农业专家系统总结

第一章农业专家系统概述一、人工智能1、什么是人工智能？广义地讲，人工智能是关于人造物的智能行为，而智能行为包括知觉、推理、学习、 交流和在复杂环境中的行为。2、人工智能的起源与发展随着科学技术的不断进步，特别是数理逻辑、控制论、信息论的创立以及电子数字计 算机的出现，在计算机科学、数学、神经生理学、心理学、语言学等多种学科的相互渗透下， 经麦卡锡提议，现代人工智能这门新兴学科正式决定使用人工智能(Artificial Intelligence，AI)这一术语，从而开创了人工智能作为一门独立学科的研究方向。历史：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，ES)这一人工智能研究的新领域。3、人工智能的研究领域人工智能的研究更多的是结合具体领域进行的，主要研究领域有专家系统，机器学 习，模式识别，自然语言理解，自动定理证明，自动程序设计，机器人学，博弈，智能决定 支持系统和人工神经网络。二、专家系统1、什么是专家系统？专家系统(Expert System，ES)是一个利用知识和推理过程来解决那些需要特殊的、 重要的人类专家才能解决的复杂问题的计算机程序。2、专家系统的起源与发展专家系统的产生(1965年一1971年)专家系统的基本成熟(1972年一1977年)七十年代中期，一批卓有成效的专家系统开始出现，涉及医疗、自然语言理解、教 学、地质等多个应用领域，对专家系统技术的发展做出突出贡献的典型专家系统有：MYCIN、 CASNET、PROSPECTOR 等。专家系统的进一步发展(1978年一1990年)从专家系统到智能系统(Intelligent System)3、专家系统的分类海叶斯-罗斯(F.Heyes-Roth )等人按专家系统的特性及处理问题的类型将专家系 统分为如下10类：解释型、诊断型、预测型、设计型、规划型、控制型、监测型、维修型、 教育型、调试型。此外，近些年还研制开发出了决策型及管理型的专家系统。若按系统的体系结构进行分类，专家系统可分为集中式专家系统、分布式专家系统、 神经网络专家系统、符号系统与神经网络相结合的专家系统等4类。从推理方向的角度划分，可分为正向推理专家系统、逆向推理专家系统及混合推理 专家系统；从知识表示技术的角度划分，可分为基于逻辑的专家系统、基于产生式规则的专 家系统、基于语义网络的专家系统等；从应用领域的角度划分，分为医疗诊断专家系统、化 学专家系统、地质勘探专家系统、气象专家系统等；从求解问题所采用的基本方法来划分， 可分为诊断/分析型的专家系统及构造/综合型的专家系统等。三、农业专家系统1、概念农业专家系统也称为农业智能系统，是利用特定农业领域的专门知识，模拟农业专 家从事推理、规划、设计、思考和学习等思维活动，解决农业领域专门问题的计算机系统。 是运用专家系统技术，结合农业特点发展起来的一门高新技术。农业专家系统是农业信息技术的一个重要分支，是计算机科学技术与系统科学以及 农业科学技术相结合的产物。它应用人工智能技术，总结和汇集农业专家长期积累的宝贵经 验，以及通过试验获得的各种资料和数据，针对具体的自然条件和生态环境，科学地指导农 业生产，以实现高产、优质、低耗和高效的目标。2、农业专家系统的特点农业专家系统与普通计算机处理系统不同，它所处理的问题没有准确的数学公式描 述，而是要依据已积累的知识来求解。专家系统另一个特点是其专用性。虽然专家系统的原理具有一般性，但实际的系统 却没有通用性。3、农业专家系统的组成农业专家系统一般由知识库、推理机、工作存储区（中间数据库）解释器、知识获 取机构以及人机接口组成（1）知识库（Knowledge Base）知识库储存农业专家用以解决问题的领域知识，是专家系统运行的基础。对于一个 功能强的农业专家系统来说，知识库中通常储存有成千上万，甚至上百万条知识。农业专家系统知识库中的知识通常采用产生式表示，除此之外，逻辑、框架、语义 网络等各种表示方法也皆有采用。（2）推理机（Inference Mechanism）推理是人类的一种思维活动，如果给定事实“a”和规则“如果a那么b”，我们就 会推导出事实b来。即推理是从已有事实出发，运用所给规则推导出新的事实。推理机就是一个模拟人类思维，从已有事实出发，选用合适的规则，不断推出新的 事实，最终证明或否定某一结论的程序模块。推理通常包括正向推理和反向推理。反向推理： 若想求得某一结论，便从它出发做推导，来求得证明。正向推理：从已知事实出发依知识库 中的知识，逐步推导出结论。知识库中的知识既有一般性原理，又有大量的不完整的专家经验知识，这样的知识 不可避免地带有不精确性、模糊性、随机性、不可靠性等不确定因素。因此，推理机经常要 使用不确定椎理。（3）工作存储区（Working Memory）工作存储区是临时设定的存储区域，用于存放初始事实、推导的中间结果和最后结 论。推理机根据工作存储区中的初始事实如a，到知识库里去寻找有关知识如a-b，由 a，a-b经推理便得到中间结果b仍送入工作存储区，进而又以a，b为已知事实，重复上 述过程，直到求得最后结果，推理结束。(4) 解释机(Explanation Mechanism)解释机用来向使用者提供友善的解释说明及咨询功能。它通常将推理的路径记忆下 来，便于用户查询诸如“怎么得到这一结论的？ ”这样一些问题。（5）知识获取接口（Knowledge Acquisition Interface）提供编辑、增删知识库功能。