智能DSS和智能技术的决策支持

1、第三讲第三讲 智能智能DSSDSS和智能技术的决和智能技术的决策支持策支持主要内容：教材第主要内容：教材第8 8章和第章和第5 5章三、四、五节章三、四、五节3.1 3.1 智能决策支持系统概述智能决策支持系统概述3.1.1 3.1.1 智能决策支持系统概念智能决策支持系统概念3.1.2 3.1.2 智能决策支持系统结构智能决策支持系统结构3.2 3.2 人工智能基本原理人工智能基本原理3.2.13.2.1 逻辑推理逻辑推理3 3.2.2 .2.2 知识表示与推理知识表示与推理3.2.3 3.2.3 搜索技术搜索技术3.3 3.3 专家系统与智能决策支持系统专家系统与智能决策支持系统3.3.1

2、 3.3.1 专家系统的原理专家系统的原理3.3.2 3.3.2 专家系统与决策支持系统专家系统与决策支持系统的集成的集成3.4 3.4 主要智能技术介绍主要智能技术介绍3.4.1 3.4.1 神经网络的决策支持神经网络的决策支持3.4.2 3.4.2 遗传算法的决策支持遗传算法的决策支持3.4.3 3.4.3 机器学习的决策支持机器学习的决策支持3.1.1 智能决策支持系统概念IDSS IDSS AI AI DSSDSS知识推理技术知识推理技术模型技术模型技术数据处理技术数据处理技术定性分析能力定性分析能力定量分析能力定量分析能力 1981 1981年，年，BonczekBonczek提出了

3、提出了DSSDSS三系统结构，该结构三系统结构，该结构中有中有“知识系统知识系统”，使得不少学者将，使得不少学者将DSSDSS划为人工智划为人工智能的范畴，研究知识表示与知识推理，这样，能的范畴，研究知识表示与知识推理，这样，DSSDSS与与人工智能的专家系统的界限变得模糊了。人工智能的专家系统的界限变得模糊了。 1980 1980年，年，Spraque提出提出DSSDSS的三部件结构，是传统的三部件结构，是传统DSSDSS结构结构 的典型代表。的典型代表。 IDSSIDSS实际上就是在实际上就是在DSSDSS基础上增加了知识部件。基础上增加了知识部件。 知识部件知识部件 知识库知识库管理系统

4、 推理机3.1.2 IDSS的结构1.1.人工智能的决策支持技术人工智能的决策支持技术（1 1）专家系统）专家系统（2 2）神经网络）神经网络（3 3）遗传算法）遗传算法（4 4）机器学习）机器学习（5 5）自然语言理解）自然语言理解2.2.智能决策支持系统结构形式智能决策支持系统结构形式（1）.IDSS的基本结构形式的基本结构形式人工智能技术专家系统 神经网络遗传算法 机器学习自然语言理解问题综合与交互系统模型库管理系统数据库管理系统模型库模型库数据库数据库（2）.IDSS的简化结构图的简化结构图问题综合与交互系统模型库管理系统数据库管理系统知识库管理系统推理机模型库模型库数据库数据库知识库

5、知识库用户3.2.1 逻辑推理1.形式逻辑（1）概念：概念反映事物的特有属性和属性的取值。（2）判断：对概念的肯定或否定； 判断本身有对有错； 判断有全称的肯定（或否定）判断和存在的肯定（或否定）判断。（3）推理：从一个或多个判断推出一个新判断的过程。2.推理的 种类（1）演绎推理（2）归纳推理（3）类比推理假言推理三段论推理数学归纳法假言易位推理枚举归纳推理 假言推理：“如果p，那么q”为真，同时“p”为真，则推出“q”为真。 pq，p q 三段论推理：“如果p，那么q”为真，同时“如果q，那么r”为真，则推出“如果p，那么r”为真。 pq，q r p r 假言易位推理：“如果p，那么q”为

