（检测技术与自动化装置专业论文）发酵过程生物量软测量专家系统推理机的研究.pdf

摘要 发酵过程生物量软测量专家系统推理机的研究 摘要 微生物发酵工程是生物工程和现代生物技术及其产业化的基础。 生物量是发酵过程中重要的过程参数，直接影响着发酵过程的控制和 优化。采用软测量技术对生物量参数进行在线估计，是解决生物量在 线测量的有效途径。在发酵过程生物量进行软测量建模的过程中，构 建机理模型与辨识模型相结合的软测量混合模型是解决生物量在线 估计的关键。专家系统运用专家的知识与经验进行推理、判断和决策， 是解决软测量混合模型构建的有效方法。推理机是专家系统的思维部 件，是专家系统的重要组成部分之一。因此，生物量软测量专家系统 推理机的研究，对构建生物量软测量混合模型具有十分重要的理论意 义和应用价值。 本文在分析生物发酵过程及特点的基础上，建立了发酵过程生物 量软测量专家系统推理机的结构模型；结合发酵过程有关参数、机理 公式等知识的特点，基于产生式规则的知识表示形式，给出了匹配度 的定义及计算方法，以及基于匹配度的规则的冲突消解策略；利用可 信度的概念，提出了用于生物量软测量的基于可信度的不确定性推理 方法；采用n e t 技术，设计了正反混合推理的启发式专家系统的推 理机。 实验结果表明，基于匹配度的冲突消解策略，可以很好地解决生 物量软测量过程模型规则的选择问题；基于可信度的不确定性推理方 北京化工大学硕士学位论文 法能够提高推理结论的可信度。在此基础上设计的专家系统推理机能 够快速准确地获取较优的生物量软测量模型。 关键词：生物量，专家系统，推理机，匹配度，不确定性推理 r e s e a r c ho fb i o m a s ss o f t - s e n s o re x p e r ts y s t e m r e a s o n i n gm a c h i n ei nf e r m e n t a t i o np i o c e s s a bs t r a c t t h em i c r o b i a lf e 姗e n t a t i o n e n g i n e e r i n g i st h ef o u n d a t i o no f b i o e n g i n e e r i n g &m o d e m b i o t e c h n o l o g y a n di t si i l d u s t r i a l i z a t i o n b i o m a s si st h ei m p o n a n tp r o c e s sp a r a m e t e ro ff e m e n t a t i o np r o c e s s ，a n d i td i r e c t l yi n f l u e n c e sc o n t r o la n do p t i m 娩a t i o nf 6 rf e 姗e n t a t i o np r o c e s s a p p l y i n gs o f t s e n s o rt e c h n o l o g yi n t h eo n l i n ee s t i m a t i o no fb i o m a s s p a r a m e t e r s i sa ne f t e c t i v e w a y f o rb i o m a s s p a r a m e t e r s o n l i n e m e a s u r e m e n t t h ek e yt os o l v et h eb i o m a s so n l i n ee s t i m a t i o ni st o c o n s t m c t h y b r i d m o d e lb o t h u s i n g t h em e c h a n i s mm o d e la n d i d e n t i f i c a t i o nm o d e lw h e nb u i l d i n gt h ef e r m e n t a t i o nb i o m a s ss o f t - s e n s o r e x p e ns y s t e m ，w h i c hu s i n gt h ee x p e n s k n o w l e d g ea n de x p e r i e n c et o r e a s o na n dm a k ed e c i s i o n ，i so n ee f ! l e c t i v ew a yt ob u i l dt h es o f t - s e n s o r h y b r i dm o d e l r e a s o n i n gm a c h i n ei st h et h i n k i n gp a r to fe x p e ns y s t e m a n di ti st h eo n ei m p o r t a n tp a no fe x p e r ts y s t e m t h e r e f o r e ，t h er e s e a