不确定知识表示及推理与专家系统课件

*,*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,*,第 二 章,不确定知识表示及推理与专家系统,11/27/2024,1,内容,2.1 概述,2.2 概率模型,2.3 主观Bayes方法,2.4 可信度方法,2.5 专家系统概述,2.6 专家系统的结构与工作原理,2.7 专家系统的建立,2.8 专家系统的开发工具,2.9 专家系统应用举例,11/27/2024,2,2.1,概述,11/27/2024,3,所谓不确定性推理就是从不确定性的初始事实（证据）出发，通过运用不确定的知识，最终推出具有一定程度的不确定性却是合理或者近乎合理的结论的思维过程。,需要解决的问题,不确定性的表示,不确定性的匹配,不确定性的更新算法,11/27/2024,4,证据的不确定性,一、不确定性的表示,证据通常有两类：,一类为初始事实。这一类证据多来源于观察，因而通常具有不确定性；,另一类为推理过程中产生的中间结果。,证据不确定性用C(E)表示，它代表相应证据的不确定性程度，即表示证据E为真的程度。credibility,n. 可信性；确实性,如果E为初始事实，则C(E)由用户给出。,如果E为推理过程中产生的中间结果，则C(E)可以通过不确定性的更新算法来计算。,知识的不确定性,11/27/2024,5,规则：IF E THEN H,规则是知识，E是规则的前提即证据，H是该规则的结论，也可以是其他规则的证据。,E,H,C(E),C(H),f,(E,H),规则的不确定性通常用一个数值,f,(E,H)表示，称为规则强度,。,规则的假设(结论)H也可以作为其他规则的证据，其不确定用C(H)表示，C(H)必须通过不确定性的更新算法来计算。,hypothesis hapss,基本翻译,n. 假设,网络释义,Hypothesis:假设 | 假说 | 假定,11/27/2024,6,在确定一种量度方法及其范围时，应注意以下几点：,量度要能充分表达相应的知识和证据的不确定性程度。,量度范围的指定应便于领域专家及用户对不确定性的估计。,量度要便于对不确定性的更新进行计算，而且对结论算出的不确定性量度不能超出量度的范围,量度的确定应当是直观的，同时应有相应的理论依据。,11/27/2024,7,二、不确定性的匹配算法,设计一个数用来计算匹配双方相似的程度，另外再指定一个相似的限度(称为阈值) ，用来衡量匹配双方相似的程度是否落在指定的限度内。,如果落在指定的限度内，就称它们是可匹配的，相应的知识可被应用。,否则就称它们是不可匹配的，相应的知识不可应用。,11/27/2024,8,三、不确定性的更新算法,即在推理过程中如何考虑知识不确定性的动态积累和传递。,1、已知规则前提的不确定性C(E)和规则的强度,f,(E,H)，如何求假设H的不确定性C(H)。,即定义算法g,1,，使C(H)=g,1,C(E),f,(E,H),E,1,H,C(E,1,),C(H),f,(E,1,H),E,2,H,C(E,2,),C(H),f,(E,2,H),2、 并行规则算法,定义算法g,2,：C(H)=g,2,C,1,(H), C,2,(H),Credibility,11/27/2024,9,3、,证据,合取,的不确定性算法,C(E,1,E,2,) = g,3, C(E,1,), C(E,2,) ,C(E,1, E,2,)=g,4,C(E,1,), C(E,2,),4、,证据,析取,的不确定性算法,合取和析取的不确定性算法统称为组合证据的不确定性算法。,最大最小法,C(E,1,E,2,) = min C(E,1,), C(E,2,) ,C(E,1,E,2,) = max C(E,1,), C(E,2,) ,C(E,E,2,) = C(E,1,) C(E,2,),C(E,E,2,)=C(E,1,)C(E,2,)C(E,1,) C(E,2,),有界方法,概率方法,C(E,1,E,2,)=max 0, C(E,1,)+C(E,2,)1 ,C(E,1,E,2,)=min 1, C(E,1,)+C(E,2,) ,11/27/2024,10,设A,1,、A,2,、A,3,、A,4,为原始证据，不确定性分别为：,C(A,1,)、C(A,2,)、C(A,3,)、C(A,4,),求A,5,、A,6,、A,7,的不确定性。