南郵自動化人工智能專家系統(tǒng)

人工智能第6章專家系統(tǒng)6.1專家系統(tǒng)概述6.5新型專家系統(tǒng)6.2基于規(guī)則的專家系統(tǒng)6.6專家系統(tǒng)設(shè)計6.3基于框架的專家系統(tǒng)6.7專家系統(tǒng)開發(fā)工具6.4基于模型的專家系統(tǒng)6.8小結(jié)6.1專家系統(tǒng)概述專家系統(tǒng)(expertsystem)是人工智能應(yīng)用研究最活躍和最廣泛的課題之一,是目前AI應(yīng)用研究的主要領(lǐng)域之一。定義：是一個含有大量的某個領(lǐng)域?qū)＜宜降闹R與經(jīng)驗智能計算機程序系統(tǒng)，能夠利用人類專家的知識和解決問題的方法來處理該領(lǐng)域問題；專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計算機程序系統(tǒng)。

36.1.1專家系統(tǒng)特點專家系統(tǒng)具有一些共同的特點和優(yōu)點專家系統(tǒng)具有下列3個特點：

啟發(fā)性透明性靈活性

46.1專家系統(tǒng)概述6.1.2專家系統(tǒng)的類型

解釋專家系統(tǒng)預(yù)測專家系統(tǒng)診斷專家系統(tǒng)設(shè)計專家系統(tǒng)規(guī)劃專家系統(tǒng)56.1專家系統(tǒng)概述監(jiān)視專家系統(tǒng)控制專家系統(tǒng)調(diào)試專家系統(tǒng)教學專家系統(tǒng)修理專家系統(tǒng)優(yōu)點:1.解釋專家系統(tǒng)

(expertsystemforinterpretation)任務(wù)

通過對已知信息與數(shù)據(jù)的分析與解釋，確定它們的涵義；特點數(shù)據(jù)量很大，常不準確、有錯誤、不完全能從不完全的信息中得出解釋，并能對數(shù)據(jù)做出某些假設(shè)推理過程可能很復(fù)雜和很長應(yīng)用

語音理解、圖象分析、系統(tǒng)監(jiān)視、化學結(jié)構(gòu)分析和信號解釋等66.1專家系統(tǒng)概述2.預(yù)測專家系統(tǒng)

(expertsystemforprediction)任務(wù)

通過對過去與現(xiàn)在已知狀況的分析，推斷未來可能發(fā)生的情況。特點系統(tǒng)處理的數(shù)據(jù)隨時間變化，且可能是不準確和不完全系統(tǒng)需要有適應(yīng)時間變化的動態(tài)模型例子

有氣象預(yù)報、軍事預(yù)測等76.1專家系統(tǒng)概述3.診斷專家系統(tǒng)

(expertsystemfordiagnosis)任務(wù)

根據(jù)觀察到的情況(數(shù)據(jù))來推斷出某個對象機能失常(即故障)的原因特點能夠了解被診斷對象或客體各組成部分的特性以及它們之間的聯(lián)系能夠區(qū)分一種現(xiàn)象及其所掩蓋的另一種現(xiàn)象能夠向用戶提出測量的數(shù)據(jù)，并從不確切信息中得出盡可能正確的診斷例子

有醫(yī)療診斷等86.1專家系統(tǒng)概述4.設(shè)計專家系統(tǒng)

(expertsystemfordesign)任務(wù)

尋找出某個能夠達到給定目標的動作序列或步驟特點從多種約束中得到符合要求的設(shè)計系統(tǒng)需要檢索較大的可能解空間能試驗性地構(gòu)造出可能設(shè)計，易于修改能夠使用已有設(shè)計來解釋當前新的設(shè)計例子

VAX計算機結(jié)構(gòu)設(shè)計專家系統(tǒng)等96.1專家系統(tǒng)概述5.規(guī)劃專家系統(tǒng)

(expertsystemforplanning)任務(wù)

尋找出某個能夠達到給定目標的動作序列或步驟特點所要規(guī)劃的目標可能是動態(tài)的或靜態(tài)的，需要對未來動作做出預(yù)測所涉及的問題可能很復(fù)雜例子

