 规则7： 如果：动物是哺乳动物，且有蹄 则：该动物是有蹄动物 规则8： 如果：动物是哺乳动物，且是反刍动物 则：该动物是有蹄动物 规则9： 如果：动物是哺乳动物，且是食肉动物，且是黄褐色的，且有暗斑点 则：该动物是豹 规则10： 如果：如果：动物是黄褐色的，且是哺乳动物，且是食肉，且有黑条纹 则：该动物是虎
规则11： 如果：动物有暗斑点，且有长腿，且有长脖子，且是有蹄类 则：该动物是长颈鹿 规则12： 如果：动物有黑条纹，且是有蹄类动物 则：该动物是斑马 规则13： 如果：动物有长腿，且有长脖子，且是黑色的，且是鸟，且不会飞 则：该动物是鸵鸟 规则14： 如果：动物是鸟，且不会飞，且会游泳，且是黑色的 则：该动物是企鹅 规则15： 如果：动物是鸟，且善飞 则：该动物是信天翁 动物分类专家系统由15条规则组成，可以识别七种动物，在15条规则中，共出现 30个概念（也称作事实），共30个事实，每个事实给一个编号，从编号从1到30，在规则对象中我们不存储事实概念，只有该事实的编号，同样规则的结论也是事实概念的编号，事实与规则的数据以常量表示，其结构如下：Char *str{}={"chew_cud","hooves","mammal","forward_eyes","claws", "pointed_teeth","eat_meat","lay_eggs","fly","feathers","ungulate", "carnivore","bird","give_milk","has_hair","fly_well", "black&white_color","can_swim","long_legs","long_neck", "black_stripes","dark_spots","tawny_color","albatross", "penguin","ostrich","zebra","giraffe","tiger","cheetah","\0"} 程序有编号序列的方式表达了产生式规则，如资料中规则15，如果动物是鸟，且善飞，则该动物是信天翁。相应的规则数组第七条是{16，13，0，0，0，0}，第十三个是“bird”（鸟），如果事实成立，询问使用者下一个事实，第十六个“fly_well”（善飞），如果也成立，则查找结论断言编号数组{30,29,28, 27,26,25,24,3,3,13,12,12,11,11,0}中第七个“24”，这里24对应事实数组中的“albatross”（信天翁）。 上述就是程序的推理过程，也是程序中的重点，该部分是由规则类（类rul e）中的Query方法实现。 三、实验原理 一个基于规则专家系统的完整结构示于图1。其中，知识库、推理机和工作存储器是构成专家系统的核心。系统的主要部分是知识库和推理引擎。知识库由谓词演算事实和有关讨论主题的规则构成。推理引擎由所有操纵知识库来演绎用户要求的信息的过程构成－如消解、前向链或反向链。用户接口可能包括某种自然语言处理系统，它允许用户用一个有限的自然语言形式与系统交互；也可能用带有菜单的图形接口界面。解释子系统分析被系统执行的推理结构，并把它解释给用户。
神经网络动态系统的辨识与控制 摘要： 本论文表明神经网络对非线性动态系统进行有效的辨识与控制。本论文的侧重点是辨识与控制模型，并论述了动态反向传播以及静态反向传播方法在参数调节中的作用。在所介绍的模型中，加法器与重复网络结构的内部相连很独特，所以很有必要将他们统一起来进行研究。由仿真结果可知辨识与自适应控制方案的提出是可行的。整篇论文中都介绍到基本的概念和定义，也涉及了必须提出的学术性问题， 简介 用数学系统理论处理动态系统的分析与合成在过去的五十年里已经被列为应用广泛的权威科学原理了。权威系统理论最先进的地方定义于基于线性代数以及复合变量理论的先进技术线性操作器以及线性常微分方程。由于动态系统的设计技术与它们的稳定特性密切相关，线性时间不变系统的充分必要条件在上世纪已经产生了，所以已经建立了动态系统的著名设计方法。相反，只要在系统对系统基础上就可以基本上建立非线性系统的稳定性，因此对于大部分系统没有同时满足稳定性、鲁棒性以及良好动态响应的设计程序并不希奇。 过去三十年来，对线性、非时变和具有不确定参数的对象进行辨识与自适应控制的研究已取得了很大的进展。但是在这些研究中辨识器和控制器的结构选取和保证整个系统全局稳定性的自适应调参规律的构成等，都是建立在线性系统理论基础上的[1]。在本论文中，我们感兴趣的是神经网络非线性动态系统的控制与辨识。由于很少有可以直接应用的非线性系统理论结果存在，所以必须密切关注这个问题以及辨识器和控制器结构的选择和调整参数适应性规则的通用性问题。 在人工神经网络领域里，有两类网络今年来最引人注目：它们是（1）多层神经网络（2）回归神经网络。多层神经网络被证实在解决模式辨识问题[2]-[5]上非常成功。而回归神经网络则经常用于联想记忆以及制约优化问题的解决[[6]-[9]。从系统理论的观点来看，多层网络呈现静态非线性映射，而回归网络则通过非线性动态反馈系统显现。尽管两种网络存在外观上的不同外，但是很有必要将他们用统一成更一般化的网络。事实上，笔者确信将来会越来越多的用到动态因素以及反馈，这导致包括两种网络的复杂系统的产生。这样，将两个网络统一起来就成为必要。在本文的第三章，这个观点会得到进一步的阐述。 本文用了三个主要目标。第一个也是最重要的一个目标是在未知非线性动态系统中为自适应控制利用神经网络提出辨识以及控制器结构。当未知参数线性系
