人工智能智能系统指南笔记（一）

发表于 | 分类于

人工智能智能系统指南笔记——（一）基于规则的专家系统

一、基于规则的专家系统的结构

  1. 五个部分：知识库、数据库、推理引擎、解释工具、用户界面

  2. 开发界面：知识库编辑器（录入和修改规则）、调试工具（包含跟踪工具和断点包）、输入输出工具

二、专家系统的基本特征

  1. 建立专家系统的目的是使计算机在小的专业领域中以专家级的水平处理问题。

  2. 专家系统最主要的特征是高质量的性能

  3. 专家系统的独特之处在于其解释能力。（可在解决问题时有效跟踪规则的激发点，但不是某些专家系统的基本要求）

  4. 专家系统在解决问题时使用符号推理。（符号表示不同类型的知识，例如行为、概念、规则）

  5. 专家系统区别于常规程序的特点：知识与处理是分开的，因而建立和维护都相对简单。

三、前向链接和后向链接推理技术

  1. 前向链接
    前向链接是数据驱动的推理，处理随数据进行，只执行顶端的规则，且每个规则只激发一次，激发后新的事实会加入数据库。激发的事实很可能与目标完全无关，所以只有在建立新事实时用前向链接，如果目标是推理出一个具体的事实，后向链接更合适。

  2. 后向链接
    后向链接是目标驱动的推理，如证明则将规则压栈，建立新目标。其使用的数据只是支持推理所需的，用户需要输入。后向推理更为普遍，多数用于诊断。

四、冲突的解决方案

  1. 建立目标：以达到目标就停止执行规则

  2. 激发优先级最高的规则：将规则按适当顺序设置以设置优先级，适用于大约有100个规则的专家系统。

  3. 激发最具体的规则：又称最长匹配策略。

  4. 激发最近录入的数据的规则：适用于实时专家系统

为提升专家系统的性能，可提供其拥有的知识的知识，即元知识(metaknowledge)，元知识用元规则(metarule)来描述，很大程度上独立于领域。元规则定义了专家系统中使用任务相关的规则的策略，应为其提供单独的推理引擎或赋予最高优先级。

五、基于规则的专家系统的优缺点

优点：

  1. 自然知识的描述
  2. 统一的结构
  3. 知识与其处理过程分离
  4. 可以处理不完整和不确定的知识
缺点：
  1. 规则间关系不透明
  2. 搜索策略的工作效率低
  3. 不能自学习

六、基于规则的专家系统的不确定管理

  1. 贝叶斯推理

    P(A∩B) = P(A)P(B|A)=P(B)P(A|B)

    贝叶斯网络的三种结构形式：
    1）head to head P(a,b) = P(a)P(b)
    2）tail to tail P(a,b|c)=P(a|c)    P(b|c)
    3）head to tail P(a,b,c)=P(a)P(c|a)P(b|c)

  2. 贝叶斯证据累积

    LS：证据E存在时，专家估计假设H的可信度，即充分性的似然值。

    LS = p(E|H)/p(E|-H)

    LN：证据E缺失时，不信任假设H的度量，即必要性的似然值。

    LN = p(-E|H)/p(-E|-H)

    LN的值不能由LS得出。如LS值高(>>1)，则强烈支持。如LN值低(0<LN<1)，则强烈反对。

    概率p(H) 几率O(H)=p(H)/1-p(H)

  3. 贝叶斯方法的偏差

    初始输入的概率值通常涉及人为判断，和贝叶斯规则有出入。提供的先验概率也可能和充分性似然值LS和必要性似然值LN不同，可应用分段线性插值模型(在矿藏勘探专家系统PROSPECTOR中应用)。

    贝叶斯规则需要满足的假设(证据在假设和逆假设上都有条件独立)很难满足，只有几个系统建立在贝叶斯规则上，比如PROSPRCTOR。

  4. 确定因子理论和证据推理

    确定因子理论是替代贝叶斯推理最常见的方法。确定因子(certainty factor,cf)是度量专家可信度的数字，[-1,1]，正值代表可信度，负值代表不可信度。

    确定因子理论基于两个函数：可信度的度量MB(H,E)，不可信度的度量MD(H,E)。

    CF1

    CF2

    CF3

    结合的确定因子：

    CF4