軍事指揮調(diào)度系統(tǒng)、ROPES機器人規(guī)劃專家系統(tǒng)、汽車和火車運行調(diào)度專家系統(tǒng)等。106.1專家系統(tǒng)概述6.監(jiān)視專家系統(tǒng)

(expertsystemformonitoring)任務(wù)

對系統(tǒng)、對象或過程的行為進行不斷觀察，并把觀察到的行為與其應(yīng)當具有的行為進行比較，以發(fā)現(xiàn)異常情況，發(fā)出警報特點系統(tǒng)應(yīng)具有快速反應(yīng)能力系統(tǒng)發(fā)出的警報要有很高的準確性系統(tǒng)能夠動態(tài)地處理其輸入信息例子

粘蟲測報專家系統(tǒng)116.1專家系統(tǒng)概述7.控制專家系統(tǒng)

(expertsystemforcontrol)任務(wù)

自適應(yīng)地管理一個受控對象或客體的全面行為，使之滿足預(yù)期要求特點

控制專家系統(tǒng)具有解釋、預(yù)報、診斷、規(guī)劃和執(zhí)行等多種功能例子

空中交通管制、商業(yè)管理、自主機器人控制、作戰(zhàn)管理、生產(chǎn)過程控制和生產(chǎn)質(zhì)量控制等126.1專家系統(tǒng)概述8.調(diào)試專家系統(tǒng)

(expertsystemfordebugging)

任務(wù)

對失靈的對象給出處理意見和方法特點

同時具有規(guī)劃、設(shè)計、預(yù)報和診斷等專家系統(tǒng)的功能例子

在這方面的實例還比較少見136.1專家系統(tǒng)概述9.教學專家系統(tǒng)

(expertsystemforinstruction)特點同時具有診斷和調(diào)試等功能具有良好的人機界面例子

MACSYMA符號積分與定理證明系統(tǒng)，計算機程序設(shè)計語言和物理智能計算機輔助教學系統(tǒng)等146.1專家系統(tǒng)概述10.修理專家系統(tǒng)

(expertsystemforrepair)

任務(wù)

對發(fā)生故障的對象(系統(tǒng)或設(shè)備)進行處理，使其恢復(fù)正常工作功能

有診斷、調(diào)試、計劃和執(zhí)行等功能例子

ACI電話和有線電視維護修理系統(tǒng)156.1專家系統(tǒng)概述6.1.3專家系統(tǒng)的結(jié)構(gòu)和建造步驟定義：指專家系統(tǒng)各組成部分的構(gòu)造方法和組織形式專家系統(tǒng)結(jié)構(gòu)圖166.1專家系統(tǒng)概述知識庫推理機專家知識輸入或提問答案圖6.1專家系統(tǒng)結(jié)構(gòu)簡圖圖6.2則為理想專家系統(tǒng)的結(jié)構(gòu)圖17接口用戶事實規(guī)則計劃議程中間解黑板知識庫解釋器執(zhí)行器調(diào)度器協(xié)調(diào)器6.1專家系統(tǒng)概述一般應(yīng)用程序與專家系統(tǒng)的區(qū)別：18一般應(yīng)用程序

專家系統(tǒng)

把問題求解的知識隱含地編入程序。把知識組織為兩級：數(shù)據(jù)級和程序級。

把其應(yīng)用領(lǐng)域的問題求解知識單獨組成一個實體,即為知識庫。將知識組織成三級；數(shù)據(jù)、知識庫和控制。6.1專家系統(tǒng)概述專家系統(tǒng)的主要組成部分知識庫（KnowledgeBase）綜合數(shù)據(jù)庫（GlobalDatabase）推理機（ReasoningMachine）解釋器（Explanator）人機接口（Interface）1920專家系統(tǒng)的建造步驟知識化問題圖6.3建立專家系統(tǒng)的步驟合法化概念化形式化規(guī)則化知識概念結(jié)構(gòu)形式規(guī)則再設(shè)計改進重新闡述6.1專家系統(tǒng)概述建立系統(tǒng)的一般步驟如下設(shè)計初始知識庫問題知識化知識概念化概念形式化形式規(guī)則化規(guī)則合法化原型機（prototype）的開發(fā)與實驗知識庫的改進與歸納216.1專家系統(tǒng)概述6.2基于規(guī)則的專家系統(tǒng)1.基于規(guī)則的專家系統(tǒng)的工作模型22知識庫（規(guī)則）工作存儲器（事實）推理機圖6.4基于規(guī)則的工作模型基于規(guī)則的專家系統(tǒng)采用下列模塊來建立產(chǎn)生式系統(tǒng)的模型：知識庫