《人工智能与专家系统》试卷（1）参考答案与评分标准 问答题（每题5分，共50分） 1．人工智能是何时、何地、怎样诞生的？（5分） 答：人工智能于1956年夏季在美国达特茅斯（Dartmouth）大学诞生。（3分）1956年夏季，美国的一些从事数学、心理学、计算机科学、信息论和神经学研究的年轻学者，汇聚在Dartmouth大学，举办了一次长达两个月的学术讨论会，认真而热烈地讨论了用机器模拟人类智能的问题。在这次会议上，第一次使用了“人工智能”这一术语，以代表有关机器智能这一研究方向。这是人类历史上第一次人工智能研讨会，标志着人工智能学科的诞生，具有十分重要的意义。（2分） 2．行为主义是人工智能的主要学派之一，它的基本观点是什么？（5分） 答：行为主义，又称进化主义或控制论学派。这种观点认为智能取决于感知和行动（所以被称为行为主义），它不需要知识、不需要表示、不需要推理。其原理是控制论和感知——动作型控制系统。 3．什么是知识表示？在选择知识表示方法时，应该考虑哪几个因素？（5分）答：知识表示是研究用机器表示知识的可行性、有效性的般方法，是一种数据结构与控制结构的统一体，既考虑知识的存储又考虑知识的使用。知识表示实际上就是对人类知识的一种描述，以把人类知识表示成计算机能够处理的数据结构。对知识进行表示的过程就是把知识编码成某种数据结构的过程。（3分）在选择知识表示方法时，应该考虑以下几个因素：(1)能否充分表示相关的领域知识；(2)是否有利于对知识的利用；(3)是否便于知识的组织、维护和管理；(4)是否便于理解和实现。（2分） 4．框架表示法有什么特点？（5分） 答：框架表示法有如下特点：结构性、继承性、自然性。（5分） 5．何谓产生式系统？它由哪几部分组成？（5分） 答：把一组产生式放在一起，让它们相互配合，协同作用，一个产生式生成的结论可以供另一个产生式作为已知事实使用，以求得问题的解，这样的系统称为产生式系统。（2分） 产生式系统一般由三个基本部分组成：规则库、综合数据库和推理机。（3分） 6．产生式系统中，推理机的推理方式有哪几种？请分别解释说明。（5分）答：产生式系统推理机的推理方式有正向推理、反向推理和双向推理三种。 正向推理：正向推理是从己知事实出发，通过规则库求得结果。 反向推理：反向推理是从目标出发，反向使用规则，求证已知的事实。 双向推理：双向推理是既自顶向下又自底向上的推理。推理从两个方向进行， 直至在某个中间界面上两方向结果相符便成功结束；如两方衔接不上，则推理失败。
基于BP神经网络模型及改进模型对全国历年车祸次数预测 一、背景 我国今年来随着经济的发展，汽车需求量不断地增加，所以全国每年的车祸次数也被越来越被关注，本文首先搜集全国历年车祸次数，接着通过这些数据利用BP神经网络模型和改进的径向基函数网络进行预测，最后根据预测结果，分析模型的优劣，从而达到深刻理解BP神经网络和径向基函数网络的原理及应用。所用到的数据即全国历年车祸次数来自中国汽车工业信息网，网址如下： https://www.doczj.com/doc/a316596589.html,/autoinfo_cn/cszh/gljt/qt/webinfo/2006/05/124650 1820021204.htm 制作历年全国道路交通事故统计表如下所示： 二、问题研究 （一）研究方向 （1）通过数据利用BP神经网络模型预测历年全国交通事故次数并与实际值进行比较。（2）分析BP神经网络模型改变训练函数再进行仿真与之前结果进行对比。 （3）从泛化能力和稳定性等方面分析BP神经网络模型的优劣。 （4）利用径向基函数网络模型进行仿真，得到结果与采用BP神经网络模型得到的结果进行比较。
（二）相关知识 （1）人工神经网络 人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。 人工神经网络有以下几个特征： （1）非线性非线性关系是自然界的普遍特性。大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性网络关系。具有阈值的神经元构成的网络具有更好的性能，可以提高容错性和存储容量。 （2）非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。 （3）非常定性人工神经网络具有自适应、自组织、自学习能力。神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程。 （4）非凸性一个系统的演化方向，在一定条件下将取决于某个特定的状态函数。