实例讲解专家系统工作原理.docx

实例讲解专家系统工作原理寿光中学王建强根据视频和拓展资料理解学习，对专家系统工作原理知识学习总结如下：、专家系统的构成般完整的专豕系统应包括人机接口、推理机、知识库、数据库、知识获取器和解释机构六部分用户领域专家知识工程师二、专家系统的工作原理般的专家系统是通过推理机与知识库和综合数据库的交互作用来求解领域问题的，其大过程如下:根据用户的问题对知识库进行搜索，寻找有关的知识；(匹配)问题;根据有关的知识和系对假设方案集合进行根据挑选的假设方案如果该方案不能6)循环执行上述过程,统的控制策略形成解决问题的途径，从而构成一个假设方案集合;排序，并挑选其中在某些准则下为最优的假设方案；(冲突解决)去求解具体问题；(执行)真正解决问题,直到问题已经则回溯到假设方案序列中的下一个假设方案，重复求解决或所有可能的求解方案都不能解决问题而宣告“解”为止1、正向推理在专家系统中，对知识应用的顺序和选择过程称为控制策略，它决定着如何推理以及采用种推理方式正向推理(ForwardReasoning)和反向推理(ReverseReasoning)就是两种重要的控制策略苏格拉底n―是人类上图所示实例中，知识库中的规则:IF苏格拉底=TURETHEN男人=TURE.IF男人=TURETHEN人类=TURE.IF人类=TURETHEN会死的=TURE.解释机构：顺序规则建议取得由来。

显示：会死的=TRUE应用规则：IF人类=TRUETHEN会死的=TRUE.显示：男人=TRUE应用规则：IF苏格拉底=TRUETHEN男人=TRUE.显示：人类=TRUE应用规则：IF男人=TRUETHEN人类=TRUE.你说：苏格拉底=TRUE建议证实•总结：推理机的工作过程如下：(1)推理机将知识库中的规则前提与这些事实进行匹配；一般是将每条规则的＜前提＞取出来，验证这些前提是否在数据库中，若都在，则匹配成功；不然的话，则取下一条规则进行匹配2) 把匹配成功的规则的＜结论＞作为新的事实添加到综合数据库中用更新后的综合数据库中的事实，重复上面两个步骤，直到某个事实就是意想中的结论或是不再有新的事实产生为止令I=1【实例讲解】实例1:动物识别专家在推理过程中，会同时推出几个结论如:有毛发、会吃肉、有斑点一一首先推出金钱豹有黑色条纹一一再推出老虎有蹄一一再推出斑马IFTHEN该动物用乳汁哺育幼子=true哺乳动物=true.IF该动物有毛发=trueTHEN哺乳动物=true.IF该动物会吃肉=trueTHEN食肉动物=true.IF该动物有犬齿=trueAND该动物有爪=trueAND该动物眼视前方=trueTHEN食肉动物=true.IF哺乳动物=trueAND该动物有蹄=trueTHEN蹄类动物=true.IF哺乳动物=trueAND该动物是反刍动物=trueTHEN蹄类动物=true.IF哺乳动物=trueAND食肉动物=trueAND有暗斑点=trueTHEN该动物是金钱豹-true.IF哺乳动物=trueAND食肉动物=trueAND有黑色条纹=trueTHEN该动物是老丿虎=true.IF蹄类动物=trueAND有黑色条纹=trueTHEN该动物是斑马=true.IF蹄类动物=trueAND有长脖子=trueAND有长腿=trueTHEN该动物是长颈鹿=true.有毛发会吃肉有暗斑点哺乳动物食肉动物金钱豹有毛发会吃肉有暗斑点哺乳动物有毛发会吃肉有暗斑点哺乳动物食肉动物一有毛发会吃肉有暗斑点该动物是金钱豹实例2:农产品专家系统规则库：R1:IF食物为绿色==TURETHEN它是农产品==TURE.R2:IF食物为精包装=TURETHEN它是高档食品=TURE.R3:IF食物为冷冻食品或农产品=TURETHEN它是易坏食品=TURE.R4:IF食物重5KG且价廉又不易坏食品=TURETHEN它是家庭通用食品=TURE.R5:IF食品易坏,食物重5KG=TURETHEN它是牛肉=TURE.R6:IF食物重5KG,且为农产品=TURETHEN它是西瓜=TURE.数据库初始值为“食物为绿色，重5KG”【正向推理过程解析】：（1）第一次匹配，R1触发，综合数据库更新数据为W1“它是农产品，食物为绿色，重5KG”；（2）以W1为匹配数据，第二次匹配，R1、R3、R6触发，R1已执行，将其删除，执行R3，综合数据库更新数据为W2“它是农产品，易坏食品，食物为绿色，重5KG”（3）以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发，R1、R3已执行，将它们删除，执行R5，综合数据库更新数据为W3“它是农产品，它是牛肉，易坏食品，食物为绿色，重5KG”，得出结论是牛肉，与事实相违，此步因R5的不精确导致推理出错；（4）重复以W2为匹配数据，第三次匹配，R1、R3、R5、R6触发，R1、R3、R5删除，执行R6,综合数据库更新数据为W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG”；（5）以W4为匹配数据，第四次匹配，R1、R3、R5、R6触发，R1、R3、R5R6都已执行，全部删除，所有规则匹配完毕，所以综合数据库W4“它是农产品，它是西瓜，易坏食品，食物为绿色，重5KG”，得到问题的求解。

