第七章 专家系统与机器学习7.1 专家系统的产生和发展7.2 专家系统的概念7.2.1 专家系统的定义专家系

 

​第七章 专家系统与机器学习7.1 专家系统的产生和发展

7.2 专家系统的概念7.2.1 专家系统的定义专家系统是一种智能的计算机程序，它运用知识和推理来解决只有专家才能解决的复杂问题。专家系统：一类包含知识和推理的智能计算机程序。专家系统的基本组成：

7.2.2 专家系统的特点（1）具有专家水平的专业知识（2）能进行有效的推理（3）具有启发性（4）具有灵活性（5）具有透明性（6）具有交互性专家系统与传统程序的比较（1）编程思想传统程序=数据结构+算法

专家系统=知识+推理（2）运用知识的方式传统程序：关于问题求解的知识隐含于程序中专家系统：知识单独组成知识库，与推理机分离（3）处理对象传统程序：数值计算和数据处理专家系统：符号处理（4）解释功能传统程序：

不具有解释功能专家系统：具有解释功能（5）正确性 传统程序：产生正确的答案专家系统：通常产生正确的答案，有时产生错误的答案（6）系统的体系结构不同7.2.3 专家系统的类型

7.2.4 专家系统的应用

7.3 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，不断地由已知的事实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

未知状态转换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与用户进行交互，向用户提问，并向用户做出解释7.3.1 知识库  知识库( )主要用来存放领域专家提供的有关问题求解的专门知识知识库中的知识来源于知识获取机构,同时它又为推理机提供求解问题所需的知识。

1.知识表示方法的选择  要建立知识库,首先要选择合适的知识表达方法对同一知识,一般都可以用多种方法进行表示,但其效果却不同应根据选择知识表达方法,即从能充分表示领域知识、能充分有效地进行推理、便于对知识的组织维护和管理、便于理解与实现等四个方面进行考虑。

一阶谓词逻辑、产生式.框架模糊逻辑、状态空间、遗传编码、神经网络等知识表示方法2.知识库的管理  知识库管理系统负责对知识库中的知识进行组织、检索、维护等专家系统中任何其他部分要与知识库发生联系，都必须通过该管理系统来完成。

这样可实现对知识库的统一管理和使用7.3.2 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确定性推理和不确定性推理控制策略主要指推理方法的控制及推理规则的选择策略推理包括正向推理、反向推理和正反向混合推理推理策略一般还与搜索策略有关7.3.3 综合数据库

  综合数据库（ ）又称动态数据库或黑板，主要用于存放初始事实、问题描述及系统运行过程中得到的中间结果、最终结果等信息  在开始求解问题时，综合数据库中存放的是用户提供的初始事实综合数据库的内容随着推理过程的进行而变化，推理机会根据综合数据库的内容从知识库中选择合适的知识进行推理并将得到的。

中间结果存放于综合数据库中综合数据库中记录了推理过程中的各种有关信息，又为解释机构提供了回答用户咨询的依据7.3.4 知识获取机构  知识获取（ ）是建造和设计专家系统的关键，也是目前建造专家系统的“瓶颈”。

知识获取的基本任务是为专家系统获取知识，建立起健全、完善、有效的知识库，以满足求解领域问题的需要  知识获取通常是由知识工程师与专家系统中的知识获取机构共同完成的知识工程师负责从领域专家那里抽取知识，并用适合的方法把知识表达出来。

知识获取机构把知识转换为计算机可存储的内部形式，然后把它们存入知识库在存储过程中，要对知识进行一致性、完整性的检测7.3.5 人机接口  人机接口（）是专家系统与领域专家、知识工程师、一般用户之间进行交互的界面

，由一组程序及相应的硬件组成，用于完成输入输出工作知识获取机构通过人机接口与领域专家及知识工程师进行交互，更新、完善、扩充知识库；推理机通过人机接口与用户交互在推理过程中，专家系统根据需要不断向用户提问，以得到相应的事实数据，在推理结束时会通过人机接口向用户显示结果；解释机构通过人机接口与用户交互，向用户解释推理过程，回答用户问题。