例如能量函数，它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值，故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。 （2）BP神经网络模型 BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。 （3）径向基函数网络模型 径向基函数（Radial Basis Function，RBF）神经网络由三层组成，输入层节点只传递输入信号到隐层，隐层节点由像高斯函数那样的辐射状作用函数构成，而输出层节点通常是简单的线性函数。 隐层节点中的作用函数（基函数）对输入信号将在局部产生响应，也就是说，当输入信号靠近基函数的中央范围时，隐层节点将产生较大的输出，由此看出这种网络具有局部逼近能力，所以径向基函数网络也称为局部感知场网络。
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（Expert System）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。
人工智能技术基础实验报告 指导老师：朱力 任课教师：张勇
实验三小型专家系统设计与实现 一、实验目的 （1）增加学生对人工智能课程的兴趣； （2）使学生进一步理解并掌握人工智能prolog语言； （3）使学生加强对专家系统课程内容的理解和掌握，并培养学生综合运用所学知识开发智能系统的初步能力。 二、实验要求 （1）用产生式规则作为知识表示，用产生系统实现该专家系统。 （2）可使用本实验指导书中给出的示例程序，此时只需理解该程序，并增加自己感兴趣的修改即可；也可以参考该程序，然后用PROLOG语言或其他语言另行编写。 （3）程序运行时，应能在屏幕上显示程序运行结果。 三、实验环境 在Turbo PROLOG或Visual Prolog集成环境下调试运行简单的PROLOG程序。 四、实验内容 建造一个小型专家系统（如分类、诊断、预测等类型），具体应用领域由学生自选，具体系统名称由学生自定。 五、实验步骤 1、专家系统： 1.1建造一个完整的专家系统设计需完成的内容： 1．用户界面：可采用菜单方式或问答方式。
2．知识库（规则库）：存放产生式规则，库中的规则可以增删。 3．数据库：用来存放用户回答的问题、已知事实、推理得到的中 间事实。 4．推理机：如何运用知识库中的规则进行问题的推理控制，建议 用正向推理。 5．知识库中的规则可以随意增减。 1.2推理策略 推理策略包括：正向（数据驱动），反向（目标驱动），双向 2、动物分类实验规则集 （1）若某动物有奶，则它是哺乳动物。 （2）若某动物有毛发，则它是哺乳动物。 （3）若某动物有羽毛，则它是鸟。 （4）若某动物会飞且生蛋，则它是鸟。 （5）若某动物是哺乳动物且有爪且有犬齿且目盯前方，则它是食肉动物。（6）若某动物是哺乳动物且吃肉，则它是食肉动物。 （7）若某动物是哺乳动物且有蹄，则它是有蹄动物。 （8）若某动物是有蹄动物且反刍食物，则它是偶蹄动物。 （9）若某动物是食肉动物且黄褐色且有黑色条纹，则它是老虎。 （10）若某动物是食肉动物且黄褐色且有黑色斑点，则它是猎豹。 （11）若某动物是有蹄动物且长腿且长脖子且黄褐色且有暗斑点，则它是长颈鹿。 （12）若某动物是有蹄动物且白色且有黑色条纹，则它是斑马。 （13）若某动物是鸟且不会飞且长腿且长脖子且黑白色，则它是驼鸟。
摘要 现代化的建设需要信息技术的支持，专家系统是一种智能化的信息技术，它的应用改变了过去社会各领域生产基层领导者决策的盲目性和主观性，缓解了我国各领域技术推广人员不足的矛盾，促进了社会的持续发展。但传统专家系统只能处理显性的表面的知识，存在推理能力弱，智能水平低等缺点，所以本文引入了神经网络技术来克服传统专家系统的不足，来试图解决专家系统中存在的关系复杂、边界模糊等难于用规则或数学模型严格描述的问题。本文采用神经网络进行大部分的知识获取及推理功能，将网络输出结果转换成专家系统推理机能接受的形式，由专家系统的推理机得到问题的最后结果。最后，根据论文中的理论建造了棉铃虫害预测的专家系统，能够准确预测棉铃虫的发病程度，并能给用户提出防治建议及措施。有力地说明了本论文中所建造的专家系统在一定程度上解决了传统专家系统在知识获取上的“瓶颈”问题，实现了神经网络的并行推理，神经网络在专家系统中的应用具有较好的发展前景。 关键词神经网络专家系统推理机面向对象知识获取