知识获取有人工和自动两种方式，对于人工获取方式， 专家系统开发人员要对知识进行消化、整理、归纳，写成一条条符号表示的形式，并经知识 获取接口送入知识库。对于自动获取方式，这些工作要由知识获取系统自动完成。（6）人机接口人机接口是使用者或专家与农业专家系统之间的联系界面。知识的建立和维护，用 户提出质询以及推理结果的输出等都需要通过人机接口来实现。4、农业专家系统的开发过程开发一个农业专家系统，大体可以分为获取知识、确定知识表示方法和推理方法、 建造知识库、编写推理程序、调试运行等诸阶段。获取知识是从有关农业领域专家那里收集、整理、归纳有关的经验知识，如建造一 个玉米专家系统，需从玉米专家、有经验的农民以及书本等资料上收集有关玉米种植管理全 过程的知识，包括使用这个专家系统的地区的气象、土质等有关数据以及选种、种植、施肥、 灌溉、收获等各生长阶段的知识，经专家系统开发人员消化、整理、归纳写成一条条符号表 示的形式。这一阶段常常是花时间最多的。有了知识就要选择合适的知识表示和相应的推理方法了，通常选用产生式表示方法， 这时便可将知识逐条放入知识库，随之确定使用正向推理还是反向推理。从使用效率看，反向推理更有针对性，而正向推理通常推导出大量中间结果，其中 也有大量用户不感兴趣的结果，所以降低了求解效率。推理方式确定后，便可编写程序，然 后调试运行、修改，此时可以说已完成玉米专家系统的建造了。最后还要通过实际应用来测试知识的水平，以便进一步完善知识库，提高专家系统 的性能。5、农业专家系统开发工具最初，人们主要使用高级程序语言（如PASCAL、C）或人工智能语言（如LISP、PROLOG） 开发农业专家系统，不精通计算机语言的人，通常无法完成农业专家系统建设。后来，根据专家系统知识库和推理机相互分离的特点，研究人员把已建成的专家系 统中的知识库“抠”掉，以剩余部分为框架，再装入某一领域的专业知识，构成新的专家系 统。在调试过程中，只需检查知识库是否正确即可。在这种思想指导下，产生了建立农业专 家系统的工具，或称农业专家系统开发平台、农业专家系统外壳。利用专家系统开发工具， 某领域的专家只需将本领域的知识装入知识库，经调试修改，即可得到本领域的专家系统。农业专家系统开发平台是一种用来实现农业专家系统快速开发的工具，以其为基础 进行二次开发，可以大大减少农业专家系统开发的工作量和技术难度。四、PAID专家系统开发平台1、PAID农业专家系统开发平台的网络结构PAID农业专家系统开发平台采用“浏览器/Web服务器/数据库系统”的三层结构模 型客户层（Browser）提供可视化接口，用来表示信息和收集数据，使用户与应用程序紧 密结合起来。中间层（Web Server）是联系用户服务和数据服务的“桥梁”它们响应用户发送的 请求，执行某种业务任务。客户层和中间层之间传递的是服务的名称、所需的参数和服务的 结果。使用三层结构模型，可以把应用程序的需求分解成明确定义的服务。在定义了服务之 后，需要进一步创建具体的物理组件来实现它们，进行基于组件的应用程序开发，然后根据 性能和维护的需求、工作量、网络带宽等因素在网络上灵活地部署这些组件。如果所需的数 据驻留在数据库服务器上，通过它们可以获得所需的数据服务，用户无需直接与数据库打交 道。数据服务层（Database Server）包括数据库以及ADO、OLE DB等数据访问接口。数 据服务层对数据进行定义、维护、更新和访问管理，管理、响应业务服务的数据请求，将数 据服务与应用程序分离，在维护、修改甚至重构数据结构及访问机制时，不会影响到对用户 业务的服务。2、PAID平台的层次结构PAID农业专家系统开发平台是由计算机专业人员集成多种信息技术开发而成的农 业专家系统开发环境和工具，不同层次的用户可利用该平台方便地进行二次开发，利用平台 装载不同领域的知识规则后，即可开发出面向不同地区、不同领域的专家系统开发框架，经 过普通用户的使用和不断反馈，经修改完善即可形成特定领域的农业专家系统。3、PAID平台的功能构件软件构件技术是软件复用技术发展的一个重要里程碑，是面向对象技术发展的一次 飞跃。面向对象技术最早是在同一种编程语言内实现的，一个基于面向对象技术的应用程序 是用同一种语言开发的。随着计算机软件语言的发展，越来越多的高级语言开始支持面向对 象的程序设计。面向对象的概念也在不断拓展，逐渐突破了语言的限制。通过构件技术，可 将自己开发的软件做成构件提供给他人使用，也可以利用他人开发的构件实现自己的应用。 主要优点：构件的使用者无需了解构件的实现细节，只需了解构件对象的逻辑功能及其接口 发布信息。构件的实现也不需要考虑客户应用的细节，只需按照客户要求，根据构件规范标 准，制作、发布相应的互操作接口即可。构件技术极大地方便了系统实施任务的分解、分工 和系统组装。4、PAID平台的功能PAID平台包括系统管理、数据库管理、知识规则维护、数据编辑、智能决策、数 据查询及帮助等功能模块。1 、系统管理功能（1）账户管理功能实现了用户的分级管理。系统用户包括管理员账户和普通用户账户，只有以系统管 理员身份登录的用户才可以修改用户的账户信息。（2）界面管理功能通过界面管理，系统管理员可以对系统界面工具条及工作区的背景、颜色、字体大 小、字体颜色进行设置。（3）运行参数管理功能设置系统运行时页面的背景图片。（4）文档控制功能设置运行控制文档所指向的各个功能文档及其属性。