r c h o ft h eb i o m a s ss o f t - s e n s o r e x p e r ts y s t e mr e a s o n i n g m a c h i n eh a s i m p o r t a n tt h e o r e t i c a ls i g n i f i c a n c ea n da c t u a lv a l u et ot h eb u i l d i n go ft h e b i o m a s ss o f t s e n s o r h y b r i dm o d e l b a s e do na n a l y z i n gt h ef e r m e n t a t i o np r o c e s sa n di t sc h a r a c t e r i s t i c s ， t h es t m c t u r em o d e lo ff 色加e n t a t i o np r o c e s sb i o m a s ss o f | t s e n s o re x p e r t 北京化工大学硕士学位论文 s y s t e mr e a s o n i n gm a c h i n ew a sb u i l t t h ed e f m i t i o no fm a t c h i n gd e g r e e a n di t sc a l c u l a t i o nw a sg i v e nb a s e do nt h ek n o w l e d g er e p r e s e n t a t i o nf b n n o f p r o d u c t i o n r u l e ，w h i c h c o m b i n e dw i t ht h e f e r m e n t a t i o n p r o c e s s c h a r a c t e r i s t i c s ，s u c ha st h er e l a t e dp a r a m e t e r sa n dm e c h a n i s mf o r m u l a s ， e t c 7 r h e n ，t h ec o n n i c tr e d u c t i o ns t r a t e g yb a s e do nm a t c h i n gd e g r e ew a s p r e s e n t e d t i h e u n c e r t a i n t yr e a s o n i n gm e t h o db a s e do nt h eb e l i e v a b l e d e g r e ew a sp r o p o s e du s i n gt h ec o n c e p to fb e l i e v a i b l ed e g r e e t h em i x e d d i r e c ta n di n v e r s eh e u r i s t i cr e a s o n i n gm a c h i n eo fe x p e r ts y s t e mw a s d e v e l o p e db yu s i n gt h e 卜t e tt e c h n o l o g y t h ee x p e r i m e n tr e s u l t ss h o wt h a tc o n f l i c tr e d u c t i o ns t r a t e g yb a s e d o n m a t c h i n gd e g r e e c a ns 0 1 v et h e p r o b l e mo fc h o o s i n g b i o m a s s s o f t s e n s o rp r o c e s sm o d e lr u l e sw e l l t h eu n c e r t a i n t yr e a s o n i n gm e t h o d b a s e do nb e l i e v a b l ed e g r e ec a n 。i m p r o v eb e l i e v a b l e d e g r e e o ft h e c o n c l u s i o n t h ed e s i g n e dr e a s o n i n gm a c h i n eo fs o r - s e n s o re x p e r ts y s t e m c a no b t a i nb e t t e rb i o m a s ss o f t s e n s o rm o d e lm o r ef a s ta n da c c u r a t e k e yw o r d s ：b i o m a s s ，e x p e ns y s t e m ，r e a s o n i n gm a c h i n e ，m a t c h i n g d e g r e e ， u n c e r t a i n t yr e a s o n i n g 北京化工大学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本 论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文 的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本 人完全意识到本声明的法律结果由本人承担。 