Abstract Modern construction needs the support of IT, expert system is the IT of a kind of intelligence, its application has changed past social each field production subjectivity and the blindness of grass-roots leader decision-making, have alleviated the contradiction that each field technical popularization of our country has insufficient people, the continued development that has promoted society. But traditional expert system can only handle the surface of dominance knowledge, existence has weak inference ability, intelligent level is low, so this paper has led into artificial neural network technology to surmount the deficiency of traditional expert system, attempt the relation that solution has in expert system complex, boundary is fuzzy etc. are hard to describe strictly with regular or mathematics model. This paper carries out the most of knowledge with neural network to get and infer function , changes network output as a result into expert system, inference function the form of accepting , the inference machine from expert system gets the final result of problem. Finally, have built the expert system of the cotton bell forecast of insect pest according to the theory in this thesis, can accurate forecast cotton bell insect become sick degree, and can make prevention suggestion and measure to user. Have proved on certain degree the expert system built using this tool have solved traditional expert system in knowledge the problem of " bottleneck " that gotten , the parallel inference that has realized neural network, Neural network in expert system application has the better prospect for development. Key words Neural network Expert system Reasoning engine Object-orientation Knowledge acquisition
神经网络实现非线性系统设计
毕业设计（论文） 中文题目神经网络实现非线性系统设计英文题目 Neural Network Nonlinear System 院系： 年级专业： 姓名： 学号： 指导教师： 职称： 月日
【摘要】神经网络具有极强的非线性及自适应自学习的特性，常被用来模拟判断、拟合和控制等智能行为，成功渗透了几乎所有的工程应用领域，是一个在人工智能方向迅速发展的具有重大研究意义的前沿课题。 本文前两章主要介绍了神经网络的发展背景和研究现状，还有BP 网络的结构原理及相关功能。然后，对如何利用GUI工具和神经网络原理设计非线性系统的基本流程进行了详细的阐述。最后，经过利用Matlab软件进行编程，以及是经过对BP神经网络算法及函数的运用，研究其在函数逼近和数据拟合方面的应用，并分析了相关参数对运行结果的影响。 【关键词】BP网络，GUI，非线性系统 【ABSTRACT】Neural network has a strong nonlinear and adaptive self-organizing properties, often used to simulate the behavior of intelligent decision-making, cognitive control, and the successful penetration of almost all engineering applications, is a rapid development in the direction of artificial intelligence