2 、数据库管理功能（1）为用户提供友好的可视化的数据录入界面，使用户可以对非系统表进行结构定义和维 护，即对表的名称、字段名、字段类型、字段限制、字段界面显示定义等进行定义、修改；（2）为用户提供数据库管理工具，用户可以通过系统提供的数据库管理工具完成数据库的 备份、恢复、导入、导出。3 、知识库获取和维护功能（1）知识库定义和维护功能为用户提供界面友好的可视化的知识输入界面，用户可以对特定领域的知识、规范、 基础数据等进行描述和说明；可以定义模块，对模块中相应的知识和规则进行定义、修改; 通过数据表的方式维护知识规则。（2）知识库管理功能为用户提供批量拷贝和导入知识的工具。（3）知识求精与数据挖掘功能为用户提供知识求精与数据挖掘的工具。4 、推理功能和解释功能根据知识规则对事实数据进行正向推理，并对每一步推理过程通过解释机构作出解 释。推理结果以文字、图片等多媒体形式提供给用户，并可提供推理的全部过程。5 、事实录入功能用户通过友好的可视化输入界面进行原始数据编辑，所有数据项的属性均由系统管 理员或知识工程师定义，在录入过程中系统可以为用户提供动态提示、上下限限制、缺省值 等功能。用户可以对事实数据进行添加、修改、删除操作。6 、事实与结果查询功能用户可以通过友好的可视化的界面对事实数据及结论进行查询。7 、在线帮助功能第二章知识表示为了使计算机能模拟人类的智能行为，就必须使它具有知识。但是知识需要用适当 的形式表示出来才能存储到计算机中去，才能被计算机利用，因此知识的表示与运用十分重 要。知识的表示还与知识的获取、推理、搜索、解释等有直接的关系，对于问题能否求 解，以及问题求解的效率有重大的影响。因此，知识表示是智能系统的基础。一、什么是知识知识是人们在长期的生活、实践、科学研究及实验中积累起来对客观世界的认识与 经验，是人们总结出的带有规律性的东西。1. 数据、信息和知识数据：对客观事物的数量、属性、位置及其相互关系的抽象表示，是未经处理的事 实和概念。数据是信息的素材与载体。信息：人们根据一定的目的按一定的形式加工处理数据就形成信息。信息是通过整 理、分类和统计数据而获得的，并且以what，when，who，where， how many， how much 等形式来表示。知识：知识是信息经过加工、整理、解释、挑选和改造的结果，以why和how的形 式表示。2. 知识的特性不同领域的知识具有不同的特性，但同时也具有某些共性，归纳如下：（1）相对正确性知识是人们对客观世界认识的结晶，并且又受到长期实践的检验。因此，在一定的 条件及环境下，知识一般是正确的，可信任的。（2）不完全性所谓“不完全”大致可分证据不完全和结论不完全两大类。由于客观世界中很多事 物本身往往是表露不完全的，反映到人们脑中的对该事物的认识也就不可能完全。（3）不确定性知识是相关信息关联在一起形成的信息结构，“信息”与“关联”是构成知识的两个 要素。由于现实世界的复杂性，信息可能是精确的，也可能是不明确的、模糊的；关联可能 是确定的也可能是不确定的。这就使得知识并不只有“真”与“假”这两种状态，而是在“真” 与“假”之间还存在许多中间状态，即存在为“真”的程度问题，知识的这一特性称为不确 定性。（4）可表示性与可利用性知识是可以用适当形式表示出来的，正是由于它具有这一特性，所以它才能被存储 并得以传播。可利用性是不言而喻的，我们每个人天天都在利用自己掌握的知识解决所面临 的各种各样问题。3. 知识表示所谓知识表示就是将现实世界的知识转化为一种计算机可以接受的数据结构。4. 知识表示的条件计算机所能处理的知识需要满足一定的条件：（1）需要有统一的结构模式；（2）需要有一致的符号；（3）上述符号与模式构成合理的体系。自然语言作为一种描述现实世界的知识表示形式，并不符合上述条件，而且其多义 性和模糊性也不利于计算机的处理。因此必须在现实世界与计算机世界之间建立“一方面比 较符合人类较自然地表达其知识，另一方面又能变换成机器便于利用的格式”的中间变换界 面，也就是我们所说的知识表示。二、知识的分类1、根据知识的作用划分知识可以划分为描述性知识、过程性知识和控制性知识三种类型。描述性知识用来描述事实和概念，如：一个数据库中的具体事实，有关领域特征的 概念及结构描述等；过程性知识则是用于表示描述性知识的特性及它们相互之间的联系，专家系统中的 规则库即是典型的过程性知识；控制性知识表示控制和运用上述两种类型知识的策略，如各种搜索策略等。2、从知识描述事物的角度划分系统描述知识（结构知识、行为知识、功能知识），又叫深层知识。是对系统的结构、行为、功能深度进行描述的知识，包括（1）结构知识：关于系统最深层，也是对组成系统的元素和联系描述最详细的知识。（2）行为知识：从系统行为的角度来描述系统的工作过程或动态过程的知识。（3）功能知识：在更高层次上对功能描述的知识，是对系统行为的一种抽象，主要包括两 方面的知识：一是各功能块的描述；二是功能块之间存在的功能联系。系统关系知识主要指外在表现知识和内在原理之间的关系，又称为浅层知识。3、根据知识的确定性划分确定性知识是指可指出其值为“真”或“假”的知识，它是精确性的知识。不确定性知识是指具有“不确定”特性的知识，它是对不精确、不完全及模糊性知 识的总称。4、从知识的结构及表现形式来划分逻辑性知识是反映人类逻辑思维过程的知识，这种知识一般都具有因果关系及难以 精确描述的特点，它们通常是基于专家的经验，以及对一些事物的直观感觉。形象性知识通过事物的形象建立起来的知识。目前人们正在研究用神经元网络连接 机制来表示这种知识。