,举例,A,1,A,2,OR,A,4,A,3,AND,A,5,R,1,f,1,A,6,R,2,f,2,A,7,R,3,f,3,R,4,f,4,11/27/2024,11,由证据A,1,和A,2,的不确定性C(A,1,)和C(A,2,),由A1和A2析取的不确定性C(A,1,A,2,)和,规则R,1,的规则强度,f,1,根据算法4求出A,1,和A,2,析取的不确定性C(A,1,A,2,)。,根据算法1求出A,5,的不确定性C(A,5,)。,由证据A3和A4的不确定性C(A,3,)和C(A,4,),由A3和A4合取的不确定性C(A,3,A,4,)和,规则R,2,的规则强度,f,2,，,根据算法3求出A3和A4合取的不确定性C(A,3,A,4,)。,根据算法1求出A,6,的不确定性C(A,6,)。,11/27/2024,12,由A5的不确定性C(A,5,)和规则R,3,的规则强度,f,3,由A,6,的不确定性C(A,6,)和规则R,4,的规则强度,f,4,由A,7,的两个根据独立证据分别求出的不确定性C,(A,7,)和C,(A,7,),根据算法1求出A7的其中一个不确定性C,(A7)。,根据算法1求出A,7,的另外一个不确定性C,(A,7,)。,根据算法2求成A,7,最后的不确定性C (A,7,)。,11/27/2024,13,2.2,概率方法,11/27/2024,14,一、基础,1、全概率公式,P(A,i,)0,；,两两互不相容，即当i,j时，有,设事件满足：,，D为必然事件,则对任何事件B有下式成立：,提供了一种计算P(B)的方法。,11/27/2024,15,2、Bayes公式,定理：设事件满足上述定理的条件，则对任何事件B有：,该定理称为,Bayes,定理，上式称为Bayes公式。,设,E 为随机试验， 为样本空间，A，B 为任意两个事件，设P(A)0，称,为在“事件A 发生”的条件下事件B 的条件概率。,11/27/2024,16,如果把全概率公式代入,Bayes,公式中，就可得到：,即：,11/27/2024,17,二、概率推理模型,Bayes方法用于不精确推理的条件是已知：P(E)，P(H) ，P(E | H),IF E THEN H,若一组证据E,1,E,2,E,n,同时支持假设H时，则：,对于H，E,1,E,2,E,n,之间相互独立,对于一般的不精确推理网络，必须做如下约定：,当一个证据E支持多个假设H,1,H,2,H,n,时， 则：,假设H,1,H,2,H,n,之间互不相容,11/27/2024,18,如果一个证据E支持多个假设H,1,H,2,H,n,，即：IF E THEN H,i,并已知P(H,i,)和P(E | H,i,)，则,如果有多个证据E,1,E,2,E,m,和多个结论H,1,H,2,H,n,，则,：,?,11/27/2024,19,设已知：P(H,1,)=0.4, P(H,2,)=0.3, P(H,3,)=0.3,P(E,1,|H,1,)=0.5, P(E,1,|H,2,)=0.6, P(E,1,|H,3,)=0.3,P(E,2,|H,1,)=0.7, P(E,2,|H,2,)=0.9, P(E,2,|H,3,)=0.1,=0.45,同理,求：P(H,1,| E,1,E,2,), P(H,2,| E,1,E,2,), P(H,3,| E,1,E,2,),举例,11/27/2024,20,概率推理模型的优缺点,有较强的理论背景和良好的数学特征，当证据及结论都彼此独立时，计算的复杂度比较低。,它要求给出结论Hi的先验概率P(H,i,)及证据E,j,的条件概率P(E,j,|H,i,)，要获得这些数据是一件相当困难的工作。