  在输入或输出过程中，人机接口需要内部表示形式与外部表示形式的转换在输入时，它将把领域专家、知识工程师或一般用户输入的信息转换成系统的内部表示形式，然后分别交给相应的机构去处理；输出时，它将把系统要输出的信息。

由内部形式转化为人们易于理解的外部形式显示给用户7.3.6 解释机构  解释机构（）回答用户提出的问题，解释系统的推理过程解释机构由一组程序组成它跟踪并记录推理过程，当用户提出的询问需要给出解释时，它将根据问题的要求分别作相应的处理，最后把解答用约定的形式通过人机接口输出给用户。

7.4 知识获取的主要过程与模式7.4.1 知识获取的过程抽取知识、知识的转换、知识的输入、知识的检测。

抽取知识：把蕴涵于知识源中的知识经识别、理解、筛选、归纳等抽取出来，以便用于建立知识库知识的转换：指把知识由一种形式变换为另一种表示形式知识的输入：把某模式表示的知识经编辑、编译送入知识库的过程称为知识的输入。

知识的检测：知识库的建立是通过知识抽取、转换、输入等环节实现的这一过程中的任何环节上的失误都会造成知识的错误，直接影响到专家系统的性能因此必须对知识进行检测，以便尽早发现并纠正可能存在的不一致、不完整的问题。

，并采取相应的修正措施。7.4.2 知识获取的模式（1）非自动知识获取(人工移植)

（2）自动知识获取

（3）半自动知识获取  在非自动知识获取的基础上增加了部分学习功能，使系统能从大量事例中归纳出某些知识由于这样的系统不同于纯粹的非自动知识获取，但又没有达到完全自动知识获取的程度，因而称之为半自动知识获取。

7.5 机器学习7.5.1 机器学习的基本概念机器学习：机器学习（ ）使计算机能模拟人的学习行为，自动地通过学习来获取知识和技能，不断改善性能，实现自我完善机器学习主要研究以下三方面问题：（1）学习机理。

：人类获取知识、技能和抽象概念的天赋能力（2）学习方法：机器学习方法的构造是在对生物学习机理进行简化的基础上，用计算的方法进行再现（3）学习系统 ：能够在一定程度上实现机器学习的系统   一个学习系统一般应该有。

环境、学习、知识库、执行与评价等四个基本部分组成。

7.5.2 机器学习的分类1.按学习方法分类（温斯顿，1977）机械式学习、指导式学习、示例学习、类比学习、 解释学习等。2.按学习能力分类监督学习（有教师学习）

强化学习（再励学习或增强学习）

非监督学习（无教师学习）

3.按推理方式分类基于演绎的学习（解释学习）基于归纳的学习 （示例学习、发现学习等 ）4.按综合属性分类归纳学习、分析学习、连接学习、遗传式学习等7.5.3 机械式学习  机械式学习（ ）又称记忆学习，或

死记式学习通过直接记忆或者存储外部环境所提供的信息达到学习的目的，并在以后通过对知识库的检索得到相应的知识直接用来求解问题  机械式学习实质是用存储空间来换取处理时间机械学习的主要问题：存储组织信息：要采用适当的存储方式，使检索速度尽可能地快。

环境的稳定性与存储信息的适用性问题：机械学习系统必须保证所保存的信息适应于外界环境变化的需要存储与计算之间的权衡：对于机械学习来说很重要的一点是它不能降低系统的效率7.5.4 指导式学习  指导式学习（ ）又称。

嘱咐式学习或教授式学习由外部环境向系统提供一般性的指示或建议，系统把它们具体地转化为细节知识并送入知识库中在学习过程中要反复对形成的知识进行评价，使其不断完善  指导式学习的学习过程：征询指导者的指示或建议。

、把征询意见转换为可执行的内部形式 、加入知识库、评价。

7.5.5 示例学习  示例学习（ ，实例学习或从例子中学习）通过从环境中取得若干与某概念有关的例子，经归纳得出一般性概念的一种学习方法  示例学习中，外部环境（教师）提供一组例子（正例和反例），然后从这些特殊知识中归纳出。