三、知识表示1、知识表示知识表示（Knowledge Representation）研究用什么形式将有关问题的知识存入计算 机，以便进行处理，目前是人工智能研究最活跃的领域之一。所谓表示就是为描述世界所作的一组约定，是把知识符号化的过程。知识表示与知识的获取、管理、处理、解释等有直接的关系，对于问题能否求解， 以及问题求解的效率有重大的影响。同一知识可以采用不同的方法来表示，但在解决问题时， 不同的表达方法可能产生完全不同的结果。因此，为了有效地解决问题，必须选择一种合适 的知识表达方法。一个恰当的知识表示可以使复杂的问题迎刃而解。2、知识表示的要求表示能力：能够将问题求解所需的知识正确有效地表达出来可理解性：所表达的知识简单、明了、符合人们的思维习惯可利用性：知识的表示与利用是密切相关的两个方面。“利用”是使用所“表示” 的知识进行推理，求解现实问题。“表示”的目的是为了 “利用”，而“利用”的基础是“表 示”。可扩充性：具有从已知知识推导出新知识的能力，容易建立表达新知识所需的新结 构，并且便于获取新的知识。3、知识的表示方法（1）常用的知识表示方法：逻辑表示法，产生式规则表示法，特性表表示法，过程表示法，框架表示法，语义 网络表示法，案例表示法，面向对象表示法（2）知识表示方法的选择原则认真分析所研究领域的知识与处理问题的思路，选择能确切反映与表达这些知识和 思路的已有成熟的知识表示策略。每个表达方式一般都对应于一定的知识类型。而每个实际的领域多是比较复杂的， 往往很难用某种单纯的方式表达，因此采用几种基本表达方式的混合或综合来表达复杂的知 识类型。针对所研究的领域知识，提出与形成一套相应的知识表示策略是最好的，因为它能 有效地表达该领域或该任务的知识，不会牵强附会地套用常用的知识表达方式。四、总结：谓词逻辑法采用谓词合适公式和一阶谓词演算把要解决的问题变为一个有待证明的问 题，然后采用消解定理和消解反演来证明一个新语句是从已知的正确语句导出的，从而证明 这个新语句也是正确的。语义网络是知识的一种图解表示，它由节点和弧线或链线组成。节点用于表示实体、概 念和情况等，弧线用于表示节点间的关系。框架是一种结构化表示方法。框架通常由指定事物各个方面的槽组成，每个槽拥有若干 个侧面，而每个侧面又可拥有若干个值。大多数实用系统必须同时使用许多框架，并可把它 们联成一个框架系统。过程是一种知识的过程式表示，它将某一有关问题领域知识同这些使用方法一起，隐式 地表示为一个问题求解过程。过程表示用程序来描述问题，具有很高的问题求解效率。由于 知识隐含在程序中难以操作，所以适用范围较窄。（一）逻辑表示法主要用逻辑学科中的命题演算和谓词演算等知识来表述事实特点：逻辑表示的重要特性就是它的演绎结果在一定范围内保证正确，而其他知识表示方 式，至今还未做到这一点。其从现有事实推导出新事实的方法可以机械化1、命题演算具有“真或假”值的句子叫做命题2、谓词演算一个命题一般由主语（词）和谓语（词）两部分组成。3、谓词演算的形式符号个体符号，谓词符号，函数符号，逻辑符号，技术性符号4、谓词逻辑表示法应用用谓词公式表示知识时，需要首先定义谓词，指出每个谓词的确切含义，然后再用 连接词把有关的谓词连接起来，形成一个谓词公式表达一个完整的意义。5、逻辑表示法特点在各种知识表达方法中，谓词逻辑方法是用得比较广泛的一种。这是因为：（1）谓词逻辑与数据库，特别是关系数据库具有密切的联系，在关系数据库中，逻辑代数 表达式是谓词逻辑表达式之一。因此，如果采用谓词逻辑作为系统的理论骨架，则可将数据 库系统扩展改造成知识库。（2）一阶谓词逻辑具有完备的逻辑推理算法，如果对逻辑的某些外延扩展后，则可把大部 分的知识表示成一阶谓词逻辑的形式。（3）谓词逻辑本身具有比较扎实的数学基础，知识的表达方法决定了系统的主要结构，因 此，对知识表达方式的严密科学性要求就比较容易得到满足，这样对形式理论的扩展导致了 整个系统框架的发展。（4）逻辑推理是从公理集合中演绎而得出结论的过程。由于逻辑及形式系统具有的重要性 质，可以保证知识库中新旧知识在逻辑上的一致性和所演绎出来的结论的正确性。6、用逻辑进行推理推理过程：根据事实，依据知识，推出新的事实（二）产生式规则表示法产生式也称为产生式规则，或简称规则1、什么是产生式产生式的一般形式为：前件f后件其中，前件就是前提，后件是结论或动作，前件和后件可以是由逻辑运算符AND、 OR、NOT组成的表达式。产生式规则的语义：如果前提满足，则可得结论或者执行相应的动作，即后件由前 件来触发。所以，前件是规则的执行条件，后件是规则体。一条产生式规则就是一条知识。用产生式可以实现推理和操作（事实+规则），产生式规则是知识表示形式。2、产生式的特点谓词逻辑中的蕴含式与产生式的基本形式有相同之处，但是有差别的，通常可以把 蕴含式看成是产生式的一种特殊情况，这是因为：（1）、蕴含式只能表示精确知识，而产生式不仅可以表示精确知识，也可以表示不精确知识。 但对于谓词逻辑中的蕴含式是不可以这样做的。（2）、在用产生式表示知识的系统中，决定一条知识是否可用的方法是检查当前是否有已知 事实可与前提中规定的条件匹配。这种匹配可是精确的，也可以是不精确的，只要按某种算 法求出的相似度在某个预先指定的范围内就认为是可匹配的。但对谓词逻辑的蕴含式来说，要求匹配是精确的。3、产生式系统的基本结构一般来说，一个产生式系统由以下三个基本部分组成。（1）规则库：用于描述相应领域内知识的产生式集合称为规则库。