一般专家系统构造所需考虑的关键技术的讨论张永红哈尔滨工程大学信息与通信工程学院，黑龙江省哈尔滨市 150001摘要:本文在叙述了人工智能科学技术的发展概况之后，同时粗略的分析力专家系统的发展情况。
总结梳理了完成一项专家系统设计所需的关键技术的分析，给出了一般专家系统构造是在各个环节可以考虑和运用的技术。
并对各个可用的技术进行了比较分析。
总结目前在专家系统设计上飞瓶颈问题和突破口。
关键词 :专家系统，人工智能，知识表示，推理Abstract:This paper describes the overview of the development of artificial intelligence, science and technology, while rough analytical expert system development. Summary combing analysis of the key technologies required to complete an expert system design, gives the general expert systems can be considered and the use of technology in all aspects. And a comparative analysis of the available technology. Summarizes the current bottlenecks and a breakthrough fly in expert system design.key: Expert System ,Artificial Intelligence Knowledge Representation , Reasoning1 引言自1965年提出专家系统的概念，至今已经过去整整半个世纪了，回顾它的发展历史，专家系统在各个领域的应用已经非常广泛了，这一点不仅可以从网络学术文献搜索的数量和文献研究的领域上，还是实际产品的开发用运上都可以印证。
但是由于专家系统是人工智能科学的直接产物，而人工智能的发展始终徘回而前进缓慢。
人工智能的主要研究领域有：（1）符号智能：符号智能以物理符号系统为基础，研究知识表示、获取、推理过程。
（2）计算智能：计算智能包括神经计算、模糊系统、遗传算法、进化程序设计等。
神经计算是从神经生理学和认知科学的研究成果出发，应用数学方法描述非程序的和适应性的、大脑风格的人工神经网络信息处理的本质和能力。
而符号智能的研究进展缓慢，这主要是人工智能的在解决知识表示与表示的基本理论和方法这一关键理论问题上还未有完满的结果。
这导致以其为基础的人工神经网络、专家系统等的发展各自在不同的小领域内进行突破前行。
1958 年麦卡锡发明了表处理语言LISP。
由于 LISP 语言可以方便地处理符号，很快成为人工智能程序设计的主要语言。
人工智能经历了自然语言的机器翻译、鲁滨逊（J.A.Robinson）于 1965 年提出的消解法、神经网络研究等一次次高潮，但是由于人们忽视了现实世界的复杂性和问题的多样性，人工智能的早期研究只能停留在实验室里进行。
人工智能研究遇到了比想象的要严重得多的压力和困难。
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。
斯坦福大学的费根鲍姆（E.A.Feigenbaum）于1965 年开创了基于知识的专家系统（ Expert System）这一人工智能研究的新领域。
80 年代末，神经网络得到飞速发展。
1987 年，美国召开第一次神经网络国际会议，宣告了这一新学科的诞生。
此后，各国在神经网络方面的投资逐渐增加，神经网络迅速发展起来。
目前人工智能研究的几个方向是：智能接口、数据挖掘、主体及多主体系统、模糊处理、并行化、神经网络和机器情感[1]。
可见作为专家系统基础的人工智能的各个方面都具备坚实的基础，本文将要重点讨论设计一般专家系统时需采取的关键人工智能技术。
2 专家系统的整体的概念2.1专家系统的定义专家系统(Expert System)亦称专家咨询系统，它是一种智能计算机（软件）系统。
顾名思义，专家系统就是能像人类专家一样解决困难、复杂的实际问题的计算机（软件）系统。
专家系统应该具备以下四个要素：（1）应用于某一个专门领域。
（2）拥有专家级知识。
（3）能模拟专家的思维。
（4）能达到专家的水平。
准确的讲，专家系统就应该是，应用于某一专门领域，拥有该领域相当数量的专家级知识，能模拟专家的思维，能达到专家级水平，能像专家一样解决困难和复杂的实际问题的计算机（软件）系统。
这里需要指出的是，所谓的专家级知识、专家的思维是因为专家拥有自己独特的实践经验，具有独特的分析问题和解决问题的方法和策略，并且这些经验、方法和策略经过长期的实践证明是行之有效的。
2.2专家系统的特点同一般的计算机应用系统（如数值运算、数据处理系统等）相比，专家系统具有以下一些特点：（1）从处理的问题的性质看，专家系统善于解决那些不确定的、非结构化的、没有算法解或虽有算法解但在现有的机器上无法实现的困难问题。