6、真，同时“非q”为真，则推出“非p”为真。 pq，q p（1）演绎推理 数学归纳法： A包含B1、B2， A真 枚举归纳推理：由所见的某一类事物的部分分子具有某种属性，而且没有遇到相反的情况，于是得出这一类事物都具有这种属性的一般性结论。 S1是P，S2 是P Sn是P， S1Sn是S类中的部分分子，而且没有遇到相反的事例 所以，S类事物都是PB1真，Bn Bn1（2）归纳推理（3）类比推理： 由两个（或两类）事物在某些属性上相同，进而推断它们在另一个属性也可能相同的推理。A事物有a、b、c、d属性，B事物有a、b、c属性（ a，、b，、c，相似属性）所以，B事物也可能有d 属性（或d，相似属

7、性）3.总结（1）演绎推理的结论没有超出已知的知识范围，而归纳推理和类比推理的结论超出了已知的知识范围；（2）演绎推理中由于前提和结论有必然联系，只要前提为真，结论一定为真。归纳推理和类比推理中前提和结论，不能保证有必然联系，具有或然性。这样的结论未必是可靠的。3.2.2 知识表示与推理（教材（教材p187p187） 知识表示的概念：知识表示是对知识的一种描述，知识表示的概念：知识表示是对知识的一种描述，即用一些约定的符号把知识编码成一组计算机可以即用一些约定的符号把知识编码成一组计算机可以接受的数据结构。接受的数据结构。 知识表示应该满足的要求：知识表示应该满足的要求：表示能力表示能力可利用

8、性可利用性可组织性与可维护性可组织性与可维护性可实现性可实现性自然性与可理解性自然性与可理解性3.2.2 （续）1. 1.产生式规则产生式规则（教材（教材p190p190） 产生式规则知识一般表示为：产生式规则知识一般表示为：if A if A then Bthen B，即如果即如果A A成立则成立则B B成立，成立， ABAB。规则库就是以这种知识表示方法标识的知规则库就是以这种知识表示方法标识的知识的集合。识的集合。3.2.2（续）v 框架表示法是在框架理论的基础上发展起来的一种结构化知识表示法。v 一个框架由一组描述事物的各个方面的槽（属性）组成。v 每个槽又可包含若干侧面，每个侧面都有

9、自己的名字和填入的值。2.框架表示法框架表示法（教材（教材p190p190）一般框架的结构:frame slotslot 值21 值22 值11 值12v 槽值的几种类型:v填充槽值的两种主要方法: 具体值value 默认值default 过程值procedure 另一框架名 空 匹配 继承框架表示法的优点结构性：善于表示结构性知识，能够把知识的善于表示结构性知识，能够把知识的内部结构关系以及知识间的特殊联系表示出来。内部结构关系以及知识间的特殊联系表示出来。深层性：可从多个方面、多重属性表示知识，可从多个方面、多重属性表示知识，可通过嵌套结构分层地表示知识。可通过嵌套结构分层地表示知识。继承

10、性：下层框架可继承上层框架的值。下层框架可继承上层框架的值。 自然性：把某个实体或实体集的相关特性都集把某个实体或实体集的相关特性都集中在一起，直观、自然，易于理解。中在一起，直观、自然，易于理解。框架表示法的缺点 缺乏框架的形式理论：没有建立框架的形没有建立框架的形式理论，其推理和一致性检查机制并没有基式理论，其推理和一致性检查机制并没有基于良好定义的语义。于良好定义的语义。 缺乏过程性知识的表示：缺乏如何使用框缺乏如何使用框架中知识的描述能力。架中知识的描述能力。 清晰性难以保证3.2.2 （续）v 用节点表示概念，用弧线表示概念之间的关系，将领域知识表示成一种结构图形式；节点分为实例节点