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文 的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北 京化工大学。学校有权保留并向国家有关部门或机构送交论文的复印 件和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文的全 部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编 学位论文。 保密论文注释：本学位论文属于保密范围，在上年解密后适用 本授权书。非保密论文注释：本学位论文不属于保密范围，适用本授 权书。 作者签名： 盘耋丝日期：兰竺叁垒笪笪生因 导师签名： 旦 b ，c a 时 根据不同情况，可信度范围比有不同的取值，则参数条件的可信度为r 和规则中 参数的可信度的乘积。 对于参数条件的可信度传递等计算和变量条件相同。 最后，判断结论可信度t ( h ) 和t 的大小，其中，t 为结论真度阀值。如果t ( h ) 大于t ，则认为此结论可信度满足要求，否则，认为此结论不符合条件，要重新选择 数据，重新判断。 3 3 控制策略 推理过程不仅信赖于所用的推理方法，也信赖于推理的控制策略。推理的控制策 略是指如何使用领域知识使推理过程尽快达到目标的策略。由于智能系统的推理过程 一般表现为一种搜索过程，因此，推理的控制策略又可分为推理策略和搜索策略。其 中，推理策略主要解决冲突消解、推理方向等问题：搜索策略主要解决推理线路、推 理效率等问题，主要有深度优先搜索，广度优先搜索，启发式搜索等多种方法。 第三章生物量软测量专家系统推理方法研究 3 3 1 冲突消解策略 产生式系统的工作过程是一个推理和搜索的过程，匹配算法极为费时。生物发酵 专家系统推理的难点之一是如何用尽可能少的模型的建立软测量模型。由于参数变量 存在于多个机理模型中，导致结构十分复杂，不同的推理方法得到的结论也会有较大 差距，如何简化推理过程，用尽可能少的变量和机理模型表达生物发酵过程，得到较 好的推理结论，都是有待于解决的问题。规则的选择策略是一个十分重要的问题，它 决定了推理的效率。 大多数专家系统，由于不同规则之间的关系成链状结构，相对简单，采用映射， 隶属度等匹配方法，方便可行。但是对于生物发酵专家系统机理模型之间关系复杂多 样，条件的多少对最终结论影响较大等特点，也不是较好的解决方法。本文提出了一 种简单有较的匹配度计算方法，用于生物发酵专家系统推理机理模型过程中，较好的 解决了上述参数变量的匹配获取问题。 1 生物发酵模型结构 在生物发酵专家系统中，机理模型之间的简单结 构如图3 3 所示，其中各结点s 。，s 。，s 表示 不同的机理模型，各机理模型之间依靠相同的变量产 生联系。这一复杂结构的最大特点在于，影响本次推 理规则的选择，不仅取决于上次推理的结论和规则中 条件的匹配程度，还受到之前所有推理过程中其他条 件的影响。这就导致了即使从同一结点推理机理模 型，由于选择路径的不同，也会得出多种不同的结论。 图3 - 3 模型结构图 f i g 3 3s t m c t u 陀d i a g 姗o fm o d e l 在图3 3 中，假设s 。事实类知识推理给出的模型方案，其中未知的变量个数为 2 ( x ，y ) ，s 。中未知的变量个数为3 ( x ，n ，v ) ，s ：中未知的变量个数为( x ，y ，z ) ，s 。 中未知的变量个数为3 ( x ，n ，z ) ，s 。中未知的变量个数为2 ( x ，n ) ，s 。中未知的变量 个数为2 ( x ，1 ) 。根据穷举的深度优先搜索方法，机理模型求解过程树形图如图3 4 所示。由s 。开始搜索推理，因为变量个数大于模型公式数，需要进行模型类的知识推 理，与s 。有共同变量的模型有s 。，s ：，s 。，s 。四个结点，可得到的模型组合方案分别 为s 。s 。、s 。s 。、s 。s 。和s 。s 。，首先采用s 0 s 。模型组合方案，则n ，v 变量被引进，此时 变量个数为4 ，机理模型个数为2 ，变量个数大于机理模型数，继续推理。依次类推， 最终得到s 。s 。s ：s 。s 。五个机理模型组合，变量个数为5 ( x ，y ，n ，v ，z ) ，变量个数等 于机理模型数，得到合理的机理模型组合，推理结束。 根据变量数等于公式数方程可解的原理，当推理得到s o 、s 。、s ：、s 。、，s 。五个机 理模型，变量有x ，y ，n ，v ，z 五个变量，停止推理，得到结论。 上述搜索方法，虽然简单，可是共引进了三个变量，加大了机理模型的复杂程度。 