显然，规则库是产生式 系统进行问题求解的基础，其知识是否完整、一致，表达是否准确、灵活，对知识的组织是 否合理等，不仅直接影响到系统的性能，而且还会影响系统的运行效率，因此对规则库的设 计与组织应给予足够的重视。（2）综合数据库：综合数据库又称为事实库、上下文、黑板等。它是一个用于存放问题求 解过程中各种当前信息的数据结构。当规则库中某条产生式的前提可与综合数据库中的某些 已知事实匹配时，该产生式就被激活，并把用它推出的结论放入综合数据库中，作为后面推 理的已知事实。显然，综合数据库的内容是在不断变化的，是动态的。（3）控制系统：控制系统又称为推理机构，由一组程序组成，负责整个产生式系统的运行， 实现对问题的求解。4、产生式系统的工作原理一个产生式系统工作，通常从选择规则到执行操作共分三步：即匹配一冲突解决一 操作。（1）匹配：把当前数据库与规则的条件部分相比较，如二者匹配，则此规则被激发。但被 激发的规则不一定被启用，因为规则库中可能同时有好几条规则被激发。此时究竟先启用哪 条规则，需要根据控制系统的冲突解决策略来决定。（2）冲突解决：当有多个规则同时被激发时，必须利用一定的策略来确定规则的启用顺序， 这就是所谓冲突解决策略。（3）操作：当确定应启用的规则之后，就根据规则的后件修改当前数据库。5、产生式系统求解问题的一般步骤1 初始化综合数据库，把问题的初始已知事实送入综合数据库中。若规则库中存在尚未使用过的规则，而且它的前提可与综合数据库中的已知事实匹配， 则继续；若不存在这样的事实，则转第（5）步。3 执行当前选中的规则，并对该规则做上标记，把该规则执行后得到的结论送入综合数据 库中。若该规则的结论部分指出的是某些操作，则执行这些操作。4 检查综合数据库中是否已包含了问题的解，若已包含，则终止问题的求解过程；否则， 转第（2）步。5 要求用户提供进一步的关于问题的已知事实，若能提供，则转第（2）步；否则，终止 问题求解过程。6 若规则中不再有未使用过的规则，则终止问题的求解过程。6、产生式系统的优点自然性：由于产生式系统采用了人类常用的表达因果关系的知识表示形式，既直观、 自然，又便于进行推理。模块性：产生式是规则库中的最基本的知识单元，形式相同，易于模块化管理。有效性：能表示确定性知识、不确定性知识、启发性知识、过程性知识等。清晰性：产生式有固定的格式，既便于规则设计，又易于对规则库中的知识进行一致 性、完整性检测。7、产生式系统的缺点效率不高：产生式系统求解问题的过程是一个反复进行“匹配一冲突消解一执行”的 过程。由于规则库一般都比较庞大，而匹配又是一件十分费时的工作，因此，其工作效率不 高。此外，在求解复杂问题时容易引起组合爆炸。不能表达具有结构性的知识：产生式系统对具有结构关系的知识无能为力，它不能把 具有结构关系的事物间的区别与联系表示出来，因此，人们经常将它与其它知识表示方法（如 框架表示法、语义网络表示法）相结合。8、产生式系统的适用领域（1）由许多相对独立的知识元组成的领域知识，彼此之间关系不密切，不存在结构关系。（2）具有经验性及不确定性的知识，而且相关领域中对这些知识没有严格、统一的理论。（3）领域问题的求解过程可被表示为一系列相对独立的操作，而且每个操作可被表示为一 条或多条产生式规则。（三）特性表表示法1. 用特性表表示知识特性表是由特征和其量词组成的表，它包括特征和数值两部分，对于某一类事物或某 一个问题的一组特性可以组成一个特性表，用特性表可以方便地表示很多类型的知识。特性表一般能表达比较相对固定的知识，叙述性的知识，还能表达过程性知识或控制 性知识。2. 推理算法推理算法仅用检索即可。特性表的优点就在于便于检索，所以它在人工智能中应用很广，它的推理算法（如取 特性值、填特性值等）运用LISP语言较易得以实现。（四）过程表示法所谓过程表示法就是用一段子程序来表示某一类知识或某一个问题。一般在某一个实际问题的推理过程中要用到数值计算，这时可把计算部分编成子程序 或过程，推理中用规则调用过程，问题就可得到解决。用过程表示法表示知识的系统较多，其中著名的系统有SIR问答系统、Woods航班 表系统。这就是用过程形式表示的启发式知识，此处目的在于避免盲目搜索、加快推理进程。但是这类过程性知识主要是根据人在特定问题领域的经验，而不保证一定成功。1、过程表示法的优缺点优点：（1）效率较高；（2）控制系统容易设计。缺点：不易修改、添加新的知识，而且当对某一过程进行修改时，有可能影响到其它过程， 对系统的维护带来诸多不便。（五）框架表示法该理论认为人们对现实世界中各种事物的认识都是以一种类似于框架的结构存储在 记忆中的，当面临一个新事物时，就从记忆中找出一个合适的框架，并根据实际情况对其细 节加以修改、补充，从而形成对当前事物的认识。目前已作为一种通用数据结构来表示知识 对象（实体）1、框架的定义框架是一种描述所论对象（一个事物、一个事件或一个概念）属性及其相互关系的 数据结构。一个框架（frame）由一组槽（slots）组成，每个槽表示对象的一个属性，槽的 值就是对象的属性值。一个槽可以由若干个侧面组成，每个侧面可以有一个或多个值。槽有两种形式：（1）“槽名+槽值”（无侧面），用于描述单一情况；（2）“槽名+侧面序列”，用于描述单层性的多侧面情况和单层性的各种自动填值等 侧面情况。槽可由若干侧面组成，侧面又可由一个或多个侧面值组成。框架实质上是一个层次 的嵌套链接表。框架的槽值可以是另一个框架，因此框架结构可以对知识进行三维的描述。框架的槽还可以附加过程，称为过程附件（procedural attachment），包括子程序和某 种推理过程。