基于神经网络的专家系统

李晶廉迎战

（广东工业大学，广东轻工职业技术学院，广东广州510300）

l.引言

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。

专家系统是基于知识的系统，主要由知识库、数据库、推理机、人机接口、知识获取等部分组成。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。

2.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，具体体现在以下几个方面：（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。

3.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：(1)以传统的专家系统为主，以神经网络的有关技术为辅。(2)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)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。

4.神经网络专家系统的结构

图1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。新的学习实例输入后，知识获取模块通过对新实例的学习，获得新的网络权值分布，从而更新了知识库。

图1 神经网络专家系统的基本结构

5.神经网络专家系统知识库的形成

5.1 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)对知识进行显式表示，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2所示。

图2 神经元知识表示

Xⅰ表示来自其它神经元知识的激励信号，wⅰ表示神经元之间的权，θ表示神经元阈值，y表示神经元的信号输出。

建立知识库就是确定神经网络的输入神经元，隐含神经元和输出神经元的权值和阈值。因而，知识库的建立实际上就是神经网络的学习过程。知识库的建立包括知识的获取及存储两个过程。

5.2 知识获取及存储

知识的获取表现为训练样本的获取与选择，训练样本来源于同类型对象的各种特征参数。在进行知识获取时，它只要求专家提供样本，通过特定的学习算法对样本进行学习，经过网络内部自适应算法不断修改权值分布以达到要求，把专家求解实际问题的启发式知识分布到网络的互连及权值分布上。各结点的信息是由多个与它相连的神经元输入信息和连接权合成的。这样它就将知识隐式地分散存储在神经网络的各项连接权和阈值中。

5.3 推理机制

一般专家系统中有三种推理机制：正向推理，反向推理和混合推理。神经网络专家系统的推理机制与传统专家系统基于逻辑的演绎方法不同，它的推理机制实质上就是网络的数值计算过程。主要由以下三个部分组成：（1）输入逻辑概念到输入模式的转换；（2）网络内的前向计算；（3）输出模式解释。

同传统专家系统的推理机制相比，神经网络的正向推机制具有很大的优势：（1）同一层的处理单元是完全并行的，但层间的信息传递是串行的。由于层中处理单元的数目要比网络层数多很多，因此它是一种并行推理；（2）在网络推理过程中不会出现传统人工智能系统推理的冲突问题；（3）网络推理只与输入及自身的参数有关，而这些参数又是通过使用学习算法对网络训练得到的，因此它是一种自适应推理。

5.4 解释机制

要实现神经网络专家系统的解释机能，需利用神经网络中的各个数据，如输入数据、输出数据及隐含层神经元输出数据。利用输入层神经元及输出层神经元的物理含义及对应的连接权值形成规则，以这些规则实现解释机能，其过程相当于神经网络训练的一个逆过程，在训练的过程中是将输入信号和教师信号进行组合作为样本，经过训练形成各项权值，得出解释规则，用以实现对用户疑问的回答，完成解释任务。

6.结束语

基于神经网络的专家系统较传统专家系统有较大的优越性(特别在分类，诊断和优化方面)，但在更广阔的领域研制、开发和应用，仍存在不少问题，表现在以下几个方面：(1)神经网络专家系统的性能很大程度上受到训练样本的影响。如果样例数据的正交性和完备性不好，就会降低专家系统的性能。(2)目前的神经网络专家系统没有询问机制。当推理计算过程中遇到不充分的信息时，它不向用户索取相关的证据，有些证据用户是知道的，但用户不知道他们是否对专家系统求解有用；因此，必然影响求解结果的质量。(3)神经网络专家系统的知识表示，输入证据和输出结果要求数字化，推理为数值计算。对有些知识，证据结果是很难数字化的，这样就限制了基于神经网络专家系统的应用。

[1]程伟良.广义专家系统[M].北京：北京理工大学出版社，2005.

[2]蔡自兴，约翰.德尔金，龚涛.高级专家系统：原理，设计与应用[M].北京：科学出版社，2005.

[4]高隽.人工神经网络原理及仿真实例[M].北京：机械工业出版社，2002.

[5]陈文伟.智能决策技术[M].北京：电子工业出版社，1998.