2 1 北京化工大学硕士学位论文 而且在某些复杂情况下，有可能会出现无解的情 况。 分析上述情况出现的原因，是由于在选择规 则时，没有考虑如何减少变量的引进。基于上述 分析，提出了计算匹配度的方法提高搜索效率。 2 匹配度的定义及计算方法 1 ) 匹配度定义及表示 定义：把当前数据库和规则的条件部分相匹 配，二者的匹配程度。 生物发酵专家系统中，机理模型规则的前提 条件的集合用r 表示。即r = r 。，r 。，r - ) 则规则的匹配度形：ym ，其中w ；为条件 r 。和前件的匹配度。 “1 2 ) 匹配度的计算 定义：w ；为条件r 。和前件的匹配度 m 2 1 1 万 o 图3 _ 4 深度搜索流程图 f i g 3 4 n o wc h a no fd e p i hs e a r c h 其中，当条件与前件匹配时，匹配度为l ；当条件与前件不匹配时匹配度为一1 n ， n 与当前数据库的结构有关；当条件为空时，匹配度为o 。 上述定义方法，有利于搜索过程中减少引进的变量参数。即匹配度越大，引进的 变量参数个数越少。 证明：规则a 的条件集合为 r 。，r 葩，r 。) ，规则b 的条件集合为 r b i ，r b 2 ，r b n 设规则a 和规则b 中的条件均不为 空，当规则a 中有j 个条件与前件匹配，即 w i - 1 ( i = 1 ，2 ，j ) ，则其他n j 个条件 的匹配度为一1 n ，规则a 的匹配度 为形。- 型： 当规则b 中有j + 1 个条件与前件匹配 时，规则的匹配度磁；+ 1 一尘土兰： 得证，当条件均不为空时，匹配的条件 越多，匹配度越大。 图3 5 匹配度法推理流科图 f i 9 3 - 5n o wc h a no fm a t c h i n gd e 9 9 r e er e a s o n i n g 第三章生物量软测量专家系统推理方法研究 设规则a 中有j 个条件与前件匹配，其他为空，规则b 中有j 个条件与前件 匹配，有1 个条件与前件不匹配，其他为空。 则规则a 的匹配度w a = j ；规则b 的匹配度w b = j 一1 n ； 得证，条件为空的匹配度比条件不匹配的匹配度大。由此，可以得出结论，匹配 度越高，不匹配的条件越少，进而推理过程中引进的变量个数也越少。 根据图3 3 ，设n = 3 ，运用匹配度搜索策略可得推理过程树形过程图如图3 5 所 示。数字表示规则匹配度，根据匹配度，首先选择了s ：结点，依次推理，最终推理得 到s 。s ：s 。s 。四个机理模型。可见，采用计算匹配度的搜索方法，迅速而且有效地解决 了上面的问题。 由于生物发酵过程专家系统中，对于机理模型的推理过程，主要是一定条件下根 据未知变量推理得到能够完全表示的机理模型的过程。因为对于机理模型的推理更多 的是考虑如何用更少的变量，更少的机理模型表示生物发酵不同物质的变化过程。上 述的定义方法的优点除定义简单容易计算以外，最大的优点在于多个规则相比较时， 规则的条件和前件符合的越多，匹配值越大。这样就尽可能的减少了推理过程中引进 的变量个数。 3 ) 规则匹配过程 系统初始化，将规则表中满足条件的规则读取到临时过程表中； 再用匹配字段对规则表中每条规则依次进行匹配度计算； 当匹配度为整数时，读取机理模型；匹配度不是整数的情况下，读取匹配度最 大的机理模型，：当匹配度相等的情况下，进行广度搜索，根据机理模型的复杂度读 取复杂度低的机理模型；并将得到的机理模型从临时过程表中删除； 判断是否满足系统终止条件，不满足则改变匹配字段，转到继续进行匹配推 理；如满足系统终止条件，推理 一 结束。 j 堑- 。丽赢司 3 3 2 正反混合推理方向控制策 _ 一 n 7 略 叫输出结果i 推理方向是用来确定推理 的控制方式，即推理过程是从初 始证据开始到目标，还是从目标 开始到初始证据。本文采用正反 混合推理方式，避免正向推理和 反向推理各自的缺点，互相取长 补短。 y 以正向推理的结果为假设进行逆向推理 迥雯三兰苎坚诗 iy 结束 图3 6 止反混合推理流程图 f i 9 3 6 f l o w c h a no fm i x e dd i r e c ti n v e r 辩他a n i n g 2 3 北京化工大学硕士学位论文 分析生物发酵生物量软测量过程，由于己知事实相对较少，比较固定，加之不确 定性因素的存在，使得正向推理过程求出的结论，或者多个结论，或者结论可信度极 低，并且单独采用正向推理或反向推理，不仅加大了搜索的难度而且推理结论也容易 复杂。所以本课题采用正反混合推理，根据给定的原始证据( 往往不充分) 向前推理， 得出可能成立的结果，然后，以这些理论为假设，进行反向推理。寻找这些假设的事 实或证据。其混合推理流程图如图3 6 所示。 本课题采用先j 下向推理，通过已知事实快速找到目标结论；然后将此目标结论作 为假设，通过此假设成立的条件，增加事实量，反向推理，寻求支持此结论成立的其 他规则。 1 正向推理 正向推理是由事实推理出结论的过程，又称为数据驱动控制策略。它实际上就是 从已有的信息( 事实) 出发，寻找可用知识，通过冲突消解选择启用知识，执行启用知 识，改变求解状态，逐步求解直至问题解决。一般来说，实现j 下向推理应具备一个存 放当前状态的数据库( d b ) ，一个知识集( k s ) 和一个存放知识的数据库( k b ) 以及进行推 理的推理机。