11、和类节点。v 在语义网络中，主要的形式推理过程有继承和匹配继承和匹配两类，通过这样的推理来寻找概念之间的内在联系： 从概念节点间问它们之间的关系 通过概念和关系问其他节点3.3.语义网络表示法语义网络表示法 （教材（教材p193p193）3.2.2 （续）v 对象的概念（略）v 类的概念（略）v 面向对象的基本特征：模块性、封装性、继承性、多态性、易维护性。模块性、封装性、继承性、多态性、易维护性。4. 4. 面向对象表示法面向对象表示法 （教材（教材p194p194）3.2.3 搜索技术1. 1.问题求解过程的形式表示问题求解过程的形式表示 状态空间表示法状态空间表示法 与或树表示法与或树表

12、示法 2. 2.盲目搜索方法盲目搜索方法 广度优先搜索法广度优先搜索法深度优先搜索法深度优先搜索法 生成测试法生成测试法 爬山法爬山法3.3.启发式搜索启发式搜索1. 1.问题求解过程的形式表示问题求解过程的形式表示（1 1）状态空间表示法）状态空间表示法 用用“状态状态”和和“算符算符”来表示决策问题，其中，来表示决策问题，其中，“状态状态”用以描述决策问题求解过程不同时刻的状用以描述决策问题求解过程不同时刻的状态；态；“算符算符”表示对状态的操作，算符的每一次使表示对状态的操作，算符的每一次使用就使问题由一种状态变换为另一种状态。用就使问题由一种状态变换为另一种状态。 当到达目标状态时，出

13、初始状态到目标状态所用算当到达目标状态时，出初始状态到目标状态所用算符的序列就是问题的一个解。符的序列就是问题的一个解。u 状态：状态：状态是描述问题求解过程中任状态是描述问题求解过程中任时刻状况的数时刻状况的数据结构，可用一组变量的有序集表示：据结构，可用一组变量的有序集表示： Sk Sk(Sk1(Sk1，Sk2Sk2，SknSkn) )当给每一个分量以确定的值时，就得到了一个当给每一个分量以确定的值时，就得到了一个具体的状态。具体的状态。u 算符：算符：引起状态中某些分量发生变化，从而使问题由引起状态中某些分量发生变化，从而使问题由一个状态变为另一个状态的操作称为算符。在产一个状态变为另一

14、个状态的操作称为算符。在产生式系统中，每生式系统中，每条产生式规则就是一个算符。条产生式规则就是一个算符。u 状态空间 由问题的全部状态及一切可用算符所构成的集合称为问题的状态空间，一般用一个三元组表示： （S，F，G） 其中S是问题的所有初始状态构成的集合，F是算符的集合；G是目标状态的集合。 状态空间的图示形式称为状态空间图。其中，节点表示状态，有向边(弧)表示算符。总结：算符的一次使用，就使问题由一种状态转变为另一种算符的一次使用，就使问题由一种状态转变为另一种状态。可能有多个算符序列都可使问题从初始状态变到状态。可能有多个算符序列都可使问题从初始状态变到目标状态，这就得到了多个解。其中

15、有的使用算符较少，目标状态，这就得到了多个解。其中有的使用算符较少，有的较多，我们把使用算符最少的解称为最优解。有的较多，我们把使用算符最少的解称为最优解。对任何一个状态，可使用的算符可能不止一个，因而对任何一个状态，可使用的算符可能不止一个，因而由一个状态所生成的后继状态就可能有多个。当对这些由一个状态所生成的后继状态就可能有多个。当对这些后继状态使用算符时，首先应对哪后继状态使用算符时，首先应对哪个后继状态进行操个后继状态进行操作，取决于问题求解采用的作，取决于问题求解采用的搜索策略搜索策略。搜索策略将影搜索策略将影响问题求解过程的效率。响问题求解过程的效率。1. 1.问题求解过程的形式表