2、反向推理反向推理（ReverseReasoning）就是用户或系统提出一些假设，然后系统来验证这些假设的真假性它的推理过程可以理解为从目标出发，反向使用规则进行推理其具体过程如下：1）看假设是否在综合数据库当中,若在，则假设成立，推理结束或进行下一个假设的验证，否则，进行下一步2）判断这些假设是不是证据结点，若是，系统向用户提问否则进入下一步3）找出结论部分包含这些假设的规则，把这些规则的所有前提作为新的假设重复1、2、3步开始3、不精确推理不确定推理，又称不精确推理(InexactReasoning),是指由于证据的不确定、规则的不确定或研究方法的不确定，导致推理的结果的不确定表示不确定信息的基本思想就是：将推理过程中所涉及的“事实”和“规则”都赋上一个“可信度因子”，即事实或规则的确信程度可信度因子一般可以取闭区间［—1,1］中的任何一个值，如果完全确定的话可信度因子就是1，完全否定则取-1通常我们用CF来表示可信度例如，规则：ifAthenBCF(B,A)设：CF(A)表示前提条件A的可信度；CF(B)表示结论B的可信度；CF(B,A)表示从A推出B的可信度(可能性)，即该规则的可信度。

n前提为单个条件时CF(B)=CF(B,A)•CF(A)例如，规则的可信度为100%，即CF(B,A)=1，贝yCF(B)=CF(A)前提条件以“AND'连接时】如果前提A以“AND'连接了多个条件，例如A=(A1CASA3),则取前提条件中可信度的小值作为A的可信度CF(A)=CF(A1-A2-A3)=min(CF(A1),CF(A2),CF(A3))CF(B)=CF(B,A)•CF(A)==CF(B,A)•min(CF(A1),CF(A2),CF(A3))【前提条件以“OR'连接时】如果前提A以“OR'连接了多个条件，例如A=(A1一A2一A3),则取多个条件中可信度的大值作为A的可信度CF(A)=CF(A1一A2一A3)=max(CF(A1),CF(A2),CF(A3))CF(B)=CF(B,A)•CF(A)=CF(B,A)•max(CF(A1),CF(A2),CF(A3))提示：CF(哺乳动物)=CF(a)•CF(用乳汁哺育幼子)=0.5•0.8=0.4CF(食肉动物)=CF(b)•CF(会吃肉)=0.95•0.9=0.855CF(金钱豹)=CF(c)•min(CF(哺乳动物),CF(食肉动物),CF(有暗斑点))=0.6•0.4=0.24所以，得出结论“金钱豹”的可信度是0.24。