2、基于框架的推理在框架系统中，其推理机主要完成两种推理活动：一是匹配，即根据已知事实寻找 合适的框架；二是填槽，即填写框架中的未知槽值。（1）匹配当利用由框架所构成的知识库进行推理和做出决策时，其过程往往是根据已知的信 息，通过知识库中预先存储的框架进行匹配，从中找出一个或几个与该信息所提供情况最适 合的预选框架，形成初步假设，然后对所有预选框架进行评估，以决定最合适的框架。（2）填槽在匹配过程中，有的属性值可能目前还不知道，在这种情况下，匹配引起槽值的计 算。1）属性值的继承：在框架网络中，各框架之间通过实例一类及类一超类链构成“具 体一抽象”的关系，其中下层框架可以共享其上层框架中定义的有关属性和属性值，这种继 承的思想是基于框架的知识表示系统中最重要的概念之一。2）属性继承：表示下层框架可以继承其上层框架的属性。对于由子类连接关联在一 起的两个框架，由于子类的每一个元素同时属于超类，子类框架可从超类框架中继承成员槽 作为自己的成员槽。3）限制继承：指定某一框架可以从其上层框架中继承哪些属性或属性值，其它属性 或属性值不允许继承。3、框架表示法的特点（1）结构性框架表示法最突出的特点是它善于表达结构性的知识，能够把知识的内部结构关系 及知识间的联系表示出来，因此它是一种结构化的知识表示方法。框架表示法的知识单位是 框架，而框架是由槽组成的，槽又可分为若干侧面，这样就可把知识的内部结构显式地表示 出来。（2）继承性框架表示法通过使糟值为另一个框架的名字实现框架间的联系，建立起表示复杂知 识的框架网络。在框架网络中，下层框架可以继承上层框架的槽值，也可以进行补充和修改， 这样不仅减少知识的冗余，而且较好地保证了知识的一致性。（3）自然性框架表示法体现于人们在观察事物时的思维活动，当遇到新事物时，通过从记忆中 调用类似事物的框架，并将其中某些细节进行修改、补充，就形成了对新事物的认识，这与 人们的认识活动是一致的。（4）易于推理框架的槽值为过程附件，不仅提供了附加的推理机制，还可进行矛盾检测，用于知 识库的一致性维护。框架的属性及附加过程都可以从高层次的框架继承下来，应用继承性可 以实现高效的推理。（六）语义网络表示法产生式表示法善于描述事物间的因果关系，框架善于描述事物的内部结构及事物间 的类属关系。为了描述更复杂的概念、事物及其语义联系，引入了语义网络表示知识的方法 语义网络表示法是一种表达能力强而且灵活的知识表示方法。语义网络是基于网络结构表示人类知识构造的一种形式。语义主要是指语言结构（如词、短语、句子、段落等）及其意义上的联系。是通过概念及其语义关系来表达知识的一种网络图。网络图中的节点表示各种事物、概念、情况、属性、动作、状态等;弧表示各种语 义联系，指明它所连接的节点间的某种语义关系。节点和弧都必须带有标识，以便区分各种 不同对象以及对象间各种不同的语义联系。每个节点可以具有若干属性，用框架或元组表示； 还可以是一个语义子网络，形成一个多层次的嵌套结构。1、表示有关事实间的关系分类关系：指事物间的类属关系聚集关系：指下层概念是其上层概念的一个方面或者一个部分推论关系：指一个概念可由另一个概念推出时间、位置等关系：一个事务发生的时间、位置等2、语义网络系统的求解原理用语义网络表示知识的问题求解系统称为语义网络系统。该系统主要由两大部分组 成：一是由语义网络构成的知识库；另一是用于求解问题的解释程序，称为语义网络推理机。 在语义网络系统中，问题的求解一般是通过匹配实现的，其求解过程为：（1）根据求解问题的要求构造一个网络片断，其中有些节点或弧的标识是空的，称为询问 处，它反映待求解的问题。（2）依此网络片断到知识库中去寻找可匹配的网络，以找出所需要的信息。当然，这种匹 配一般不是完全的，具有不确定性，因此需要解决不确定性匹配的问题。（3）当问题的语义网络片断与知识库中的某语义网络片断匹配时，则与询问处匹配的事实 就是问题的解。3、语义网络表示法的优点（1）继承性：语义网络表示法是一种结构化的知识表示方法。它能把事物的属性以及事物 间的各种语义联系显式地表示出来。下层概念节点可以继承、补充、变异上层概念的属性， 从而实现信息的共享。（2）联想性：语义网络最初是作为人类联想记忆模型提出来的，其表示方法着重强调事物 间的语义联系，由此就可把各节点间的联系以明确、简洁的方式表现出来，通过这些联系很 容易找到与第一节点有关的信息。（3）理解性：语义网络能直观地把事物的属性及事物间的语义联系表示出来，便于理解， 自然语言与语义网络之间的转换也比较容易实现。4、语义网络表示法的主要缺点（1）非严格性：一个给定的语义网络所表达的含义完全依赖于处理程序如何对它进行解释。 在推理过程中，有时不能区分事物的“类”与“个体”，因此通过推理网络而实现的推理不 能保证其正确性。（2）处理上的复杂性：语义网络表示知识的手段是多种多样的，这虽对其表示带来了灵活 性，但同时也由于表示形式的不一致使得对它的处理增加了复杂性。节点之间的联系可以是 线性、非线性的，甚至是递归的，因而对相应知识的检索就相对复杂一些，要求对网络的搜 索要有强有力的组织原则。（七）案例表示法基于案例的推理是基于利用以往求解类似问题的以事例形式表示的经验知识进行推 理，从而获得当前问题求解结果的一种推理模式1、有助于探讨人类求解问题和学习新知识的机制；2、有助于解决专家系统中知识的难于获取和推理的脆弱性等问题；3、有助于对不完全了解的领域，根据以往的经验做出某些假设和推测，从而帮助解决所面 临的问题；4、有助于在没有有效算法时求得问题的解。