16、示问题求解过程的形式表示（2 2）与或树表示法）与或树表示法 与或树表示法也称为问题归约方法。它把初与或树表示法也称为问题归约方法。它把初始问题通过一系列变换最终变为一个子问题集合，始问题通过一系列变换最终变为一个子问题集合，而这些子问题的解可以直接得到，从而解答了初而这些子问题的解可以直接得到，从而解答了初始问题。始问题。 问题变换的方法有问题变换的方法有分解和等价变换分解和等价变换两种。两种。分解分解 把一个复杂问题分解为若干个较为简单的子把一个复杂问题分解为若干个较为简单的子问题，每个子问题又可继续分解为若干个更问题，每个子问题又可继续分解为若干个更为简单的子问题。重复此过程，直到不需要

17、为简单的子问题。重复此过程，直到不需要再分解或者不能再分解为止。然后对每个子再分解或者不能再分解为止。然后对每个子问题分别进行求解，最后把各子问题的解复问题分别进行求解，最后把各子问题的解复合起来就得到了原问题的解。合起来就得到了原问题的解。 例如，把问题P分解为三个子问题P1，P2，P3，可用图表示。 P1，P2，P3是问题P的三个子问题，只有当这三个子问题都可解时，问题P才可解，称P1，P2，P3之间存在“与”关系；称节点P为“与”节点；由P、 P1，P2，P3所构成的图称为“与”树。在图中，为了标明某个节点是“与”节点，通常用一条弧把各条边连接起来。等价变换等价变换 对于一个复杂问题，除

18、了可用“分解”方法进行求解外，还可利用同构或同态的等价变换，把它变换成若干个较容易求解的新问题。若新问题中有一个可求解，则就得到了原问题的解。 问题的等价变换过程也可用一个图表示出来，称为“或”树。例如，问题P被等价变换为新问题P1，P2，P3 ，可用图表示。其中，新问题P1，P2，P3中只要有一个可解，则原问题就可解。我们称P1，P2，P3之间存在“或”关系：节点P称为“或”节点；由P、 P1，P2，P3所构成的图是一个“或”树。分解和等价变换也可结合起来使用，此时的图称为“与/或”树。其中既有“或”节点，也有“与”节点，如右图所示。 本原问题不能再分解或变换，而且直接可解的子问题称为不能再

19、分解或变换，而且直接可解的子问题称为本原问题。本原问题。 端节点与终止节点在与或树中，没有子节点的节点称为端节点；在与或树中，没有子节点的节点称为端节点；本原问题所对应的节点称为终止节点。终止节点本原问题所对应的节点称为终止节点。终止节点一定是端节点，但端节点不一定是终止节点。一定是端节点，但端节点不一定是终止节点。 可解节点可解节点在与或树中，满足下列条件之一，称为可解节点：在与或树中，满足下列条件之一，称为可解节点：它是一个终止节点。它是一个终止节点。它是一个它是一个“或或”节点，且其子节点至少有一个是可节点，且其子节点至少有一个是可解节点。解节点。它是一个它是一个“与与”节点，且其子节点

20、全部是可解节点。节点，且其子节点全部是可解节点。. .不可解节点不可解节点可解节点的三个条件都不满足的节点为不可解节点。可解节点的三个条件都不满足的节点为不可解节点。解树解树 由可解节点所构成的，并且由这些可解节点可由可解节点所构成的，并且由这些可解节点可推出初始节点（它对应于原始问题）为可解节推出初始节点（它对应于原始问题）为可解节点的子树称为解树。在解树中一定包含初始节点的子树称为解树。在解树中一定包含初始节点。点。 2. 2.盲目搜索方法盲目搜索方法（1 1）广度优先搜索法）广度优先搜索法基本思想基本思想从初始状态从初始状态S S0 0开始，利用算符，生成所有可能的后开始，利用算符，生成