以一套規(guī)則建立人的長期存儲器模型工作存儲器建立人的短期存儲器模型，存放問題事實和由規(guī)則激發(fā)而推斷出的新事實推理機

借助于把存放在工作存儲器內(nèi)的問題事實和存放在知識庫內(nèi)的規(guī)則結(jié)合起來，建立人的推理模型，以推斷出新的信息236.2基于規(guī)則的專家系統(tǒng)2.基于規(guī)則專家系統(tǒng)的結(jié)構(gòu)246.2基于規(guī)則的專家系統(tǒng)解釋器用戶界面開發(fā)界面外部程序工作存儲器推理機知識庫用戶知識工程師圖6.5基于規(guī)則專家系統(tǒng)的結(jié)構(gòu)6.3基于框架的專家系統(tǒng)1.面向目標編程與基于框架設(shè)計基于框架的專家系統(tǒng)建立在框架的基礎(chǔ)之上基于框架的專家系統(tǒng)采用面向目標編程技術(shù)基于框架的設(shè)計和面向目標的編程共享許多特征在設(shè)計基于框架系統(tǒng)時，專家系統(tǒng)的設(shè)計者們把目標叫做框架252.基于框架專家系統(tǒng)的一般設(shè)計方法基于框架專家系統(tǒng)的主要設(shè)計步驟與基于規(guī)則的專家系統(tǒng)相似。主要差別在于如何看待和使用知識在設(shè)計基于框架的專家系統(tǒng)時，把整個問題和每件事想像為編織起來的事物在辨識事物之后，尋找把這些事物組織起來的方法對于任何類型的專家系統(tǒng)，其設(shè)計是個高度交互的過程266.3基于框架的專家系統(tǒng)開發(fā)基于框架的專家系統(tǒng)的主要任務(wù)定義問題分析領(lǐng)域定義類與特征定義例子及其框架結(jié)構(gòu)確定模式及其匹配規(guī)則規(guī)定事物的通信方法設(shè)計系統(tǒng)界面對系統(tǒng)進行評價對系統(tǒng)進行擴展，深化和擴展知識276.4基于模型的專家系統(tǒng)1.基于模型專家系統(tǒng)的提出28關(guān)于人工智能的一個觀點(定性模型化)綜合各種模型的專家系統(tǒng)比基于邏輯心理模型的系統(tǒng)具有更強的功能，從而有可能顯著改進專家系統(tǒng)的設(shè)計在諸多模型中，人工神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用最為廣泛2.基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)模型從知識表示、推理機制到控制方式，與目前專家系統(tǒng)中的基于邏輯的心理模型有本質(zhì)的區(qū)別三種神經(jīng)網(wǎng)絡(luò)模型與專家系統(tǒng)集成模式神經(jīng)網(wǎng)絡(luò)支持專家系統(tǒng)專家系統(tǒng)支持神經(jīng)網(wǎng)絡(luò)協(xié)同式的神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)296.4基于模型的專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu)306.4基于模型的專家系統(tǒng)知識獲取學習示例網(wǎng)絡(luò)結(jié)構(gòu)學習算法解釋器專家神經(jīng)網(wǎng)絡(luò)用戶知識庫推理機圖6.7神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的基本結(jié)構(gòu)31

設(shè)有如下推理規(guī)則

r1:IFE1THEN(2,0.00001)H1r2:IFE2THEN(100,0.0001)H1r3:IFE3THEN(200,0.001)H2r4:IFH1THEN(50,0.1)H2且已知P(E1)=P(E2)=P(H3)=0.6,P(H1)=0.091,P(H2)=0.01,又由用戶告知：

