浅谈专家系统应用与发展

浅谈专家系统应用与发展摘要：专家系统作为人工智能应用研究的课题之一在各个领域得到广泛应用，但也存在一些突出问题限制了其进一步的发展。本文就专家系统的应用领域和研究热点及其存在问题作了讨论，并提出了新型专家系统的一些特点，指出发展新型专家系统是很有必要的。关键字：专家系统，知识获取，数据挖掘，多AngentApplicationandProspectofExpertSystemAbstract:ExpertsystemisoneoftheresearchsubjectsoftheapplicationofAI(artificialintelligence),andwidelyuesdinmanyfields,butsomepredominantproblemsconfineditsdevelopment.Thisarticlediscussedtheapplicationareasandresearchhotspotsofexpertsystem,andbroughtupsomecharacteristicsofnewstyleexpertsystem,finallypointedthatit’snecessaryforustodevelopnewstyleexpertsystem.Keywords:expertsystem;knowledgeacquisition;datamining;multi-agentsystem1专家系统概述1.1专家系统的起源与含义专家系统（expertsystem）是人工智能领域应用研究最活跃和最广泛的课题之一。第一个专家系统是在1956年由AllenNewell、HerbertSimon及J.C.Shaw所发展。其后，许多专家系统也纷纷随之建立，但在前期多半是属于研究性质的雏形系统。1970年代之后，人工智能与专家系统专用的程序语言及软件开发工具逐渐开始发展，而各种知识表示法及算法也被广泛地研究，使得专家系统的建构与发展方式产生了不小的改变。在1980年代后期开始，专家系统便能够逐渐脱离实验室的研究而广泛应用于各行业中[1,2]。专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题[1]。1.2专家系统的结构专家系统的基本结构如图1所示，其中箭头方向为数据流动的方向。专家系统通常由人机交互界面、知识库、推理机、解释器、综合数据库、知识获取等6个部分构成。机构中的知识库包括两个部分，一是与当前问题有关的数据信息，二是进行推理时要用到的一般知识和领域知识。专家系统的问题求解过程是通过知识库中的知识来模拟专家的思维方式的，所以知识库中知识的质量和数量决定着专家系统的质量水平；而推理机用于记忆所采用的规则和控制策略的程序，使整个专家系统能够以逻辑方式协调的工作，它能够根据知识进行推理并导出结论，而不是简单的搜索现成的答案；综合数据库用于存储领域或问题的厨师数据和推理过程中得到的中间数据，即被处理对象的一些当前事实；解释器能够向用户解释专家的行为，包括解释推理结论的正确性以及系统输出其他候选解的原因；人机交互界面能够使系统与用户进行对话，用户能够输入必要数据、提出问题和了解推理过程及推理结果，而系统则通过此界面要求用户回答问题，或回答用户提出的问题并作必要解释[1]。1.3专家系统的优点近20年来，专家系统获得迅速发展，应用来领域越来越广，解决实际问题的能力也越来越强，这是专家系统的优良性能以及对国民经济所起的重大作用所决定的。具体说，专家系统具有以下优点：(1)专家系统能够高效率、准确、周到、迅速和不知疲倦的进行工作；(2)专家系统解决实际问题时不受周围环境的影响，也不可能忘记或遗漏；(3)可以使专家的专长不受时间和空间的限制，以便推广珍贵和稀缺的专家知识和经验；(4)专家系统能够促进各领域的发展，它使各领域专家的专业知识和经验的到总结和精炼，能够广泛而有力的传播专家的知识、经验和能力；(5)专家系统能够汇集和集成多领域专家的知识和经验以及他们写作解决重大问题的能力，拥有更渊博的知识、更丰富的经验和更强的工作能力；(6)军事专家系统的水平是一个国家的国防现代化和国防能力的重要标志之一；(7)专家系统的研制和应用，具有巨大的经济效益和社会效益；(8)研究专家系统能够促进整个科学技术的发展。