（八）不确定知识的表示客观世界存在多种不确定性，大致可以分为三类：随机性、模糊性和不完备性。随 机性是指由于事件之间的因果关系不明确，因而不能完全确定事件发生结果的一种不确定 性；模糊性是指人们对现象或知识的概念外延不清晰而导致的一种不确定性；不完备性是指 由于人们的认识和客观条件的限制，特征信息不完全或不精确而导致的一种不确定性。专家系统需要构造一个能够合理处理不确定性知识表示的模型。1. 经典关系表示法2. 概率关系表示法3. 模糊关系表示法五、知识的检测与求精1、知识的一致性与完整性检测知识库的建立过程是知识经过一系列变换后存入计算机系统的过程，在这个过程中存 在各种因素会导致知识不健全。主要表现：知识冗余、矛盾、从属、环路、不完整知识的检测方法：静态检测是指在知识输入之前由领域专家及知识工程师所做的检查工作。动态检测是指在知识输入过程中以及对知识库进行增、删、改时由系统所进行的 检查。在系统运行过程中出现错误时也需要对知识库进行动态检测。（一）知识冗余知识冗余的三种表现：等价规则、冗余规则链、冗余条件1、等价规则：当两条产生式规则在相同条件下有相同的结论时，称它们为等价规则。2、冗余规则链：如果两条规则链中第一条规则的条件相同，且最后一条规则的结论等价， 则称两条规则链之间存在冗余。3、冗余条件：如果两条规则有相同的结论，但一条规则中的某个子条件在另一条规则的条 件中被否定，而其他子条件保持一致，则称这两条规则有多余的条件。（二）矛盾如果两条产生式规则或规则链在相同条件下得到的结论是互斥的；或虽有相同的结 论，但规则强度不同，则称它们是矛盾的。（三）从属如果规则R1与R2有相同的结论，但R1比R2要求更多的约束条件，则称R1是 R2的从属规则。（四）环路当一组规则形成一条循环链时，称它们构成了一个环路。当知识库中出现环路时，应征求领域专家的意见，修改或舍弃其中的一条规则，破坏 形成环路的条件。（五）知识检测对冗余、矛盾等知识的检测实际上是通过对知识的相应部分进行比较实现的。如，对两条产生式规则的条件部分进行比较，看其是否等价；再对它们的结论部分进 行比较，看其是否一致。因此，检测的基本环节是检查两个逻辑表达式的等价性。1、逻辑表达式等价性的检测产生式规则的条件与结论部分都可以分别表示为一个合取式。两个合取式等价性的检测就是逐一比较它们的合取项是否一致。2、冗余的检测以等价性检测为基础就可进行冗余的检测，包括：等价规则的检测、冗余规则链的检 测、矛盾规则及矛盾规则链的检测、从属规则的检测和环路的检测。（1）冗余规则链的检测（2）冗余条件的检测（3）环路的检测(4) 矛盾规则链的检测(5) 从属规则的检测(六) 知识求精概念：知识库中除了冗余、矛盾外，还可能存在知识不完整，以至在系统运行时产生 错判或漏判。为了找出导致错误的原因，就需要找出产生这些错误的知识，予以改进，以提 高知识库的可靠性，称之为知识求精。错判：对给定的不应产生某一结论的条件，经系统运行却得出了这一结论。漏判：对给定条件本应推出的结论没有推出来。实现知识求精的一般方法：用一批有已知结论的实例考核知识库，看有多少实例被系 统错判和漏判，然后对知识进行适当的修正，以提高知识库的可靠性。计算：错判率=错判数/实例数，漏判率=漏判数/实例数if如果漏判率大于错判率，而且漏判率大于指定的某个值，则对规则作泛化处理。if如果错判率大于漏判率，而且错判率大于指定的某个值，则对规则作特化处理。if如果错判率等于漏判率，且大于指定的某个值，则对规则作泛化处理。泛化处理是指减弱规则的条件，包括：减少规则前提中条件的数目或增加某些逻辑子式的权值。降低产生式规则的阈值。增大规则的可信度。特化处理指增强规则的条件，包括：增加规则前提中条件的数目或增加某些逻辑子式的权值。提高产生式规则的阈值。降低规则的可信度。第三章知识获取一、知识获取的概念所谓知识获取（Knowledge Acquisition, KA）是指从人类专家处（领域专家）或潜在的 知识源获取领域知识，经识别、理解、筛选、归纳等方法，将其转化成知识库的过程。知识获取包括问题的定义、实现、完善以及表达从专家处获取的事实和关系。这里潜 在的知识源包括专家、书本、数据库以及人们的经验等。知识获取过程可以看作：使专业知识从知识源到知识库的转移过程。知识获取贯穿于一个专家系统生命周期的始终，是一个长期的、与专家系统共生死的 过程，可分为早期、中期和后期三个阶段。（1）早期知识获取：直接从知识源获取原始知识。（2）中期知识获取：对已经得到的原始知识进行再加工，把那些隐含于原始知识 中但不能为我们直接利用的知识提炼出来。（3）后期知识获取：用实践来检验已有的知识，达到去伪存真、去粗取精的目的。二、知识获取途径知识获取途径大致有两种：人工知识获取和机器学习。1、人工知识获取是指以人工方式向领域专家获取专门知识，由知识工程师通过和领域 专家交谈，以及阅读、分析各种资料得到关于领域的各种知识，然后再借助于知识编辑系统 把知识输入到计算机中。这种途径实际上就是由知识工程师代替机器去获取知识，然后“传 授”给机器，是当前比较实用的获取技术。2、另一种途径是通过机器自己学习，机器学习是指计算机系统直接从环境（实例、专 家或教师、书本）中获取所需要的一部分知识，从而不断地完善系统自身的性能。有时为了 明了起见，也常把第一种途径就称为知识获取，而把第二种途径称为机器学习。三、知识获取过程知识获取需要做以下几项工作：抽取知识，知识转换，知识输入，知识整理，知识检 测1. 