,Bayes公式的应用条件很严格，它要求各事件互相独立，若证据之间存在依赖关系，就不能直接使用这个方法,11/27/2024,21,2.3,主观,Bayes,方法,11/27/2024,22,E,H,P(E),P(H),LS,LN,LS，LN(,0)分别称为充分性量度和必要性量度，这两个数值由领域专家给出。,一、不确定性的表示,1、知识的不确定性表示,IF E THEN (,LS,LN,) H (P(H),11/27/2024,23,O等价于概率函数P，定义如下：,P,越大则,O,越大，,P,和,O,在概率含义上等价的，但取值范围不同：,当P0.5时，O0.5时，O1,当P=0.5时，O=1,当P=0时，O=0,几率函数O(odds),11/27/2024,24,H的先验几率,O(H),和后验几率,O(H|E),在某事件E的前提下，事件发生H和不发生H的概率的相对比值称作几率O，其定义为：O(H/E)=,11/27/2024,25,同理可得：,O(H |,E)=LN,O(H),O(H | E)=LS,O(H),！,11/27/2024,26,LS：,规则,的充分性量度,sufficiency,LS=1时，O(H|E)=O(H)，说明E对H没有影响；,LS1时，O(H|E)O(H)，说明E支持H，且LS越大，E对H的支持越充分。可见，E的出现对H为真是充分的，故称LS为充分性度量。,LS1时，O(H | E)1时，O(H|E)O(H)，说明E支持H，且LN越大，E对H的支持越充分。,当LN1时，O(H|E)1且LN1,LS1,LS=LN=1,由于E和,E,不可能同时支持H或同时反对H，所以领域专家在为一条知识中的LS和LN赋值时，不应该同时大于1或同时小于1。,11/27/2024,29,2、,证据,的不确定性表示,在主观Bayes方法中，证据E的不确定性由用户根据观察S给出后验概率P(E|S)或后验几率O(E|S)表示。,当E为真时，P(E|S)=1，O(E|S)=,当E为假时，P(E|S)=0，O(E|S)=0,当E不确定时，0P(E|S)0，所以使用CP公式的后一部分：,11/27/2024,53,求O(H,1,| S,2,),因为C(E,2,| S,2,)=10，所以使用CP公式的后一部分：,11/27/2024,54,求,O(H,1,| S,1,S,2,),11/27/2024,55,求O(H,2,| S,1,S,2,),为了确定应用EH公式的哪一部分，需要判断P(H,1,|S,1,S,2,)与P(H,1,)的关系。,P(H,1,| S,1,S,2,)P(H,1,)，,必须用,EH,公式的后半部分,：,11/27/2024,56,11/27/2024,57,求O(H,2,|S,3,),因为C(E,3,| S,3,)= -20，表示证据的存在增加结论为真的程度，CF(H，E)的值越大结论H越真；,CF(H，E)=1，表示证据存在结论为真；,CF(H，E)0,证据的出现越是支持H为真，就使CF(H,E)的值越大；,反之，使：CF(H,E)0,当证据肯定为真时：CF(E)=1,当证据以某种程度为假时：CF(E)0，即证据以某种程度为真，则CF(H)=CF(H,E)CF(E),若CF(E)=1，即证据为真时，则CF(H)=CF(H,E) ；,若CF(E)0，即证据以某种程度为假，则CF(H)=0；,在可信度方法的不精确推理中，并没有考虑证据为假时对结论H所产生的影响。,11/27/2024,73,IF E,1,THEN H (CF(H,E,1,),IF E,2,THEN H (CF(H,E,2,),3、多个独立证据推出同一假设的合成算法,先分别求两条规则得出的结论的可信度。,CF,1,(H)=CF(H,E,1,),max0,CF(E,1,) ,CF,2,(H)=CF(H,E,2,),max0,CF(E,2,) ,利用下式求出E,1,和E,2,对H的综合影响所形成的CF,1,2,(H)。