人工神经网络控制 摘要: 神经网络控制，即基于神经网络控制或简称神经控制，是指在控制系统中采用神经网络这一工具对难以精确描述的复杂的非线性对象进行建模，或充当控制器，或优化计算，或进行推理，或故障诊断等，亦即同时兼有上述某些功能的适应组合，将这样的系统统称为神经网络的控制系统。本文从人工神经网络，以及控制理论如何与神经网络相结合，详细的论述了神经网络控制的应用以及发展。 关键词: 神经网络控制；控制系统；人工神经网络 人工神经网络的发展过程 神经网络控制是20世纪80年代末期发展起来的自动控制领域的前沿学科之一。它是智能控制的一个新的分支，为解决复杂的非线性、不确定、不确知系统的控制问题开辟了新途径。是（人工）神经网络理论与控制理论相结合的产物，是发展中的学科。它汇集了包括数学、生物学、神经生理学、脑科学、遗传学、人工智能、计算机科学、自动控制等学科的理论、技术、方法及研究成果。 在控制领域，将具有学习能力的控制系统称为学习控制系统，属于智能控制系统。神经控制是有学习能力的，属于学习控制，是智能控制的一个分支。神经控制发展至今，虽仅有十余年的历史，已有了多种控制结构。如神经预测控制、神经逆系统控制等。 生物神经元模型 神经元是大脑处理信息的基本单元，人脑大约含1012个神经元，分成约1000种类型，每个神经元大约与102~104个其他神经元相连接，形成极为错综复杂而又灵活多变的神经网络。每个神经元虽然都十分简单，但是如此大量的神经元之间、如此复杂的连接却可以演化出丰富多彩的行为方式，同时，如此大量的神经元与外部感受器之间的多种多样的连接方式也蕴含了变化莫测的反应方式。 图1 生物神经元传递信息的过程为多输入、单输出，神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近，当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质，突触有两
第六章专家系统 6-1 什么叫做专家系统?它具有哪些特点与优点? 专家系统是一种模拟人类专家解决领域问题的智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，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。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题。 特点： (1)启发性 专家系统能运用专家的知识与经验进行推理、判断和决策 (2)透明性 专家系统能够解释本身的推理过程和回答用户提出的问题，以便让用户能够了解推理过程，提高对专家系统的信赖感。 (3) 灵活性 专家系统能不断地增长知识，修改原有知识，不断更新。 优点： (1) 专家系统能够高效率、准确、周到、迅速和不知疲倦地进行工作。 (2) 专家系统解决实际问题时不受周围环境的影响，也不可能遗漏忘记。 (3) 可以使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识与经验。 (4) 专家系统能促进各领域的发展，它使各领域专家的专业知识和经验得到总结和精炼，能够广泛有力地传播专家的知识、经验和能力。 (5) 专家系统能汇集多领域专家的知识和经验以及他们协作解决重大问题的能力，它拥有更渊博的知识、更丰富的经验和更强的工作能力。 (6) 军事专家系统的水平是一个国家国防现代化的重要标志之一。 (7) 专家系统的研制和应用，具有巨大的经济效益和社会效益。 (8) 研究专家系统能够促进整个科学技术的发展。专家系统对人工智能的各个领域的发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远的影响。
基于神经网络的人机对抗人工智能系统（理论） -------------------------------------------------------------------------------- 基于神经网络的人机对抗人工智能系统 Harreke 摘要： 人工智能是一门科学名称。自电子计算机发明后不久，人工智能学科即宣布创立，其目的就是要模拟人类的智力活动机制来改进计算机的软件硬件构成，使他们掌握一种或多种人的智能，以便在各种领域内有效替代人的脑力劳动，特别是解决用传统软硬件方法难以解决的问题，如模式识别，复杂的控制行为或对海量的数据进行实时评估等。 所谓人工智能，就是由人工建立的硬件或软件系统的智能，是无生命系统的智能。智能是人类智力活动的能力，是一个抽象的概念。一个软件或硬件系统是否有智能，只能根据它所表现出来的行为是否和人类某些行为相类似来做判断。 人工智能在计算机上的实现，有两种不同的方式。