P(E1|S1)=0.84,P(E2|S2)=0.68,P(E3|S3)=0.36請用主觀Bayes方法求P(H2|S1,S2,S3)=?習題解答32解：(1)由r1計算O(H1|S1)

先把H1的先驗概率更新為在E1下的后驗概率P(H1|E1)P(H1|E1)=(LS1×P(H1))/((LS1-1)×P(H1)+1)=(2×0.091)/((2-1)×0.091+1)=0.16682

由于P(E1|S1)=0.84>P(E1)，使用P(H|S)公式的后半部分，得到在當前觀察S1下的后驗概率P(H1|S1)和后驗幾率O(H1|S1)P(H1|S1)=P(H1)+((P(H1|E1)–P(H1))/(1-P(E1)))×(P(E1|S1)–P(E1))=0.091+(0.16682–0.091)/(1–0.6))×(0.84–0.6)=0.091+0.18955×0.24=0.136492

O(H1|S1)=P(H1|S1)/(1-P(H1|S1))=0.1580733(2)由r2計算O(H1|S2)

先把H1的先驗概率更新為在E2下的后驗概率P(H1|E2)P(H1|E2)=(LS2×P(H1))/((LS2-1)×P(H1)+1)=(100×0.091)/((100-1)×0.091+1)=0.90918

由于P(E2|S2)=0.68>P(E2)，使用P(H|S)公式的后半部分，得到在當前觀察S2下的后驗概率P(H1|S2)和后驗幾率O(H1|S2)

P(H1|S2)=P(H1)+((P(H1|E2)–P(H1))/(1-P(E2)))×(P(E2|S2)–P(E2))=0.091+(0.90918–0.091)/(1–0.6))×(0.68–0.6)=0.25464

O(H1|S2)=P(H1|S2)/(1-P(H1|S2))=0.3416334(3)計算O(H1|S1,S2)和P(H1|S1,S2)

先將H1的先驗概率轉(zhuǎn)換為先驗幾率O(H1)=P(H1)/(1-P(H1))=0.091/(1-0.091)=0.10011

再根據(jù)合成公式計算H1的后驗幾率O(H1|S1,S2)=(O(H1|S1)/O(H1))×(O(H1|S2)/O(H1))×O(H1)=(0.15807/0.10011)×(0.34163)/0.10011)×0.10011=0.53942

再將該后驗幾率轉(zhuǎn)換為后驗概率P(H1|S1,S2)=O(H1|S1,S2)/(1+O(H1|S1,S2))=0.3504035(4)由r3計算O(H2|S3)

先把H2的先驗概率更新為在E3下的后驗概率P(H2|E3)P(H2|E3)=(LS3×P(H2))/((LS3-1)×P(H2)+1)=(200×0.01)/((200-1)×0.01+1)=0.09569

由于P(E3|S3)=0.36<P(E3)，使用P(H|S)公式的前半部分，得到在當前觀察S3下的后驗概率P(H2|S3)和后驗幾率O(H2|S3)P(H2|S3)=P(H2|?E3)+(P(H2)–P(H2|?E3))/P(E3))×P(E3|S3)

由當E3肯定不存在時有P(H2|?E3)=LN3×P(H2)/((LN3-1)×P(H2)+1)=0.001×0.01/((0.001-1)×0.01+1)=0.00001因此有P(H2|S3)=P(H2|?E3)+(P(H2)–P(H2|?E3))/P(E3))×P(E3|S3)=0.00001+((0.01-0.00001)/0.6)×0.36=0.00600O(H2|S3)=P(H2|S3)/(1-P(H2|S3))=0.00604

36(5)由r4計算O(H2|H1)

先把H2的先驗概率更新為在H1下的后驗概率P(H2|H1)P(H2|H1)=(LS4×P(H2))/((LS4-1)×P(H2)+1)=(50×0.01)/((50-1)×0.01+1)=0.33557

由于P(H1|S1,S2)=0.35040>P(H1)，使用P(H|S)公式的后半部分，得到在當前觀察S1,S2下H2的后驗概率P(H2|S1,S2)和后驗幾率O(H2|S1,S2)

P(H2|S1,S2)=P(H2)+((P(H2|H1)–P(H2))/(1-P(H1)))×(P(H1|S1,S2)–P(H1))