,CF,1,(H),0, CF,2,(H),0：CF,1,2,(H)= CF,1,(H)+CF,2,(H)-CF,1,(H),CF,2,(H),CF,1,(H)0, CF,2,(H)0：CF,1,2,(H)=CF,1,(H)+CF,2,(H)+CF,1,(H),CF,2,(H),CF,1,(H) 和CF,2,(H)异号：CF,1,2,(H)= CF,1,(H) + CF,2,(H),11/27/2024,74,在MYCIN系统的基础上形成的专家系统工具EMYCIN，将其修改为：,在组合两个以上的独立证据时，可先组合其中两个，再将结果与第三个证据组合，如此下去，直到组合完毕为止。,当CF,1,(H),0, CF,2,(H),0 时：,CF,1,2,(H)= CF,1,(H)+CF,2,(H)-CF,1,(H),CF,2,(H),当CF,1,(H)0, CF,2,(H)0 ：,CF,1,2,(H)=CF,1,(H)+CF,2,(H)+CF,1,(H),CF,2,(H),当CF1(H) 和CF2(H)异号 时：,11/27/2024,75,即：已知规则,IF E THEN H CF(H,E),及CF(H)，求CF(H | E),4、在已知结论原始可信度的情况下，结论可信度的更新计算方法,这时分三种情况进行讨论。,11/27/2024,76,CF(H),0, CF(H,E),0：,CF(H|E)=CF(H)+CF(H,E)-CF(H,E),CF(H),CF(H)0, CF(H,E)0 ：,CF(H|E)=CF(H)+CF(H,E)+CF(H,E),CF(H),CF(H) 和CF(H,E)异号：,当CF(E)=1时，即证据肯定出现时,11/27/2024,77,CF(H),0, CF(H,E),0：,CF(H | E)=CF(H)+CF(H,E),CF(E)-CF(H),CF(H,E),CF(E),CF(H)0, CF(H,E)0 ：,CF(H | E)=CF(H)+CF(H,E),CF(E)+ CF(H),CF(H,E),CF(E),CF(H),和,CF(H,E),异号：,当0CF(E)1时,11/27/2024,78,当,CF(E),0,时,在MYCIN系统中就规定，当CF(E),0.2时，规则IF E THEN H不可使用。,结论可信度的合成算法和更新算法本质上是一致的，但对不同前提条件，使用不同的方法，解题的效果或难易程度不同。有些题目使用合成法求解就比较容易，而有些题目就需要使用更新法。,规则不可使用，对结论H的可信度无影响。,11/27/2024,79,R1：IF A,1,THEN B,1,CF(B,1,A,1,)=0.8,R2：IF A,2,THEN B,1,CF(B,1,A,2,)=0.5,R3：IF B,1,A,3,THEN B,2,CF(B,2,B,1,A,3,)=0.8,并且已知：,CF(A,1,)=CF(A,2,)=CF(A,3,)=1,而对B,1,，B,2,一无所知。,求CF(B,1,)和CF(B,2,)。,三、可信度方法应用举例,1、多条知识下，合成法求结论可信度举例,举例1,11/27/2024,80,解：由于对B,1,，B,2,的初始可信度一无所知，使用合成算法计算,A,1,B,1,R,1,A,2,R,2,A,3,B,2,R,3,对知识R,1,和R,2,，分别计算CF(B,1,),CF,1,(B,1,)=CF(B,1,A,1,),max0,CF(A,1,) =0.8,1=0.8,CF,2,(B,1,)=CF(B,1, A,2,),max0,CF(A,2,)=0.5,1=0.5,利用合成算法计算B,1,的综合可信度,CF,1,2,(B,1,)=CF,1,(B,1,)+CF,2,(B,1,)-CF,1,(B,1,),CF,2,(B,1,) =0.8+0.5-0.8,0.5=0.9,计算B,2,的可信度CF(B,2,),CF(B,2,)=CF(B,2, B,1,A,3,),max0,CF(B,1,A,3,),=0.8,max0,minCF(B,1,),CF(A,3,) =0.8,max0, min0.9,1,=0.8,max0, 