21、所有可能的后继状态，构成下一层节点，检查目标节点继状态，构成下一层节点，检查目标节点G G是否是否出现，若未出现，就对该层所有的状态节点，分出现，若未出现，就对该层所有的状态节点，分别顺序利用算符，成生该层所有节点的后继节点，别顺序利用算符，成生该层所有节点的后继节点，再再检查是否出现再再检查是否出现G G，若未出现，继续生成再下若未出现，继续生成再下层的所有状态节点，这样一层一层展开，直到层的所有状态节点，这样一层一层展开，直到目标出现。目标出现。S1S2S3S11S12S21S22S31S111S121S122S221S311GS0（1）广度优先搜索法广度优先搜索法算法算法1) 1) 把初

22、始节点把初始节点S S0 0故入故入OPENOPEN表。表。2) 2) 如果如果OPENOPEN表为空，则问题无解，退出表为空，则问题无解，退出 。3) 3) 把把OPENOPEN表的第一个节点表的第一个节点( (记为节点记为节点n)n)取出放入取出放入CLOSEDCLOSED表。表。4)4)考察节点考察节点n n是否为目标节点。若是，则求得了是否为目标节点。若是，则求得了问题的解，退出。问题的解，退出。5) 5) 若节点若节点n n不可扩展，则转第不可扩展，则转第2)2)步。步。 6) 6) 扩展节点扩展节点n n，将其子节点放入将其子节点放入OPENOPEN表的尾部，表的尾部，并为每一个子

23、节点都配置指向父节点的指针，并为每一个子节点都配置指向父节点的指针，然后转第然后转第2)2)步。步。（1）广度优先搜索法广度优先搜索法例子例子 重排九宫问题，在重排九宫问题，在3 3x3x3的方格棋盘上放置分别标有的方格棋盘上放置分别标有数字数字1 1、2 2、3 3、4 4、5 5、6 6、7 7、8 8共共8 8个棋子，初始状个棋子，初始状态态为为S S0 0，目标状态目标状态为为S Sg g，如图如图1 1所示。可使用的算所示。可使用的算符有：符有： 空格左移，空格上移，空格右移，空格下移。空格左移，空格上移，空格右移，空格下移。即只允许把位于空格左、上、右、下的邻近棋子即只允许把位于空

24、格左、上、右、下的邻近棋子移入空格。要求寻找从初始状态到目标状态的路移入空格。要求寻找从初始状态到目标状态的路径。径。由图2可以看出，解的路径是： S0381626该路径使用的算符序列：空格上移，空格左移，空格下移，空格右移。 宽度优先搜索的盲目性较大，当目标节点距离初始节点较远时将会产生许多无用节点，因此搜索效率低，但是，只要问题有解，用宽度优先搜索总可以得到解，而且得到的是路径最短的路径。 （2 2）深度优先搜索法）深度优先搜索法 基本思想基本思想从初始状态初始状态S S0 0开始，利用算符，生成搜索树下一层的任开始，利用算符，生成搜索树下一层的任意一个节点，检查目标节点是否出现，若未出现

25、，以意一个节点，检查目标节点是否出现，若未出现，以此节点利用一个算符生成再下一层的任一节点，然后此节点利用一个算符生成再下一层的任一节点，然后再检查目标节点是否出现，若未出现，继续以上操作再检查目标节点是否出现，若未出现，继续以上操作过程，一直进行到叶节点（即不能再生成新的状态节过程，一直进行到叶节点（即不能再生成新的状态节点），当它仍不是目标节点时，回溯到上一层，取另点），当它仍不是目标节点时，回溯到上一层，取另一可能扩展搜索的分支。生成新的状态节点。仍不是一可能扩展搜索的分支。生成新的状态节点。仍不是目标，采用相同的回溯办法回退到上层节点，扩展可目标，采用相同的回溯办法回退到上层节点，扩展