其 工作程序为：用 户将与求解问 题有关信息( 事 实) 数据库，推 理机根据这些 信息，从知识库 中选择合适知 识，得出表的信 息存放，再根据 当前状态选用 知识，如此反 复，直到给出问 题的解。 ( 1 ) 将用户 提供的初始已 知知识送入数 据库d b ； ( 2 ) 检查数 据库d b 中是否 已经包含了问 图3 7 正向推理流程图 f i 9 3 - 7n o w c h a no fd i r e c tr e a s o n i l l g 第三章生物量软测量专家系统推理方法研究 题的解，若有，则求解结束，并成功退出；否则执行下一步。 ( 3 ) 根据数据训中的已知事实，扫描知识库k b ，检查k b 中是否有可适用( 即可与 d b 中已知知识是匹配) 的知识，若，则转( 4 ) 。 ( 4 ) 把k b 中所有的适用知识都选出来，构成可适用的知识集k s ； ( 5 ) 若k b 不空，则按某种冲突消解策略从中选出一条知识进行推理，并将推出的 新事实加入d b 中，然后转( 2 ) ；若k s 空，则转( 6 ) 。 ( 6 ) 询问用户是否可进一步补充新的事实，基有补充，则将补充的新事实加入到 d b 中，然后转( 3 ) ；否则表示求不出解，失败退出。 2 反向推理 反向推理是以某个假设目标作为出发点的一种推理。又称为目标驱动推理、逆向 链推理、目标制导推理及后件推理等。反向推理算法流程图如图3 8 所示。 反向推理的基本思想是：首先选定一个假设目标，然后寻找支持该假设的证据， 若所需的证据都能找到，则说明原假设成立，此时需要另作新的假设，其推理过程可 用如下算法描述： ( 1 ) 提出要求证 的目标( 假设) ； ( 2 ) 检查该目标 是否已在数据库中， 若在，则该目标成立， 成功地退出推理或者 对下一个假设目标进 行验证。否则，转下 一步； ( 3 ) 判断该目标 是否是证据，即它是 否为应由用户证实的 原始事实。若是，则 询问用户，否则转下 一步； ( 4 ) 在知识库中 找出所有能导出该目 标的批示，形成适用 知识集k s ，然后转下 一步； ( 5 ) 从k s 中选出 图3 8 反向推理 f i 9 3 - 8i n v e r 辩他a s 0 n i i l g 北京化工大学硕士学位论文 一条知识，并将该知识的运用条件作为新的假设目标，然后转( 2 ) 。 这种推理方式集中了正向推理和反向推理的优点，更类似于人们日常进行决策时 的思维模式，求解过程也更利于人们所理解。但是，其控制策略较前两种更为复杂， 故常用于实现复杂问题的求解。 3 3 3 启发式广度优先搜索策略 广度优先的搜索是一种完备策略，即只要问题有解，它就一定可以的到解。并且， 广度优先搜索找到的解，还一定是路径最短的解。这些都是广度优先搜索的优点。广 度优先搜索的主要缺点是盲目性较大，尤其是当目标节点距初始较远时，将产生许多 无用的节点，因此其搜索较低。 启发式信息是指那种与具体问题求解过程有关的，并可指导搜索过程朝着最有希 望方向前进的控制信息。启发性信息一般有以下三种：有效地帮助确定扩展点的信 息；有效地帮助决定哪些后继节点应被生成的信息；能决定在扩展一个节点时哪 些节点应从搜索树上删除的信息。 本文采用启发式的广度优先的搜索方式。在每一步的搜索过程中，都要计算匹配 度，而匹配度的值，恰恰可以作为引导搜索过程的启发式信息，当匹配度为整数时， 系统就会停止此次搜索，将匹配度为整数的规则放入到推理过程结论表中，完成本次 搜索。由于引入了启发信息，所以会极大的提高搜索效率。 3 4 小结 本章在分析了发酵过程生物量软测量模型特点的基础上，根据上一章中分析的专 家系统推理机的结构组成，给出了本专家系统推理机的各个组成部分的设计方法。 将不确定性推理运用到发酵过程生物量软测量专家系统中，采用了基于可信度的 不确定性推理方法，针对变量和有范围参数分别采用了不同的可信度计算方法；针对 发酵过程知识规则的特点和推理的具体情况，提出了匹配度的概念及计算方法，研究 了基于匹配度的冲突消解策略；通过对推理流程的分析，采用了正反混合的推理方向 控制策略和启发式的广度优先搜索策略。 第蛐章生物量软测量的专家系统推理机的软件开发 4 1 引言 第四章生物量软测量的专家系统推理机的设计 推理机是专家系统的“思维部件，它推动着专家系统的运转。而推理机和知识 库的分离，更加速了专家系统的发展。和知识库分离的推理机不仅有利于开发人员的 开发，同时，也避免了由于知识库结构的改变而推理机重新研究开的重复工作。 上一章中在介绍了生物发酵过程特点的基础上，重点研究了基于生物发酵过程生 物量软测量的专家系统推理机的不确定性推理方法，基于匹配度的冲突消解策略和正 反混合的推理方向控制策略。确定了不确定性推理算法、匹配度的冲突消解方法和正 反混合的推理方向的流程。本章将根据己确定的推理算法和流程具体实现该专家系统 的原型软件。 4 2 推理机的设计要点及设计要求 4 2 1 设计要点 基于生物量软测量专家系统的设计分析，推理机设计环节中需要考虑到的要点及 技巧。 推理机是专家系统的“思维”机构，是用于记忆所采用的规则和控制策略，它使 整个系统能够以逻辑方式协调地工作，并针对用户或外部系统提出的问题根据知识库 中存储的知识进行推理，从而给出回答。