一种是采用传统的编程技术，使系统呈现智能的效果，而不考虑所用方法是否与人或生物机体所用的方法相同。这种方法称为工程学方法，它的编程方式虽然简单，智能效果显著，可是算法和程序一旦固定下来，智能就很难再进一步提高。另一种是模拟法，它不仅要看智能效果，还要求实现方法和人类或生物机体所用的方法相同或类似。人工神经网络是模拟人类或生物大脑中神经元的活动方式，属于模拟法。 人工神经网络入门难度大，编程者需要为每一个对象设置一个智能系统来进行控制，新设置好的智能系统，虽然一开始什么都不懂，但它拥有学习的能力，可以通过学习，不断提升智能，不断适应环境、应付各种情况。通常来讲，使用人工神经网络虽然编程复杂，但编写完成后的维护工作，将比使用其他方式编程后的维护更加省力。 本文采用人工神经网络构建一个完整的人工智能系统，并将该人工神经网络理论应用于电脑领域的项目DOTA。 关键词：人机对抗，神经网络，人工智能，DOTA 目录 第一章神经网络系统概述 1.1生物学神经网络 1.2人工神经网络
1什么是专家系统。有什么特点和优点？ 专家系统是一个具有大量的专门知识与经验的程序系统 专家系统是一种模拟人类专家解决领域问题的计算机程序系统特点： 启发性，能够运用专家的知识进行推理判断与决策 透明性，能够解释推理过程和回答用户问题 灵活性，能不断增长知识，更新知识库 专家系统的优点，自己课后了解一下。 2专家系统由哪些部分构成？各部分的作用？ 知识库；综合数据库；推理机；解释器；接口 知识库，存储各领域专家的专门知识。静态。硬盘 综合数据库，存储初始问题数据和推理过程的中间数据。内存推理机，根据知识进行推理并导出结论。ＣＰＵ 接口，用户界面，和用户进行交互。向用户提问，回答用户问题，并进行必要的解释。
知识获取机制是将专业知识转换成机器能理解的表达形式。 解释机制向用户解释以下问题：系统为什么要向用户提出该问题（Why）？计算机是如何得出最终结论的（How）？ ３专家系统的分类，自己课下了解。 ４建造专家系统的关键步骤。 专家系统团队关系图
是否拥有大量知识是专家系统成功与否的关键。因此知识表示是设计专家系统的关键 一．设计初始数据库 二．原型机的开发与实验 三．知识库的改进与归纳 建立专家系统的步骤图６．３P156页 ５基于规则的专家系统
知识库：包含解决问题用到的领域知识，知识表达成为一序列规则。每个规则使用IF(条件)THEN(动作)结构指定的关系。当满足规则的条件部分时，便激发规则，执行动作部分。 数据库：包含一序列事实（一个对象及其取值构成了一个事实），所有的事实都存放在数据库中，用来和知识库中存储的规则的IF（条件）部分相匹配。 3. 基于规则的专家系统的推理机制 推理机制分为两大类：前向连接和后向链接 前向链接就是根据已有事实推断出新的事实。例如已知事实A is x，根据规则IF A is x THEN B is y。获得B is y。然后将B is y加入数据库。再寻找新的规则，即IF B is y THEN ….。
神经网络与matlab仿真 摘要 随着技术的发展，人工神经网络在各个方面应用越来越广泛，由于matlab仿真技术对神经网络的建模起着十分重要的作用，因此，本文通过讨论神经网络中基础的一类——线性神经网络的matlab仿真，对神经网络的matlab仿真做一个基本的了解和学习。 关键词：人工神经网路matlab仿真线性神经网络 1 神经网络的发展及应用 人工神经网络（Artificial Neural Network，简称ANN）是一种高度并行的信息处理系统，它具有高度的容错性，自组织能力和自学习能力；它以神经科学的研究成果为基础，反映了人脑功能的若干基本特性，对传统的计算机结构和人工智能方法是一个有力的挑战，其目的在于探索人脑加工、储存和搜索信息的机制，进而应用于人工智能系统。 1.1 神经网络的研究历史及发展现状 神经网络的研究已有较长的历史。1943年，心理学家McCulloch和数学家Pitts合作提出形式（兴奋与抑制型）神经元的数学模型（MP模型），开创了神经科学理论研究的时代。1944年，Hebb提出了神经元连接强度的修改规则，它们至今仍在各种神经网络模型中起着重要作用。50年代末60年代初，开始了作为人工智能的网络系统的研究。1958年，F.Rosenblatt首次引进了模拟人脑感知和学习能力的感知器概念，它由阈值性神经元组成。1962年，B.Widrow提出的自适应线性元件（adaline），具有自适应学习功能，在信息处理、模式识别等方面受到重视和应用。在这期间，神经网络大都是单层线性网络。此时，人们对如何解决非线性分割问题很快有了明确的认识，但此时，计算机科学已被人工智能研究热潮所笼罩。80年代后，传统的数字计算机在模拟视听觉的人工智能方面遇到了物理上不能逾越的基线，此时，物理学家Hopfield提出了HNN模型，引入了能量函数的概念，给出了网络稳定性的判据，同时开拓了神经网络用于联想记忆和优化计算的新途径。神经网络的热潮再次掀起。