0.9=0.8,0.9=0.72,11/27/2024,81,R1：IF E,1,THEN H CF(H,E,1,)=0.8,R2：IF E,2,THEN H CF(H,E,2,)=0.6,R3：IF E,3,THEN H CF(H,E,3,)=0.5,R4：IF E,4,( E,5,E,6,) THEN E,1,CF(E,1, E,4,( E,5,E,6,)=0.7,R5：IF E,7,E,8,THEN E,3,CF(E,3, E,7,E,8,)=0.9,在系统运行中已从用户处得：,CF(E,2,)=0.8，CF(E,4,)=0.5，CF(E,5,)=0.6，CF(E,6,)=0.7，CF(E,7,)=0.6，CF(E,8,)=0.9,求：CF(H),举例2,11/27/2024,82,解：由已知知识建立推理网络如图：,E,1,H,R,1,E,2,R,2,E,3,R,3,E,4,E,5,E,6,R,4,E,8,E,7,R,5,11/27/2024,83,由R4：,CF(E,1,),=CF(E,1,E,4,(E,5,E,6,),max0,CF(E,4,(E,5,E,6,) ),=0.7,max0,minCF(E,4,),CF(E,5,E,6,),=0.7,max0,minCF(E,4,),maxCF(E,5,),CF(E,6,) ,=0.7,max0,minCF(E,4,), max0.6,0.7 ,=0.7,max0,minCF(E,4,), 0.7 ,=0.7,max0,min0.5, 0.7 ,=0.7,max0,0.5 =0.7,0.5=0.35,由R5：,CF(E,3,),=CF(E,3, E,7,E,8,),max0,CF(E,7,E,8,) ,=0.9,max0, minCF(E,7,),CF(E,8,) ,=0.9,max0, min0.6,0.9 ,=0.9,max0, 0.6 =0.9,0.6=0.54,11/27/2024,84,由R1：,将R1和R2两条知识合成：,CF,1,2,(H),=CF,1,(H)+CF,2,(H) - CF,1,(H),CF,2,(H),=0.28+0.48-0.28,0.48=0.6256,CF,1,(H),=CF(H,E,1,),max0,CF(E,1,) ,=0.8,max0,0.35=0.8,0.35=0.28,由R2：,CF,2,(H),=CF(H,E,2,),max0,CF(E,2,) ,=0.6,max0,0.8=0.6,0.8=0.48,由R3：,CF,3,(H),=CF(H,E,3,),max0,CF(E,3,) ,= -0.5,max0,0.54=-0.5,0.54=-0.27,11/27/2024,85,将CF,1,2,(H)和CF,3,(H)合成,11/27/2024,86,规则可信度为：,2、多条知识下，更新法求结论可信度举例,证据可信度为：CF(A)=CF(B)=CF(C)=CF(D)=0.5,X,Y的初始可信度为：CF,0,(X)=0.1,CF,0,(Y)=0.2,要求用MYCIN的方法计算：,结论X的可信度CF(X),结论Y的可信度CF(Y),R1：A,XCF(X,A)=0.8,R2：B,XCF(X,B)=0.6,R3：C,XCF(X,C)=0.4,R4：X,D,Y CF(Y, X,D)=0.3,举例3,11/27/2024,87,解：考虑X,Y具有初始可信度，故用更新法计算结论可信度。