抽取知识抽取知识是指把蕴含于知识源（领域专家、书本、相关论文及系统的运行实践等）中 的知识经过识别、理解、筛选、归纳等抽取出来，以用于建立知识库。抽取知识方法：第一种：人工分析方法提供一种分析方法学，由知识工程师或领域专家或两者合作分析文字材料，从中 提取知识。（1）书面资料和实例的选定（2）应用书面资料解释实例（3）对获取的知识进行分析。第二种：统计分析方法它不考虑文章本身的含义，只对文章中出现的词汇做某种统计分析，以此获取知 识。超出了知识工程的范围，成为语言学的有力研究手段。第三种：自然语言理解方法不但用于报刊文摘，也用来对有限范围内的技术资料，如设备使用说明书进行理 解，获取知识。第四种是知识编译方法不但使用某种语言规范（语法、语义、词汇表）来理解语言，而且用一个内在的 知识模型来获取语言中所包含的知识，把它转换成内部形式，直至最后组织成知识库。知识获取方法比较：（1）人工获取的方法效率太低，难以用来开发大型、实用的知识库。（2）统计分析方法获取的知识十分有限，而且位于很浅的浅层，只处于词汇阶段，不能用 来学习系统的解题知识。（3）自然语言理解方法虽有诱人的前景，但困难太大，目前尚离不开人的干预，它离真正 实用化尚有一段距离。2. 知识转换知识转换：把知识由一种表示形式转换为另一种表示形式。知识转换一般分两步进行：第一步是把从专家及文献资料抽取的知识转换为某种知识表示模式，如产生式 规则、框架等；第二步是把该模式表示的知识转换为系统可直接利用的内部形式。前一步工作通常由知识工程师完成，后一步工作一般通过输入及编译实现。3. 知识输入知识输入是把用适当的知识表示模式表示的知识经过编辑、编译送入知识库的过程。两种途径实现：（1）利用计算机系统提供的编辑软件优点是简单，可直接拿来使用，减少了编制专门的知识编辑器的工作。（2）用专门编制的知识编辑系统一一知识编辑器优点是专门的知识编辑器可根据实际需要实现相应的功能，使其具有更前的针 对性和适用性，更加符合知识输入的需要。4. 知识整理包括知识的归类集中、知识的联网和知识的补充配齐（1）知识的归类集中同名框架的集中和归并对归并后的框架检查其一致性和冗余性，包括类型一致，父子联系一致，以及同一 属性槽的取值方法一致等。（2）知识的联网各框架中所指的父框架和子框架是否确实存在？是否发生父子框架循环现象？除了根框架之外，是否发生有些框架无父框架的现象？是否发生父子互不相认现象？（3）知识的补充配齐只有槽（属性）名而无槽值。只有槽值而无槽名。同一槽有不同名称。以上说的这些知识整理，不能完全由机器独立地做，有时需要依靠人的干预，特别是在发现 问题而缺少解决问题的信息时，需要向用户求助。5 .知识检测（1）知识库的建立是通过对知识进行抽取、转换、输入等环节实现的，任何环节上的失误 都会造成知识错误，直接影响到专家系统的性能。（2）经过抽取转换后的知识不能存在知识的不一致和不完整性等问题，需要通过知识检测 来发现是否有知识的不一致和不完整，并采取相应的修正措施，使专家系统的知识具有一致 性和完整性。(3) 知识获取的过程实质上是一个机器学习的问题。通过知识获取，专家系统不断地从外 部(人类专家或书本等资料)和内部获取知识以修改和扩充知识库。(4) 主要的机器学习的方式有：机械学习、基于解释经验的学习、基于事例的学习、基于 概念的学习、基于类比的学习和基于神经网络的学习等。四、自动知识获取1、自动获取又可分为两种形式：一是系统本身具有一种机制，使得系统在运行过程中能不 断地总结经验，并修改和扩充自己的知识库；另一种是开发专门的机器学习系统，让机器自 动从实际问题中获取知识，并填充知识库。2、知识的人工获取，需要计算机人员与领域专家的通力合作。但存在互相“语言不通”的 隔阂和困难。因此，一般认为需要有知识工程师的协调。但另一方面，由于专家知识属经验 性知识，有时专家本人也难以说清楚，所以，知识的人工获取一般存在周期长、效率低、可 靠性差等困难。3、自动知识获取应具备的能力：学习归纳能力，从运行实践中学习的能力4、利用神经网络的可训练特性，用大量的实例数据(称为训练样本)对神经网络按照某种学 习算法进行训练，神经网络便会对其进行特征抽取和归纳，实现学习，获取知识。5、近年来面向对象的方法也被引入知识获取，称为面向对象的知识获取。此方法获取知识 可分为两步进行：首先确定问题领域及对象，并按面向对象的方法对其进行分解与分类；其 次按对象及其属性，逐一构造决策树。6、特别值得一提的是，近年来基于数据库的知识发现(KDD)和数据开采(MD)技术异军突起， 为知识获取提供了强有力的支持。第四章 机器学习与知识发现一、机器学习的基本概念1、所谓机器学习是研究怎样使用计算机模拟或实现人类学习活动的一门学科。2、稍微严格的提法是：机器学习是一门研究机器获取新知识和新技能，并识别现有知识的 学问，它是计算机科学、人工智能领域的一个重要分支，也是计算机具有智能的重要标志。3、机器学习是知识工程的三个分支（使用知识、表示知识、获取知识）之一。通过机器学 习、获取领域知识，进行知识积累，对知识库进行增删、修改、扩充与更新。4、机器学习可以使系统在不断重复的工作中增强或者改进本身能力，使得系统在下次执行 同样任务或相类似的任务时，会比现在做得更好或效率更高。5、现在的人工智能系统还完全没有或仅有很有限的学习能力，系统中知识是由人工编程送 入系统，知识的错误也不能自动更正，换句话说，现有的大多数智能系统是演绎的，没有归 纳推理，因而不能自动获