此后，Feldmann和Ballard 的连接网络模型指出了传统的人工智能“计算”与生物的“计算”的不同点，给出了并行分布的计算原则；Hinton和Sejnowski提出的Boltzman机模型则急用了统计物理学的概念和方法，首次采用了多层网络的学习算法，保证整个系统趋于全局稳定点；Rumelhart和McClelland等人发展了多层网络的BP算法；Kosko提出了双向联想记忆网络；Hecht-Nielsen提出了另一种反向传播网络，可用于图像压缩和统计分析；Holland提出了分类系统类似于以规则为基础的专家系统。这些努力为神经网络的后期发展奠定了牢固的基础。 目前，神经网络在研究方向上已经形成多个流派，包括多层网络BP算法，Hopfield网络模型，自适应共振理论（ART），自组织特征映射理论等。1987年，IEEE在San Diego召开大规模的神经网络国际学术会议，国际神经网络学会也随之诞生。 迄今为止的神经网络研究。大体可分为三个大的方向：
智能控制 基于MATLAB 的神经网络的仿真 学院： 姓名： 学号： 年级： 学科：检测技术与自动化装置 日期：
一．引言 人工神经网络以其具有信息的分布存储、并行处理以及自学习能力等优点, 已经在模式识别、 信号处理、智能控制及系统建模等领域得到越来越广泛的应用。MATLAB中的神经网络工具箱是以人工神经网络理论为基础, 利用MATLAB 语言构造出许多典型神经网络的传递函数、网络权值修正规则和网络训练方法，网络的设计者可根据自己的需要调用工具箱中有关神经网络的设计与训练的程序, 免去了繁琐的编程过程。 二．神经网络工具箱函数 最新版的MATLAB 神经网络工具箱为Version4.0.3, 它几乎涵盖了所有的神经网络的基本常用类型，对各种网络模型又提供了各种学习算法，我们可以根据自己的需要调用工具箱中的有关设计与训练函数，很方便地进行神经网络的设计和仿真。目前神经网络工具箱提供的神经网络模型主要用于： 1.数逼近和模型拟合； 2.信息处理和预测； 3.神经网络控制； 4.故障诊断。 神经网络工具箱提供了丰富的工具函数，其中有针对某一种网络的，也有通用的，下面列表中给出了一些比较重要的工具箱函数。
三．仿真实例 BP 网络是一种多层前馈神经网络，由输入层、隐层和输出层组成。BP 网络模型结构见图1。网络同层节点没有任何连接，隐层节点可以由一个或多个。网络的学习过程由正向和反向传播两部分组成。在正向传播中，输入信号从输入层节点经隐层节点逐层传向输出层节点。每一层神经元的状态只影响到下一层神经元网络，如输出层不能得到期望的输出，那么转入误差反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算，在经正向传播过程，这两个过程反复运用，使得误差信号最小或达到人们所期望的要求时，学习过程结束。
天津财经大学 TIANJIN UNIVERSITY OF FINANCIAL AND ECONOMY 论文题目人工智能系统之专家系统 学生姓名秦健应 学生学号201011148 所在班级计算机学科学与技术1002班 院系名称理工学院信息科学与技术系
总论 人工智能又称机器智能，是计算机科学中的一门边缘科学。专家系统是人工智能中最重要的也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统是早期人工智能的一个重要分支，它可以看作是一类具有专门知识和经验的计算机智能程序系统，一般采用人工智能中的知识表示和知识推理技术来模拟通常由领域专家才能解决的复杂问题。 起源与发展 20世纪60年代初，出现了运用逻辑学和模拟心理活动的一些通用问题求解程序，它们可以证明定理和进行逻辑推理。但是这些通用方法无法解决大的实际问题，很难把实际问题改造成适合于计算机解决的形式，并且对于解题所需的巨大的搜索空间也难于处理。1965年，f.a.费根鲍姆等人在总结通用问题求解系统的成功与败经验的基础上，结合化学领域的专门知识，研制了世界上第一个专家系统dendral ，用其可以推断化学分子的结构。20多年来，知识工程的研究，专家系统的理论和技术不断发展，应用渗透到几乎各个领域，开发了几千个的专家系统，其中不少在功能上已达到，甚至超过同领域中人类专家的水平，并在实际应用中产生了巨大的经济效益。 专家系统的发展已经历了3个阶段，正向第四代过渡和发展。第一代专家系统（dendral、macsyma等）以高度专业化、求解专门问题的能力强为特点。但在体系结构的完整性、可移植性等方面存在缺陷，求解问题的能力弱。第二代专家系统（mycin、casnet、prospector、hearsay等）属单学科专业型、应用型系统，其体系结构较完整，移植性方面也有所改善，而且在系统的人机接口、解释机制、知识获取技术、不确定推理技术、增强专家系统的知识表示和推理方法的启发性、通用性等方面都有所改进。第三代专家系统属多学科综合型系统，采用多种人工智能语言，综合采用各种知识表示方法和多种推理机制及控制策略，并开始运用各种知识工程语言、骨架系统及专家系统开发工具和环境来研制大型综合专家系统。在总结前三代专家系统的设计方法和实现技术的基础上，已开始采用大型多专家协作系统、多种知识表示、综合知识库、自组织解题机制、多学科协同解题与并行推理、专家系统工具与环境、人工神经网络知识获取及学习机制等最新人工智能技术来实现具有多知识库、多主体的第四代专家系统。 构造与工作过程 专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。其中尤以知识库与推理机相互分离而别具特色。专家系统的体系结构随专家系统的类型、功能和规模的不同，而有所差异。