,先计算X的可信度更新值：,CF(A)=CF(B)=CF(C)=CF(D)=0.51,由R1：,CF(X | A),CF,0,(X)+CF(X,A),CF(A)-CF,0,(X),CF(X,A),CF(A),=0.1+0.8,0.5-0.1,0.8,0.5=0.46,由R2：,CF(X | AB),= CF(X|A)+CF(X,B),CF(B)-CF(X|A),CF(X,B),CF(B),=0.46+0.6,0.5-0.46,0.6,0.5=0.622,11/27/2024,88,由R3：,CF(X | ABC),=CF(X| AB) +CF(X,C),CF(C)CF(X |AB),CF(X,C),CF(C),=0.622+0.4,0.5-0.622,0.4,0.5=0.698,则CF(X)=0.698,CF(X,D)= minCF(X),CF(D) = min0.698,0.5 =0.5,由R4：,CF(Y | D),=CF,0,(Y)+CF(Y, X,D),CF(D)CF,0,(Y),CF(Y, X,D),CF(X,D),=0.2+0.3,0.5-0.2,0.3,0.5=0.32,则CF(Y)=0.32,11/27/2024,89,R1：IF A1 THEN B1 CF(B1,A1)=0.8,R2：IF A2 THEN B1 CF(B1,A2)=0.5,R3：IF B1,A3 THEN B2CF(B2, B1,A3)=0.8,并且已知：,CF(A1)=CF(A2)=CF(A3)=1,对B1，B2一无所知，其可信度为：CF,0,(B1)=CF,0,(B2)=0,求：CF(B1)和CF(B2),举例4,11/27/2024,90,由R1：,使用更新法。,由于CF(A1)=CF(A2)=CF(A3)=1,使用R1规则后，CF(B1)由0提高到0.8,由R2：,CF(B1 | A1A2),=CF(B1|A1)+CF(B1,A2)CF(B1|A1),CF(B1| A1),= 0.8+0.5-0.8,0.5 = 0.9,所以CF(B1)的更新值为0.9,CF(B1,A3)=minCF(B1),CF(A3) =min0.9,1 =0.9,CF(B1 | A1),=CF,0,(B1)+CF(B1,A1)CF(B1,A1),CF,0,(B1) = 0+0.8-0 = 0.8,11/27/2024,91,由R3：,使用合成算法的前提是：结论的原来可信度是0，即对结论的情况一无所知。在这种情况下，这两种算法是等价的。,从某种意义上来说，合成算法是更新算法的一个特例。,CF(B2 | B1,A3),=CF,0,(B2)+CF(B2, B1,A3),CF(B1,A3),CF,0,(B2),CF(B2, B1,A3),CF(B1,A3),=0+0.8,0.9-0=0.72,11/27/2024,92,2.5,专家系统概述,11/27/2024,93,专家系统是人工智能的一个重要分支，也是目前人工智能中的一个最活跃且最有成效的研究领域。,自1968年研制成功的第一个专家系统DENDRAL以来，专家系统技术发展非常迅速且日益成熟。,计算机的应用已经经历了数值计算、数据处理、知识处理三个阶段，专家系统作为知识处理阶段的成功代表，必将具有更强的生命力。,目前专家系统的应用领域已扩展到数学、物理、化学、医学、地质、气象、农业、法律、教育、交通运输、机械、艺术以及计算机科学本身，甚至渗透到政治、经济、军事等重大决策部门，产生了巨大的社会效益和经济效益，同时也促进了人工智能基本理论和基本技术的发展。,11/27/2024,94,一、什么是专家系统,象人工智能一样，目前尚无公认的关于专家系统的严格定义。专家系统的奠基人费根鲍姆1982年给出的定义为：,基于知识的专家系统，简称专家系统，是人工智能的一个重要分支。,专家系统的能力来自它所拥有的专家知识，知识的表示和推理的方法则提供了应用的机理，这种基于知识的系统设计方法是以知识库和推理机为中心而展开的。,知识+推理=系统,而传统软件的结构是：数据+算法=程序,“专家系统是一种智能的计算机程序，这种程序使用知识与推理过程，求解那些需要杰出人物的专门知识才能求解的高难度问题。”,11/27/2024,95,二、专家系统的产生和发展,第一阶段,专家系统的第一个里程碑是斯坦福大学的费根鲍姆等人于1968年研制成功的DENRAL系统。,此后，各种不同功能、不同类型的专家系统相继建立起来了。,它是分析化合物分子结构的专家系统。,特点：高度的专业化，专门问题求解能力强，但结构、功能不完整，移植性差，缺乏理解功能。