因此，它是整个系统的核心，其根本任务就 是控制、协调整个系统的工作。 衡量一个推理机优劣的主要标志即推理机的推理效果和推理效率。 推理效果与知识的应用有关，所以设计推理机时对推理效果考虑有以下几点： ( 1 ) 能根据环境准确地选择出可用知识； ( 2 ) 能正确地应用可用知识； ( 3 ) 能寻找新的路径重新推理； ( 4 ) 能恰当地终止推理过程。 而推理效率又与下述两个因素密切相关： ( 1 ) 选择出一条可用知识的代价；包括：选择可用集的费用和在可用知识集中选 出一条知识的代价。 ( 2 ) 使用知识的代价 北京化工大学硕士学位论文 包括：为求解所必须使用的知识的代价和实际使用了与解无关的可用知识的代 价。 因此设计一个高效率的推理机，重要的是如何平衡推理代价与控制代价。在给定 的问题中，可以从推理机中获得最优推理效果；另一方面，又要得用某些技术控制推 理策略的控制代价，从而降低推理机的整个代价。 4 2 2 设计要求 设计主要考虑以下几点： ( 1 ) 考虑用户需求，界面友好，操作方便实用； 专家系统推理机以生物量软测量机理模型的获取为出发点，以系统的领域知识为 基础进行总体设计。系统功能可以进行生物发酵过程生物量机理模型的获取，生物发 酵过程软测量中获取机理模型的需要；另一方面，系统界面友好，用户一旦进入系统， 即可根据屏幕显示，进入自己所需要的模式，在操作使用过程中，系统又为用户提供 了相当多的操作向导和帮助信息，使用户操作起来方便自如。 ( 2 ) 系统和知识库完全分离，单独设计完成。 推理机和知识库的完全分离，有助于系统丌发过程的自主性。同时，也有助于推 理机的灵活运用，可应用于多个机理模型获取领域中，方便灵活，更有利于专家系统 的广泛应用。 ( 3 ) 启发式推理用利于普通用户对生物发酵这类过程复杂多样，也方便系统向着 更有利于正确推理结果的方向进行。 4 3 开发工具 专家系统的开发一直是人工智能领域的一个重要研究方向。目前比较流行的专家 系统开发工具主要有以下几种： 1 程序设计语言。包括通用程序设计语言( 如v b v b n e t ) 和( 如p r o l o g 和l i s p ) 两 种； 2 骨架系统。就是一个专家系统删除其特定领域知识而留下的系统框架。如 e m y c i n ，k a s 以及e x p e r t 等。 3 辅助工具。辅助工具由一些程序模块组成，有些程序能够帮助获得和表达领域 专家的知识，有些知谚 能够帮助设计正在构造的专家系统的结构。 在这些开发工具中，传统人工智能语言的规则和事实都是以语句形式存在于程序 当中，不便维护，而且当新增规则或事实时，难以得到新增规则与已有规则或事实的 关系，因而造成知识库内部缺乏逻辑关系或关系不明确；而骨架系统灵活性和通用性 第四章生物量软测量的专家系统推理机的软件开发 较差。所以本课题采用通用的软件编程语言v i s u a lb a s i c n e t 。v i s u a lb a s i c n e t 是当前主流的程序设计语言，在人工智能领域也有广泛的应用。它的优点为：( 1 ) 具 有强大的功能，便于实现和硬件相关的底层功能，而且擅长进行复杂的数值计算和与 外部设备交换数据等。( 2 ) 用v i s u a lb a s i c n e t 编写的程序效率高，运行速度快并且 可移植性好。( 3 ) v i s u a lb a s i c n e t 是一种面向对象的语言，便于实现框架或面向对 象的知识表示。 基于以上考虑，本专家系统采用v i s u a lb a s i c n e t 和数据库相结合的方法来开发。 在数据库端，采用了s q ls e r v e r 数据库实现知识库的建立；在推理控制端，用v i s u a l b a s i c n e t 进行编程，实现了推理机。推理机与数据库之间的接口则通过a d o n e t 调用， 由此实现推理机对数据库的访问。 v is u a lb a si c n e t 与数据库连接 v i s u a lb a s i c n e t 在数据库程序设计方面，是使用a d o n e t 作为访问数据库的接 口。a d o n e t 采用新颖的对象概念，是专为m i c r o s s o f t n e t 平台所量身打造的，由于 采用脱机访问模式，可供多人同时访问。 ( 1 ) a d o n e t 简介 a d o n e t 是微软新一代n e t 数据访问架构，a d o 是a c t i v e xd a t ao b j e c t s 的缩写。 a d o n e t 是数据库应用程序和数据源间沟通的桥梁，主要提供一个面向对象的数据访 问架构，用为开发应用程序。由于a d o n e t 具有下列优点，因此成为目前数据库程序 员开发数据库应用程序的主要接口： ( 1 ) a d o n e t 是在n e tf r 硼e w o r k 上访问数据一组类库，它包含了n e td a t a p r o v i d e r ( 数据提供程序) 以进行数据库的连接与访问，通过a d o n e t ，数据库程序员 能够很轻易地使用各种对象，来访问符合自己需求的数据库内容。