26、可能的分支生成新状态节点。如此一直下去，直到目标能的分支生成新状态节点。如此一直下去，直到目标节点出现。节点出现。S1S2S3S11S12S21S22S31S111S121S122S221S311GS0（2 2）深度优先搜索法）深度优先搜索法 算法算法1 1）把初始节点）把初始节点S S0 0故入故入OPENOPEN表。表。2)2)如果如果OPENOPEN表为空，则问题无解，退出。表为空，则问题无解，退出。3)3)把把OPENOPEN表的第一个节点表的第一个节点( (记为节点记为节点n)n)取出放入取出放入CLOSEDCLOSED表。表。 4)4)考察节点考察节点n n是否为目标节点。若是，则

27、求得了问题的是否为目标节点。若是，则求得了问题的解，退出。解，退出。 5)5)若节点若节点n n不可扩展，则转第不可扩展，则转第2)2)步。步。 6)6)扩展展节点扩展展节点n n，将其全部子节点放入到将其全部子节点放入到OPENOPEN表的首部，表的首部，并为其配置指向父节点的指针，然后转第并为其配置指向父节点的指针，然后转第2)2)步。步。（2 2）深度优先搜索法）深度优先搜索法 例子例子2 2对图1所示的重排九宫问题进行深度优先搜索，可得到图3所示的搜索树这只是搜索树的一部分，尚未到达目标节点，仍需继续往下搜索。 （3）生成测试法1)生成一个可能的状态节点；2) 检查该状态节点是否是目标

28、节点。3）若是目标节点则结束，若不是，回到1)步。（4）爬山法1 1）开始状态作为一个可能状态。）开始状态作为一个可能状态。2 2）从一个可能状态，应用算符生成所有新的可能状态从一个可能状态，应用算符生成所有新的可能状态集。集。3 3）对该状态集中的每一状态，进行以下操作：）对该状态集中的每一状态，进行以下操作：对该状态进行测试，检索是否是目标状态，是则对该状态进行测试，检索是否是目标状态，是则结束，结束，计算该状态的好坏，或者比较各状态的好坏。计算该状态的好坏，或者比较各状态的好坏。4 4）取该状态集中的最好状态，作为下一个可能状态）取该状态集中的最好状态，作为下一个可能状态5 5）返回到第

29、）返回到第2)2)步。步。爬山法得不到目标状态的三种情况：1 1）局部极大点：它比周围邻居状态都好，但不是目标。）局部极大点：它比周围邻居状态都好，但不是目标。2 2）平顶：它与全部邻居状态都有同一值，构成一个平面。）平顶：它与全部邻居状态都有同一值，构成一个平面。3 3）山脊：它与线性邻居状态有相同值，比其他邻居状态要）山脊：它与线性邻居状态有相同值，比其他邻居状态要好。好。处理办法：1 1）退回到某一更早状态节点，沿另一方向进行爬山。）退回到某一更早状态节点，沿另一方向进行爬山。2 2）朝一个方向前进一大步，走出平顶区，按别的方向进行）朝一个方向前进一大步，走出平顶区，按别的方向进行爬山。

30、爬山。3 3）同时朝两个方向或多个方向前进）同时朝两个方向或多个方向前进3.3.启发式搜索启发式搜索v 启发式搜索要用到问题自身的某些特性信息，以指导搜索朝着最有希望的方向前进。v 用于估价节点重要性的函数称为估价函数。其一般形式为； f(x)g(x)h(x)。 其中g(x)为从初始节点S0到节点x已经实际付出的代价；h(x)是从节点x到目标节点Sg的最优路径的估计代价，它体现了问题的启发性信息，其形式要根据问题的特性确定。（1）对启发函数的分析当h(x)0，即f(x) g(x)，取f(x)最小，即g(x)取最小，在已扩展的节点中取最佳路径， g(x)保证得到最好的解，但对搜索速度没帮助。当g