,11/27/2024,96,第二阶段,技术成熟期，并出现了一批成功的专家系统。,特点是：单学科专业型专家系统；系统结构完整，功能较全面，移植性好；,具有推理解释功能，透明性好；,采用启发推理、不精确推理；,用产生式规则、框架、语义网络表达知识；,用限度性英语进行人机交互。,11/27/2024,97,第三阶段,进入20世纪80年代以来，专家系统的验证可开发明显趋于商品化，直接服务于生产企业。,另一个重要发展是专家系统开发工具的出现，它在许多领域简化了专家系统的构造。,11/27/2024,98,三、专家系统的特点,具有专家的专业知识。,能进行有效的推理。,具有启发性。,专家系统除能利用大量专业知识外，还必须利用经验的判断知识来对求解的问题作出多个假设，依据某些条件选定一个假设，使推理继续进行。,具有灵活性。,这种知识库与推理机分离的结构，极大地增强了系统的灵活性，方便了知识库库不断扩充和完善。,11/27/2024,99,具有交互性。,专家系统一般都是交互式系统，具有较好的人机界面。一方面它需要与领域专家活知识工程师进行对话以获取知识，另一方面它也需要不断地从用户处获得所需要的已知事实并回答用户的询问。,能根据不确定的知识进行推理。,具有透明性。,专家系统一般都有解释机构，所以具有较好的透明性。,11/27/2024,100,四、专家系统与传统程序的区别,从编程思想来看，传统程序式依据某一确定的算法和数据结构来求解某一确定的问题，而专家系统式依据知识和推理来求解问题。,传统程序把关于问题求解的知识隐含于程序中，而专家系统则将知识与运用知识进行推理的过程分离，这种分离使专家系统具有更多的灵活性，使系统易于修改。,从处理对象来看，传统程序主要是面向数值计算和数据处理，而专家系统则面向符号处理。传统程序处理的数据多是精确的，对数据的检索是基于模式的布尔匹配，而专家系统处理的数据和知识大多是不精确的，知识的模式匹配也多是不精确的。,11/27/2024,101,传统程序一般不具有解释功能，而专家系统一般具有解释机构，可对自己的行为作为解释。,传统程序因为是根据算法来求解问题，所有每次都能产生正确的答案，而专家系统则像人类专家那样工作，通常产生正确的答案，但有时也会产生错误的答案，这也是专家系统存在的问题之一。但专家系统有能力从错误中吸取教训，改进对某一工作的问题求解能力。,从系统的体系结构来看，传统程序与专家系统具有不同的结构。,11/27/2024,102,五、专家系统的类型,Hayes-Routh等人于1983年将适于专家系统处理的任务类型分成以下10类：,解释型：分析所采集到的数据，进而阐明这些数据的实际含义。,典型的有信号理解和化学结构解释。,例如，由质谱仪数据解释化合物分子结构的DENDRAL系统，语音理解系统HEARSAY，由声纳信号识别舰船的HASP/SIAP系统等，都是对于给定数据，找出与之相适应的、符合客观规律的解释。,11/27/2024,103,诊断型：根据输出信息找出处理对象中存在的故障，主要有医疗、机械和电子等领域里的各种诊断。,例如，血液凝结疾病诊断系统CLOT，计算机硬件故障诊断系统DART，化学处理工厂故障诊断专家系统FALCON等，都是通过生理对象内部各部件的功能及其互相关系，检测和查找可能的故障所在。,11/27/2024,104,调试型：给出已确认故障的排除方案，主要是由计算机辅助调试，根据所处理对象和故障的特点，从多种纠错方案中选择最佳方案。,维修型：制定并实施纠正某类故障的规划，典型的有航空和宇航电子设备的维护。根据纠错方法的特点，制定合理的故障维修规划。,教育型：诊断和处理学生的错误，主要用于教学和培训任务。它们一般是诊断型和调试型的合成。,预测型：根据处理对象过去和现在的情况，推测未来的演变结果。典型的有天气预报、人口预测和财政预报等。进行与时间有关的推理，处理随时间变化的数据和按时间顺序发生的事件。,11/27/2024,105,规,划型：根据给定的目标，拟定行动计划，典型的有机器人动作规划和路线规划。