换句话说，a d o n e t 定义了一个数据库访问的标准接口，让提供数据库管理系统的各个厂商可以根据此标 准，开发对应的n e td a t ap r o v i d e r ，如此编写数据库应用程序人员不必了解各类数 据库底层运作的细节，只要学会a d 0 n e t 所提供对象的架构，便可轻易地访问所有支 持n e td a t ap r o v i d e r 的数据库。 ( 2 ) a d o n e t 是应用程序和数据源之间沟通的桥梁。通过a d o n e t 所提供的对象， 再配合s q l 语法不可以用来访问数据库内的数据，而且凡是o d b c 或0 l e d b 接口所能访问 的数据库( 如：d b a s e 、f o x p r o 、e x c e l 、a c c e s s 、s q ls e r v e r 、o r a c l e 等) ，也可通过 a d o n e t 对象来访问。 ( 3 ) a d o n e t 可提高数据库的延展性( s c a l a b i l i t y ) a d o n e t 可以将数据库内的数 据以x m l 格式传送到客户端的d a t a s e t 对象中，此时客户端可以和数据库服务器端脱 机，当客户端程序对数据进行插入、修改、删除等动作后，再和数据库服务器连接， 将数据送数据库服务器端完成更新操作。如此一来，就可以避免客户端和数据库服务 器连接时，当客户端不对数据库服务器作任何操作时，却一直占用数据库服务器的资 北京化工大学硕士学位论文 源。此种结构使得数据处理由相互连接的双层结构，向多层结构发展，因而提高了数 据库的延展性。 ( 4 ) 使用a d o n e t 处理的数据可以通过h t t p 通讯协议来传递。在a d o n e t 架构也特 别针对分布式数据访问提出了多项变革，以及为了因特网的数据交换，a d o n e t 不论 是内部动作或是与外部数据交换的格式都是采用) ( m l 格式，因此能很轻易地直接通过 h t t p 通讯协议来传递数据，而不必担心防火墙的问题，而且对于异构性( 不同类型) 数 据库的集成，也有着最直接的支持。 a d o n e t 的架构主要是希望能够在做数据处理的同时，不用一直和数据库连接， 而发生一直占用系统资源的现象。为了解决此问题，a d o n e t 将访问数据和数据处理 的部分分开，以达到脱机访问数据的目的，使得数据库能够执行其他工作。因此将 a d o n e t 架构分成n e td a t ap r o v i d e r ( 指数据源提供程序) 和d a t a s e t 数据集( 数据处 理的核心) 两大主要部分。 4 4 知识库组建 图4 1 a d o 盯架构图 f i g 4 l s k e l e t o nd i a 伊a mo fa d o n e t 生物量软测量专家系统知识库由d i c t d b 、f a c t d b 和m l e d b 组成。在对无法在线测 第四章生物量软测量的专家系统推理机的软件开发 量的生物量参数进行建模之前，首先需要根据已知发酵过程的特征事实进行判断从而 选定待估计的未知变量和参数。 发酵事实库( f a c t d b ) ：存储发酵过程的典型发酵特征、发酵所需条件以及某些参 数特征，包括发酵机理和发酵工艺。推理时，首先搜索该库中基本事实，利用已知的 发酵条件匹配该库中相应信息，得出中间结果，即待估变量及参数。事实库结构如表 1 所示。 表4 1 事实库发酵特征表结构 t h b l e4 1s b m c t u r eo fc h a r a c t e r i s t i ct a b l ei nf a c t d b 注：字段f a h c t 玎d 存放事实的编号，字段f ( i ) 表示已知的各项事实，字段c f ( c h ) 表示特征可信度，字段d e s 嘶p d o n 描述该事实。 字典库( d i c t d b ) ：由于发酵过程中变量繁杂，故重新定义一组统一的符号来表示这 些可列有限符号集合。重新定义后的变量符号利于在数据库中表示，不影响推理，只 需在人机解释窗口调用即可。符号表结构如表2 所示。其中，定义变量v b ( i ) 的符号矢 量为s v ( i ) ，参数p m ( i ) 的符号矢量为s p ( i ) ，常数c t ( i ) 的符号矢量为s c ( i ) 。 表4 - 2 字典库符号表结构 1 r a b l e4 - 2s t r u c t u r eo fs y m b o lt a b l ei nd i c t d b 注：字段d i c ti d 表不符号表的编号，字段s ( i ) 表刁变量或者参数对j 岫) 勺符寸矢量，。，段v b ( i ) 表订i 变量，7 段p m ( i ) 表示参数，字段q ( i ) 表示常数，字段d 髂c r i p l i 伽描述该符号矢量。 规则库( m l e d b ) ：规则库中存放领域专家根据经验和发酵过程机理模型建立的关 于待估变量和参数的模型规则，用于指导推理过程，考虑发酵领域知识特点特别是发 酵机理模型的特点以及前述产生式规则的定义和“多对多”映射的优点，将每一个模 型都可以简化为变量、参数( 其中参数分为待估参数和可辨识参数) 和常量，而不需考 虑输入输出变量的区别。