人工智能与专家系统的结合——第七章 推理机设计.ppt

简介：
本章节探讨了人工智能领域中推理机的设计原理及其在专家系统中的应用。通过分析推理机制，展示了如何提升专家系统的决策能力和智能化水平。 **专家系统概述** 专家系统是一种基于人工智能的程序系统，它具备特定领域的专家级知识和推理能力，能够模拟人类专家的思维过程，解决那些通常需要专业领域专家才能解答的复杂问题。1968年，DENDRAL 专家系统的诞生标志着人工智能在这一领域的开端。 **基本特征** 1. **专家水平的专门知识**：系统内部存储了大量领域专家的经验和专门知识。 2. **有效推理**：能够进行逻辑推理，并依据已有的知识来解决问题。 3. **知识获取能力**：有能力学习和更新其内部的知识库。 4. **灵活性**：适应各种情况变化，调整解决问题的策略。 5. **透明性**：有解释机制，能说明其决策过程如何得出结论。 6. **交互性**：允许用户与系统进行互动，提供信息或获取解释。 7. **实用性**：旨在解决实际问题，并具有实用价值。 8. **复杂性和难度**：处理的问题通常具有一定复杂度。 **知识的三个层次** - 数据级：基础事实和原始观测数据。 - 知识库级：包含专家知识的规则、模型及假设。 - 控制级：管理推理过程与使用策略的逻辑。 **专家系统与常规计算机程序的区别** - 专家系统更注重于知识表达以及推理，而常规程序侧重算法和数据处理。 - 通常情况下，专家系统拥有解释机构来说明其决策过程，而普通程序往往缺乏这种透明性。 **典型专家系统示例** 1. **DENDRAL**: 预测未知化合物分子结构的系统。它的开发催生了知识工程的概念。 2. **CASNET**: 医疗诊断系统，在多种疾病的诊断方面发挥作用（例如青光眼）。 3. **MACSYMA**: 用于数学符号计算和公式推导的专业系统。 4. **CADUCEUS**: 大规模内科疾病诊断治疗的专家系统。 5. **PROSPECTOR**: 地质勘探系统，对矿物发现有积极作用。 6. **SOPHIE**: 智能计算机辅助教学平台。 7. **HEARSAY-Ⅱ和HARPPY**: 语音理解实验系统的代表。 **专家系统分类** - 根据处理问题类型：解释型、诊断型、预测型、设计型及规划性等。 - 根据系统结构特性：集中式、分布式，以及神经网络与符号体系结合的混合形式等。 **专家系统的一般架构** - 人机接口：用户和系统的交互界面。 - 解释机构：解释推理过程及其结果。 - 推理引擎：执行逻辑推理的核心部分。 - 知识获取机制：负责知识的收集及更新工作。 - 数据库管理系统：存储与管理数据资源的功能模块。 - 知识库管理系统：用于存放和维护领域知识的信息系统。 **知识获取** - **任务**: 抽取、转换输入以及检测专家的知识信息； - **方式**: 非自动化形式，通常涉及知识工程师与行业专家之间的交流（例如文献阅读或对话）。 以上内容详细介绍了专家系统的概念特征、分类结构和知识获取过程，并展示了其在不同领域中的应用及重要性。通过模拟人类专家的思维方式，专家系统提供了高效灵活的问题解决方案，在解决复杂问题方面具有显著价值。