专家系统对人工智能各个领域的发展起了很大的促进作用，并将对科技、经济、国防、教育、社会和人民生活产生极其深远的影响[1]。2专家系统应用现状与研究热点2.1专家系统应用现状近年来专家系统技术逐渐成熟，广泛应用在工程、科学、医药、军事、商业等方面，而且成果相当丰硕，甚至在某些应用领域，还超过人类专家的智能与判断。其功能应用领域概括有：解释（Interpretation）－如测试肺部测试（如PUFF）。预测（Prediction）－如预测可能由黑蛾所造成的玉米损失（如PLAN）。诊断（Diagnosis）－如诊断血液中细菌的感染（MYCIN）。又如诊断汽车柴油引擎故障原因之CATS系统。故障排除（FaultIsolation）－如电话故障排除系统ACE。设计（Design）－如专门设计小型马达弹簧与碳刷之专家系统MOTORBRUSHDESIGNER。规划（Planning）－就出名的有辅助规划IBM计算机主架构之布置，重安装与重安排之专家系统CSS，以及辅助财物管理之PlanPower专家系统。监督（Monitoring）－如监督IBMMVS操作系统之YES/MVS。除错（Debugging）－如侦查学生减法算术错误原因之BUGGY。修理（Repair）－如修理原油储油槽之专家系统SECOFOR。行程安排（Scheduling）－如制造与运输行称安排之专家系统ISA。又如工作站（workshop）制造步骤安排系统。教学（Instruction）－如教导使用者学习操作系统之TVC专家系统。控制（Control）－帮助DigitalCorporation计算机制造及分配之控制系统PTRANS。分析（Analysis）－如分析油井储存量之专家系统DIPMETER及分析有机分子可能结构之DENDRAL系统。它是最早的专家系统，也是最成功者之一。维护（Maintenance）－如分析电话交换机故障原因之后，及能建议人类该如何维修之专家系统COMPASS。架构设计（Configuration）－如设计VAX计算机架构之专家系统XCON以及设计新电梯架构之专家系统VT等。校准（Targeting）－例如校准武器准心之专家系统BATTLE。2.2专家系统面对的问题与研究热点有些学者认为：专家系统发展出的知识库思想很重要，它不仅促进了人工智能的发展，而且对整个计算机科学的发展影响甚大，不过，基于规则的知识库思想却限制了专家系统的进一步发展。目前所构造的大部分专家系统都是针对某一具体领域的专家知识而言的，专家系统只能解决某一领域内的问题，在应用上具有很大的局限性；而且为某一具体领域构造知识库及相应的推理机是一件困难的事情[4]。故专家系统的研究不再满足现有的各种模型与专家系统的简单结合，形成基于某种模型的专家系统了，而是在不断向深层次方向发展。针对专家系统的核心知识表示和知识获取，探索更方便、更有效的方法，解决困扰专家系统的知识获取瓶颈、匹配冲突、组合爆炸等问题；针对现在数据多、知识少的特点，将数据挖掘引入专家系统之中；将多Agent技术用于专家系统,以提高专家系统的性能。(1)知识的表示和获取知识就是人类通过实践(包括学习、模仿、试验、生理等实践活动)认识到客观世界的规律，是信息经过加工、整理、解释、挑选和改造而形成的。知识表示就是为描述世界所作的一组约定，是知识符号化的过程。这种描述或约定表达了计算机可以接受的人类智能行为。知识表示是专家系统的关键点之一，一个专家系统建造的成功与否和采用的知识表示方法能否充分反映该领域知识有直接关系。