比较专家系统、模糊方法、遗传算法、神经网络、蚁群算法的特点及其适合解决的实际问题 一、专家系统(Expert System) 1，什么是专家系统？ 在日常生活中大家所认知的“专家”一般都拥有某一特定领域的大量专业知识，以及丰富的实际经验。在解决问题时，专家们通常拥有一套独特的思维方式，能较圆满地解决一类困难问题，或向用户提出一些建设性的建议等。 专家系统一般定义为一个具有智能特点的计算机程序。 它的智能化主要表现为能够在特定的领域内模仿人类专家思维来求解复杂问题。因此，专家系统必须包含领域专家的大量知识，拥有类似人类专家思维的推理能力，并能用这些知识来解决实际问题。 专家系统的基本结构如图1所示，其中箭头方向为数据流动的方向。 图1 专家系统的基本组成 专家系统通常由知识库和推理机两个主要组成要素。 知识库存放着作为专家经验的判断性知识,例如表达建议、 推断、 命令、 策略的产生式规则等, 用于某种结论的推理、 问题的求解,以及对于推理、 求解知识的各种控制知识。 知识库中还包括另一类叙述性知识, 也称作数据,用于说明问题的状态,有关的事实和概念,当前的条件以及常识等。
专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的，因此，知识库是专家系统质量是否优越的关键所在，即知识库中知识的质量和数量决定着专家系统的质量水平。一般来说，专家系统中的知识库与专家系统程序是相互独立的，用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能。 推理机实际上是一个运用知识库中提供的两类知识,基于木某种通用的问题求解模型,进行自动推理、 求解问题的计算机软件系统。 它包括一个解释程序, 用于决定如何使用判断性知识推导新的知识, 还包括一个调度程序, 用于决定判断性知识的使用次序。 推理机的具体构造取决于问题领域的特点,及专家系统中知识表示和组织的方法。 推理机针对当前问题的条件或已知信息，反复匹配知识库中的规则，获得新的结论，以得到问题求解结果。在这里，推理方式可以有正向和反向推理两种。正向推理是从前件匹配到结论，反向推理则先假设一个结论成立，看它的条件有没有得到满足。由此可见，推理机就如同专家解决问题的思维方式，知识库就是通过推理机来实现其价值的。 人机界面是系统与用户进行交流时的界面。通过该界面，用户输入基本信息、回答系统提出的相关问题，并输出推理结果及相关的解释等。 综合数据库专门用于存储推理过程中所需的原始数据、中间结果和最终结论，往往是作为暂时的存储区。解释器能够根据用户的提问，对结论、求解过程做出说明，因而使专家系统更具有人情味。 知识获取是专家系统知识库是否优越的关键，也是专家系统设计的“瓶颈”问题，通过知识获取，可以扩充和修改知识库中的内容，也可以实现自动学习功能。 2，专家系统的特点 在功能上, 专家系统是一种知识信息处理系统, 而不是数值信息计算系统。在结构上, 专家系统的两个主要组成部分 – 知识库和推理机是独立构造、分离组织, 但又相互作用的。在性能上, 专家系统具有启发性, 它能够运用专家的经验知识对不确定的或不精确的问题进行启发式推理, 运用排除多余步骤或减少不必要计算的思维捷径和策略；专家系统具有透明性, 它能够向用户显示为得出某一结论而形成的推理链, 运用有关推理的知识(元知识)检查导出结论的精度、一致性和合理性, 甚至提出一些证据来解释或证明它的推理；专家系统具有灵活性, 它能够通过知识库的扩充和更新提高求解专门问题的水平或适应环境对象的某些变化,通过与系统用户的交互使自身的性能得到评价和监护。 3，专家系统适合解决的实际问题 专家系统是人工智能的一个应用，但由于其重要性及相关应用系统之迅速发展，它已是信息系统的一种特定类型。专家系统一词系由以知识为基础的专家系统(knowledge-based expert system)而来，此种系统应用计算机中储存的人类知识，解决一般需要用到专家才能处理的问题，它能模仿人类专家解决特定问题时的推理过程，因而可供非专家们用来增进问题解决的能力，同时专家们也可把它视为具备专业知识的助理。由于在人类社会中，专家资源确实相当稀少，有了专家系统，则可使此珍贵的专家知识获得普遍的应用。 专家系统技术广泛应用在工程、科学、医药、军事、商业等方面，而且成果相当丰硕，甚至在某些应用领域，还超过人类专家的智能与判断。其功能应用领