31、(x)0，即f(x) h(x)，h（x）是从当前状态到目标状态的耗费，取它最小，将加快搜索速度，当不能保证得到最优解。 g(x)为搜索树的深度，h（x）0，则启发方法为广度优先搜索法； g(x)为搜索树的深度的负数，h（x）0，则启发方法为深度优先搜索法；（2）局部择优搜索局部择优搜索是对深度优先搜索方法的一种改进。其基本思想是：当一个节点被扩展以后，按f(x)对每一个子节点计算估价值，并选择最小者作为下一个要考察的节点。由于它每次都只是在子节点的范围内选择下一个要考察的节点，范围比较狭窄，所以称为局部择优搜索。局部择优搜索的搜索过程：1)初始节点S0放入OPEN表，计算f（S0）。2)如果O

32、PEN表为空，则问题无解，退出。3)把OPEN表的第一个节点(记为节点n)取出放入CLOSED表。4)考察节点n是否为目标节点。若是，则求得了问题的解，推出。5)若节点n不可扩展，则转第2)步。6)扩展节点n，用估价函数f(x)计算每个子节点的估价值，并按估价值从小到大的顺序依次放到OPEN表的首都，为每个子节点配置指向父节点的指针。然后转第2)步。 全局择优搜索的搜索过程：1)把初始节点S0放入OPEN表，计算f（S0）。 2)如果OPEN表为空，则搜索失败，退出。 3)把OPEN表中的第一个节点(节点n)从表中移出放入CLOSED表。 4)考察节点n是否为目标节点。若是，则求得了问题的解，

33、退出。 5)若节点n不可扩展，则转第2)步。 6)扩展节点n，用估价函数f(x)计算每个子节点的估价值，并为每个子节点配置指向父节点的指针，把这些子节点都送入OPEN表中，然后对0PEN表中的全部节点按估价值从小至大的顺序进行排序。然后转第2)步。 3.3.1 专家系统的原理一.什么是专家系统 是一种程序系统，具有智能性，能运用专家知识和经验进行推理的启发式程序系统； 专家系统的智能来源于领域专家的知识、经验及解决问题的诀窍； 专家系统所解决的问题一般是那些本来应该由领域专家才能解决的复杂问题。所以，专家系统具有以下的特点： （1）知识的汇集 （2）启发性推理 （3）推理和解释的透明性 （4）

34、知识更新二.专家系统的结构及相关部件专家专家知识获取知识获取知识表示知识表示用户用户人机接口人机接口知识库知识库推理机推理机咨询咨询建议建议全全局局数数据据库库1.知识获取与知识表示2. 知识库(Knowledge Base) 知识获取是指知识工程师如何从领域专家那里获得将要纳入知识库的知识，（见教材p198） 知识表示要解决的问题是如何使用计算机能够理解的形式来表示和存储知识的问题。以某种存储结构存储领域专家的知识，包括事实和可行的操作与规则等。 主要内容：领域专家在解决领域问题的过程中所使用的典型知识，这些领域问题有对象描述和关联、解决问题的操作、约束问题、启发性知识和不确定性问题等。 3

35、.推理机（教材（教材p181p181186186）（1）功能：根据一定的推理策略从知识库中选择有关根据一定的推理策略从知识库中选择有关知识，对用户提供的事实进行推理，直到得出相应的知识，对用户提供的事实进行推理，直到得出相应的结论为止。结论为止。（2）包含的内容：与领域问题无关的问题求解控制策略；与领域问题无关的问题求解控制策略；知识搜索技术、知识搜索技术、冲突解决技术。冲突解决技术。 3.推理机（教材（教材p181p181186186）（3）推理的控制策略：主要解决推理方向和冲突消解等问题。主要解决推理方向和冲突消解等问题。推理方向用来确定推理的控制方式，主要有推理方向用来确定推理的控制方式