适用于更大范围的一般性知识，它将覆盖所有的正例并排除所有反例。

7.6 知识发现与数据挖掘7.6.1 知识发现与数据挖掘的概念知识发现的全称是从数据库中发现知识（）数据挖掘（）是从数据库中挖掘知识知识发现和数据挖掘的目的：从数据集中抽取和精化一般规律或模式7.6.2 知识发现的一般过程。

数据准备、数据挖掘、结果的解释评估

7.6.3 知识发现的任务数据总结：对数据进行浓缩，给出它的紧凑描述概念描述：从学习任务相关的数据中提取总体特征分类：提出一个分类函数或分类模型（也常常称作分类器），该模型能把数据库中的数据项映射到给定类别。

中的一个聚类：根据数据的不同特征，将其划分为不同的类包括统计方法、机器学习方法、神经网络方法和面向数据库的聚类方法等相关性分析：发现特征之间或数据之间的相互依赖关系偏差分析：寻找观察结果与参照量之间的有意义的差别。

建模：通过数据挖掘，构造出能描述一种活动、状态或现象的数学模型7.6.4 知识发现的主要方法1.统计方法：从事物的外在数量上的表现去推断事物可能的规律性常见的有回归分析、判别分析、聚类分析以及探索分析等。

2.粗糙集：粗糙集是具有三值隶属函数的模糊集，即是、不是、也许常与规则归纳、分类和聚类方法结合起来使用3.可视化：把数据、信息和知识转化为图形等，使抽象的数据信息形象化信息可视化也是知识发现的一个有用的手段。

4.机器学习方法：包括符号学习和连接学习7.6.5 知识发现的对象1.数据库：当前研究比较多的是关系数据库的知识发现2.数据仓库：数据挖掘为数据仓库提供深层次数据分析的手段，数据仓库为数据挖掘提供经过良好预处理的数据源。

3.Web信息：知识发现主要分内容发现和结构发现内容发现是指从文档的内容中提取知识;结构发现是指从文档的结构信息中推导知识4.图像和视频数据：图像和视频数据中也存在有用的信息比如，地球资源卫星每天都要拍摄大量的图像或录像。

7.7 专家系统的建立7.7.1 适合于专家系统求解的问题

7.7.1.1 什么情况下开发专家系统是可能的？（1）主要依靠经验性知识，不需运用大量常识性知识就可解决的任务（2）存在真正的领域专家（3）有明确的开发目标，且任务不太难实现7.7.1.2 什么情况下开发专家系统是合理的？。

（1）具有较高的经济效益（2）人类专家奇缺，但在许多地方又十分需要（3）人类专家经验不断丢失（4）危险场合需要专业知识 7.7.1.3 什么情况下开发专家系统是合适的？（1）本质：问题能通过符号操作和符号结构

进行求解，且需使用启发式知识、经验规则才能得到答案（2）复杂性（3）范围：所选任务的大小可驾驭、 任务有实用价值7.7.2 专家系统的设计原则与开发步骤1.专家系统的设计原则（1）专门的任务（2）专家合作。

（3）原型设计（4）用户参与（5）辅助工具（6）知识库与推理机分离2.专家系统的开发步骤

7.7.3 专家系统的评价1.正确性（1）系统设计的正确性:系统设计思想的正确性系统设计方法的正确性设计开发工具的正确性（2）系统测试的正确性:测试目的、方法、条件的正确性测试结果、数据、记录的正确性（3）

系统运行的正确性：推理结论、求解结果、咨询建议的正确性推理解释及可信度估算的正确性知识库知识的正确性2.有用性（1）推理结论、求解结果、咨询建议的有用性（2）系统的知识水平、可用范围、易扩展性、易更新性等。

（3）问题的求解能力，可能场合和环境。（4）人机交互的友好性。（5）运行可靠性、易维护性、可移植性。（6）系统的经济性。7.8 专家系统实例及其骨架系统7.8.1 骨架系统的概念

7.8.2 MYCIN骨架系统

7.8.3 KAS骨架系统

7.9 专家系统的开发环境

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186