例如：医疗诊断、地质勘探、天气预报、市场预测、管理决策、军事指挥等领域的问题。
（2）从处理的问题的方法看，专家系统则是靠知识和推理来解决问题（不像传统的软件系统使用固定的算法来解决问题），所以专家系统是基于知识的问题求解系统。
（3）从系统的结构看，专家系统则强调知识和推理的分离，因而系统具有很好的灵活性和可扩充性。
（4）专家系统一般还具有解释功能，即在运行过程中一方面能回答用户提出的问题，另一方面还能对最后的输出（结论）或处理问题的过程做出解释。
2.3专家系统的结构（1）概念结构从概念上讲，一个专家系统应具有图1 所示的一般结构模式。
其中知识库和推理机是两个最基本的模块.图1 专家系统结构①知识库所谓知识库，就是以某种表示形式存储在计算机中的知识的集合。
知识库通常是以一个个文件的形式存放在外部介质上，专家系统运行时将被调入内存。
知识库中的知识一般包括专家知识、领域知识和元知识。
元知识是关于调度和管理知识的知识。
知识库中的知识通常就是按照知识的表示形式、性质、层次、内容来组织的，构成了知识结构。
②推理机所谓推理机，就是实现（机器）推理的程序。
这里的推理，是一个广义的概念，它既包括了通常的逻辑推理，也包括了基于产生式的操作。
推理机是使用知识库中的知识进行推理而解决问题的，所以推理机也就是专家的思维机制，即专家分析问题、解决问题的方法的一种算法表示和机器实现。
③动态数据库动态数据库也称全局数据库、综合数据库、工作存储器、黑板等，它是存放初始证据事实、推理结果和控制信息的场所，或者说它是上述数据构成的集合。
动态数据库只在系统运行期间产生、变化和撤销，所以称为“动态”数据库，且在图中用虚线包围。
需要说明的是，动态数据库虽然也叫数据库，但它并不是通常所说的数据库，两者有本质的区别。
④人机界面人机界面指的是最终用户与专家系统的交互界面。
一方面，用户通过这个界面向系统提出或者回答问题，或向系统提供原始数据和事实等；另一方面，系统通过这个界面向用户提出或者回答问题，并输出结果以及对系统的行为和最终结果做出适当的解释。
⑤解释模块解释模块专门向用户解释专家系统的行为和结果。
推理过程中它可向用户解释系统的行为，回答用户“why”的问题，推理结束后它可向用户解释推理的结果是怎样得来的，回答“how”之类的问题。
⑥知识库管理系统知识库管理系统是知识库的支撑软件。
知识库管理系统对知识库的作用类似于数据库管理系统对数据库的作用，其功能包括知识库的建立、删除、重组；知识的获取(主要指录入和编辑)、维护、查询、更新；以及对知识的检查，包括一致性、冗余性和完整性检查等等。
知识库管理系统主要在专家系统的开发阶段使用，但在专家系统的运行阶段也要经常用来对知识库进行增、删、改、查等各种管理工作。
所以，它的生命周期事实和相应的专家系统是一样的。
知识库管理系统的用户一般是系统的开发者，包括领域专家和计算机人员(一般称为知识工程师)，而成品的专家系统的用户则一般是领域专业人员。
如果在原来的专家系统的结构上添加自学习模块，就成为更为理想的一种专家系统结构。
这里的自学习功能主要是指在系统的运行过程当中，能不断的自动化的完善丰富知识库中的知识。
3 专家系统构建的几个关键技术3.1知识获取和知识库的建立的技术知识表示一直是人工智能的重要核心问题,它是知识获取的基础,又是推理的前提。
目前在人工智能中信息和知识的表示方法种类繁多,虽然每种方法都有各自的特点,但是他们存在的共同问题就是缺乏严格的理论体系。
与其他应用领域相比,知识表示在智能设计中遇到了更大的困难,原因在于现有的知识表示方法都缺少对设计过程创造性思维的支持。
知识表示是概括智能行为的模型，其特点是: (1)智能行为所特有的灵活性问题(“常识问题”)不能概括为一类简洁的理论，它是大量小理论的集合; (2)Al的任务受到计算装置的约束.这就导致所采用的“表示”必须同时满足“刻画智能现象”与“计算装置可接受”这两个有时是矛盾的条件.正是对这两个条件的不同侧重导致了对“表示”的不同认识，并由此产生Al 研究的不同方法论.在Al中常见的知识获取知识表示的方法几乎都是来源于研究者对智能行为在微观与宏观不同科学层次的观察与分析而抽象出的模型.根据这些表示方法的原理可以将它们分成三类: (1)局部表示类:逻辑，产生式系统，语义网络，框架，脚本，过程等. (2)分布表示类:基因，联接机制.(3)直接表示类:各种图形，图象，声音及人造环境等. 由此，一种知识表示方法的体系树[2]可以被总结为图2的形式.图2常见知识表示的方法的树结构图而这些方法各自各有各自的局限性，且新的方法不断出现如文献提出的利用可拓学发展的知识表示方法在知识获取和知识库建立的过程中应根据自己特殊目的的专家系统选用适合的方法把专有领域的知识表示为计算机可识别可计算处理的表示形式，同时应构建这种表示形式完整的语义系统支撑推理机的“常识推理”等等的智能模拟活动。
另有大量文献提出将人工神经网络和融合到专家系统里到设计，这种系统利用人工神经网络结合特定的知识表示方法体系可完成专家系统的知识的获取与更新、知识库的建立。
3.2推理机的构造技术推理是从已知的知识推出蕴含着的知识，或归纳和发现新知识的重要方法。
所有推理方法都要涉及前提与结论之间的关系。
