神经网络专家系统

神经网络专家系统 9 3神经网络专家系统 专家系统作为为人们提供专业知识的工具 越来越受到用户们的喜爱 然而传统的专家系统只能在有限的定制式的规则中寻求答案 对于一个庞大的知识库 或者复杂难解的数据结构 亦或者一个几乎无规则可循的知识集合 传统专家系统就显得无能为力了 因此有人就提出使用人工神经网络开发专家系统的推理机机制 于是 人工神经网络专家系统 的概念也就应运而生 1 神经网络专家的基本原理 神经网络最主要的特征 大规模模拟并行处理 信息的分布式存储 连续时间非线性动力学 全局集体作用 高度的容错性和鲁棒性 自组织 自学习和实时处理 神经网络专家系统 NNES 是以神经网络为核心建造的一种符号 数值结合智能型系统 它不仅可以很好的实现专家系统的基本功能 模拟人类专家的思维方式进行推理决策和问题求解 还具有学习能力 自适应能力 并行推理能力 联想记忆能力 神经网络用大量神经元的互连及对各连接权值的分布来表示特定的概念或知识 这与传统计算机局域式信息处理方式有所不同 在进行知识获取是 它只要求领域专家提供范例或实例及相应的解 通过特定的学习算法对样本进行学习 经过网络内部自适应算法不断修改权值分布以达到要求 把领域专家求解实际问题的启发式知识和经验分布到网络的互连权值分布上 对于特定的输入模式 神经网络通过前向计算 产生一个输出模式 其中各个输出节点代表的逻辑概念同时被计算出来 特定解是通过输出节点和本身信号的比较而得到的 在这个过程中其余的解同时被排除 这就是神经网络并行推理的基本原理 在神经网络中 允许输入偏离学习样本 只要输入模式接近于某一学习样本的输入模式 则输出亦会接近学习样本的输出模式 这种性质使得神经网络专家系统具有联想记忆的功能 2神经网络专家系统的结构神经网络转系统的目标是利用神经网络的学习功能 大规模并行分布式处理功能 连续时间非线性动力学和全局集体作用实现知识获取自动化 克服 组合爆炸 推理复杂性 和 无穷递归 等困难 实现并行联想和自适应推理 提高专家系统的智能水平 实时处理能力及鲁棒性 这样可定义神经网络的专家系统为一个四元组 NNES KB NN EX IN 式中 KB是知识库 NN是人工神经网络 EX是输出解释器 IN是人机接口 神经网络专家系统的一般结构 神经网络 人机接口 学习机制 推理机制 内部知识库 规则集 实例集 外部知识库 解释系统 外部知识库 用于保存用户输入的专家知识 学习机制 其功能是根据外部知识库提供的训练数据集 按照一定的学习算法对神经网络进行训练 把训练数据隐含的专家知识变换为神经网络内部的表达形式 内部知识库 在神经网络内部以权值及连接隐含地表达专家知识 推理机制 神经网络专家系统的推理机制与传统的推理机制有着本质的区别 传统的推理机制是基于逻辑符号的推理 而神经网络专家系统的推理过程则是一个数值计算过程 它根据用户提供的事实给神经网络输入层进行赋值 然后按照神经元的输入 输出特性 依据神经网络所含知识之间的关系 在问题求