知识获取又称机器学习,是将客观世界中知识转换为专家系统中知识的过程。它是专家系统不可缺少的一部分。如何获取足够、完整和明确的知识是专家系统的另一个关键点。知识的表示可以分为表层表示、深层表示和混合表示三种。混合知识的表示是目前研究的一个热点方向。在专家系统的实际开发中，所采用的方法和知识的表示都不会是单一的，往往需要将多种知识表示方法有机地结合起来，解决单一知识表示无法解决的问题。知识的自动获取一直是专家们感兴趣的研究方向,也是一项十分困难的研究任务。由于现在开发的专家系统向大规模系统和通用型系统发展，越来越希望机器能够自动获取知识，减少开发人员的手动或半自动开发工作量。随着神经网络的蓬勃发展，传统的符号学习与连接机制已经被逐步取代。基于进化学习系统和遗传算法，因吸取了归纳学习与连接机制的长处而受到重视。数据挖掘、计算机数据库和计算机网络的发展都为提取有用知识提供了新的方法。(2)数据挖掘技术的应用数据挖掘(DataMining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中，提取隐含在其中的、人们事先不知道的，但又是潜在有用的信息和知识的过程。它是近几年兴起的一个极有发展前途又有广泛应用前景的新领域。数据挖掘作为一个交叉学科领域，受多个学科的影响，包括数据库系统、统计学、机器学习、可视化和信息科学等。依赖于所挖掘的数据类型或应用领域，数据挖掘可能集成空间数据分析、图像分析、模式识别、Web技术、信息检索、心理学等领域的技术。主要的数据挖掘技术与方法有聚类、分类、决策树、粗糙集、神经网络、回归分析、遗传算法、偏差检测等。从数据库中挖掘的规则可以有以下多种表达形式：关联规则、特征规则、异常规则、转移规则、序列规则、分类和聚类等。数据挖掘的应用对象是大规模数据库，目标是发现数据库中规律性的知识。数据挖掘提取的知识可以表示为概念、规律、模式、约束和可视化。在知识获取技术方面，基于数据挖掘的专家系统可以极大缓解专家系统的知识瓶颈问题。它不再是知识工程师从领域专家中提取规则，将其转换为知识，而是从领域专家提供的大量数据中自动获取知识。数据挖掘中的数据预处理模块可以在知识的获取中减小噪声数据的影响，提高知识获取的正确性。知识会随着挖掘的过程不断被学习到系统当中，这样既大大加深和拓宽了知识获取的深度与广度，又会使获取的知识越来越完善、越来越精确。在推理技术方面，数据挖掘技术是以数据库系统、数据仓库统计学等为基础的。而数据仓库主要特点就是：它是面向主题的，库中的数据是多维的。数据挖掘器在推理时可以根据不同需要将不同维度内的运行状态参数综合起来一起分析计算，即运用数据挖掘算法来进行全方位推理。这可以克服传统推理机制具有单一方面的高精确度而忽视了其他方面影响的缺点；可以增强其推理的合理性，提高其推断结果的可靠性。在数据挖掘中尽可能地引入人对该应用领域的先验知识是非常必要的。数据挖掘是一个人机交互、不断重复的过程。专家的领域知识或背景知识的应用对挖掘过程具有补充和促进作用，经常用来引导发现过程以避免无意义的结果。另外，一般数据挖掘方法仅仅在数据库内容上产生规则，规则难以理解，领域知识或背景知识的应用可以产生易理解的规则。利用专家的领域知识的意义，不仅在于约简、表达和评估规则，更重要的是通过评估获得处理结果与应用需求之间的偏差，并以此作为反馈，去修正以前的各个步骤。(3)多Agent技术的运用Agent是一个具有自主性、反应性、主动性和社会性的基于硬件或软件的计算机系统，通常还具有人类的智能特性，如知识、信念、意图和愿望等。Agent理论与技术研究源于20世纪80年代中期的分布式问题求解。由于分布式并行处理术、面向对象技术、多媒体技术、计算机网络技术，特别是Internet和Web技术的发展，使Agent成为当今人工智能与软件工程中的研究热点，引起了科学界、教育界及工业界的广泛关注。多Agent系统(Multi－AgentSystem，MAS)是指由多个自主构件