建立规则库结构由规则条件表( r u l e c o n d ) 、规则结论表 ( m l ec o n c l u ) 和规则表( m l e s ) 组成。 - 规则条件表( r u l ec o n d ) 用以表示每一条规则所需要的条件。其中，模型中参数的可 靠性定义为该参数是否可辨识，取值“0 ”该参数进化为变量，取值“1 该参数可辨 识，推理时不考虑其影响。如表禾3 所示。 表4 3 规则条件( 参数) 表结构 ，】陷b l e4 3s t m c t u r eo fm l ec o n d i t i o nt a b l ei nm l e d b 3 1 北京化工大学硕士学位论文 注：字段r l l l c c o n dm 表示规则条件的编号，字段s v ( i ) 表示变量符号矢量，字段蹦i ) 表示参数对应的符号矢量， 字段s c ( i ) 表示常数对应的符号矢量，字段p n l t h 吼表示基于该模型中参数的可靠性，字段s c a k 表示相应量的取 值范围，字段d e s c r i p t i o n 描述该条件。 规则结论表( r u l e _ c o n c l u ) 记录对应每一条规则的结论集。如表4 4 所示。 表4 _ 4 规则结论( 模型) 表结构 t ：l b l e4 - 4s t m c t u r eo f 坚缝c o n c l u s i o nt a b l ei nm l e d b 注： 字段r u l c - c o n c l ui d 表示规则结论的编号，字段m ( i ) 表示发酵机理模型，字段v a o u a n t i t ) ，表示该模型中待 估变量的个数，字段m o d e l l m s t 表示该模型的可靠性，字段d s c 唧i i o n 描述该条件。 规则表 规则表( r u l e s ) 记录了系统中所有规则的集合。生物量软测量专家系统知识库的规 则分为事实类规则和模型类规则，分别建立事实类规则表4 5 和模型类规则表4 6 如下 所示： 表4 5 事实类规则表结构 i a b l e4 5s t f l l c i u r eo ff a c t 世曼st a b l ei nm l e d b 注：! 段r u l ei d 表示规则的编吁，字段f a c ti d 存放事实的编号，字段c f ( c h ) 表示该事实的特征可信度，字段 r u l c c o n c l ui d 表示规则结论即机理模型的编号，字段c f ( c c ) 表示由该事实得到该结论模型的可信度a 表4 6 模型类规则表结构 r 】陷b i e4 6s t r u c t u r eo fm o d e l ! 止st a b l ei nm l e d b 注： 字段r u l ej d 表示规则的编号，字段r u l c _ c 0 n di d 表示规则条件的编号，字段r u l c c o n d ui d 表示规则结 论即机理模型的编0 ，! 段v a q u a n l i i y 表列该模型中待估变量的个数，字段m o d e l l m s t 表示该模型的可靠性，字 段c f ( c c ) 表，j 由该条件得到该结论模型的可信度。 根据模型中变量个数和模型可靠性这些影响生物量软测量专家系统建模中软测 量模型可靠性的因素对模型类规则进行分类。定义变量个数( v a q u a n t i t y ) 越小、模 型可靠性( m o d e l m s t ) 越高，该规则的优先使用级越高；即所谓的指导推理的元规 则。 4 5 推理机原型软件的构建 软件实现的核心是编制与数据库内容无关的推理机制。推理机从事实库中已知的 3 2 第删章生物量软测量的专家系统推理机的软件开发 事实出发，利用知识库中的规则并根据一定的推理控制策略推理出最终的结果。 原型软件用户界面如图4 2 所示。 4 5 1 事实输入 图4 2 用户界面 f i g 4 - 2 u s e ri n t e r f a 系统操作界面是用户、工程师等与系统的交互界面，用户通过界面向导输入发酵 过程软测量建模的任务和已知的过程事实，工程师通过知识库管理系统对知识库中的 规则进行操作。 本原型系统软件中用户知识输入采用向导式输入，一共分为6 页询问，具体为： ( 1 ) 发酵培养方式的选择；( 2 ) 限制性基质的选择；( 3 ) 细胞浓度对细胞生长的影响的 选择；( 4 ) 抑制作用的已知事实的选择；( 5 ) 与基质消耗有关的已知事实的选择；( 6 ) 产物合成模式的已知事实的选择；向导页面如图4 3 、4 4 所示： 北京化工大学硕士学位论文 图4 _ 3 事实输入 n g 4 _ 3 f a c ti n p u t 4 5 2 不确定性推理模块的实现 图4 _ 4 事实输入 h g 4 - 4 f a c ti n p u t 由于生物量软测量中机理模型的事实，知识以及规则中都存在着较大的不确定 性。不确定性推理模块如下： 第四章生物量软测量的专家系