在一定的约束条件下，以较小的代价达到给定目标。,设计型：根据给定的要求形成所需要的方案或图样描述，典型的有电路设计和机械设计。在给定要求的限制下，提供最佳或较佳设计方案。,监督型：多用于完成实时检测任务。随时收集有关处理对象的各种数据，并把这些数据与预期的数据比较，一旦发现异常现象立即发出报警信号。这类系统通常是解释型、诊断型、预测型和调试型的合成。,控制型：自动地控制系统的全部行为。大多是监督和维修型系统的合成。,这些类型相互关联，有些专家系统常常同时完成几种类型的任务。,11/27/2024,106,从推理方向的角度划分,正向推理专家系统,反向推理专家系统,混合推理专家系统,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。,从知识表达方法的角度划分,11/27/2024,107,2.6,专家系统的结构与工作原理,11/27/2024,108,一、专家系统的一般结构,不同的专家系统期功能和结构有可能不同，但一般完整的专家系统应包括人机接口、推理机、知识库、动态数据库、知识获取机构和解释机构。各部分之间的关系如图。,11/27/2024,109,人机接口,知识库,推理机,数据库,知识获取机构,解释机构,专家系统核心,知识工程师,领域专家,用户,11/27/2024,110,二、专家系统的工作原理,专家系统的核心是知识库和推理机，其工作过程是根据知识库中的知识和用户提供的事实进行推理，不断地由已知的前提推出未知的结论即中间结果，并将中间结果放到数据库中，作为已知的新事实进行推理，从而把求解的问题由未知状态转为已知状态。,在专家系统的运行过程中，会不断地通过人机接口进行交互，向用户提问，并向用户作出解释。,11/27/2024,111,知识库,知识库是问题求解知识的集合，含有显式表示的各种知识块，包括基本事实、规则和其他有关信息。,知识库中的知识源于领域专家，是决定专家系统能力的关键。所以，知识库是专家系统的核心组成部分。,知识库方法与传统的数据库方法不同。,假设你是一个内科医生。,你的数据就是那个病人的记录，包括病史、化验数据，已服药物和对药物的反应等。,你要应用的知识库是为了解释你看到的记录和订出继续治疗的方案所需的医学知识，有医学院学到的知识，专业刊物上看到的知识，医院工作中积累的知识等，包扩各种事实，信念。,11/27/2024,112,数据库中的数据是被动的和静止的，它要么在库中要么不在厍中。,知识库是主动的，动态的，例如指出如何产生新事实、新假设或新动作的规则一旦被应用便会产生新事实和新知识。,一条规则就象一个程序模块，但它比程序简洁，容易修改，也容易被人们理解。,这种显式地组织在知识库中的知识有许多表示方法。目前在专家系统中用得最多的三种表示方法是产生式规则表达法、框架表达法和语义网络表达法。,在问题求解中，知识库中的知识是推理机解释程序的解释对象或高级数据。通过知识库管理系统，可以对知识库实现知识的存取、修改与维护，包括智能检索、知识更新以及语义完整性维护,11/27/2024,113,全局数据库,或称工作存储器，是反映当前问题求解状态的集合，用于临时存放求解问题所需的各种原始数据或证据，以及求解期间由专家系统产生的各种中间信息，有时还包括中间假设或中间结论之间的“链”关系等。,全局数据库中由各种事实、断言和关系组成的状态，既是推理机选用知识的依据，又是解释机制获得推理路径的来源。,11/27/2024,114,推理机,推理机的功能是模拟领域专家的思维过程，控制并执行对问题的求解。它能根据当前已知的事实，利用知识库中的知识，按一定的推理方法和控制策略进行推理，直到得出相应的结论为止。,推理机包括推理方法和控制策略两部分。,推理方法有精确推理和不精确推理。,精确推理中必须把知识表示成必然的因果关系，推理的结论或是肯定的，或是否定的；,不精确推理中知识可以有一定的不确定性，得出的结论也可以是不确定的，但会有一个确定性因子，当确定性因子超过某个阈值