36、，主要有正向推理、反向推理和混合推理三种方式。正向推理、反向推理和混合推理三种方式。冲突消解策略主要指当推理过程有多条知识冲突消解策略主要指当推理过程有多条知识可用时，如何从这多条可用规则知识中选出可用时，如何从这多条可用规则知识中选出一条最佳的用于推理。一条最佳的用于推理。 3.推理机（教材（教材p181p181186186）（4）推理机中的推理方式： 正向推理正向推理v 原理与算法：见教材p182。v 优点：比较直观，允许用户主动提供有用的事实信息，适合诊断、设计、预测、监控等领域的问题求解。v 缺点：推理无明确目标，求解过程可能导致许多与解无关的操作，导致推理的效率较低。 3.推理机（教

37、材（教材p181p181186186）（4）推理机中的推理方式： 反向推理反向推理v 原理与算法：见教材p183。v 优点：不需要寻找和使用那些与假设目标无关的信息和知识，推理过程目标明确，有利于向用户提供解释，在诊断性专家系统中较为有效。v 缺点：当用户对解的情况认识不清时，由系统选择假设目标的盲目性比较大，若选择不好，可能需要多次提出假设，影响推理效率。 3.推理机（教材（教材p181p181186186）（4）推理机中的推理方式： 混合推理混合推理v 将正向推理和反向推理结合。 3.推理机（教材（教材p181p181186186）（5）推理机中的冲突消解策略：基本思想是对可用知识进行排序

38、，常用的方法有基本思想是对可用知识进行排序，常用的方法有: :v 特殊知识优先v 新鲜知识优先v 差异性知识优先v 领域特点优先v 上下文关系优先v 前提条件少者优先4.人机接口（教材p299）5.全局数据库（教材p301）人机接口是系统与用户进行对话的界面。用户通过人人机接口是系统与用户进行对话的界面。用户通过人机接口输入必要的数据、提出问题和获得推理结果机接口输入必要的数据、提出问题和获得推理结果及系统作出的解释；系统通过人机接口要求用户回及系统作出的解释；系统通过人机接口要求用户回答系统的询问，回答用户的问题和解释。答系统的询问，回答用户的问题和解释。 全局数据库全局数据库( (Glob

39、al Database)Global Database)也称为总数据库，也称为总数据库，它用于存储求解问题的初始数据和推理过程中得它用于存储求解问题的初始数据和推理过程中得到的中间数据。到的中间数据。3.3.2 专家系统与决策支持系统的集成一.IDSS中DSS与ES的结合体现： 1.DSS与ES的总体结合 2.知识库与模型库的结合 3.数据库和动态数据库的结合数据库DSS控制系统模型库动态数据库推理机和解释器知识库问题综合与交互系统二.IDSS中DSS与ES的结合形式 1.DSS和ES并重的结构由集成系统完成对DSS和ES的控制和调度，根据实际问题的需要协调DSS和ES的运行，DSS和ES并重

40、。 （1）DSS与ES之外有综合系统，它具有调用和集成DSS和ES的能力； （2）将DSS的“问题综合与人机交互系统”的功能扩展，增加对ES的控制功能，主要是ES的动态数据库与DSS的数据库之间的数据交换。 2.以DSS为主体的IDSS结构 体现以定量分析为主，结合定性分析解决问题。该结构中集成系统和DSS控制系统合为一体，从DSS的角度看，简化了IDSS的结构。 ES相当于一类智能推理模型。数据库模型库DSS控制系统ES 3.以ES为主体的IDSS结构 体现以定性分析为主，结合定量分析解决问题。该结构中人机交互系统与ES的推理机为一体，从ES的角度看，简化了IDSS的结构。（1）DSS作为一

41、种推理机形式出现，受ES中推理机的控制。 这种结构中推理机是核心，对产生式知识的推理式搜索加匹配，对数学模型的推理是公式的推演，问题的求解体现为推理形式。DSS推理机（广义）动态数据库知识库（2）数学模型作为一种知识出现，即模型是一种过程型知识。推理机动态数据库知识库模型库3.4.1 神经网络的决策支持v 一.神经网络的基本原理1.神经元的数学模型 1943年，由麦克洛奇和皮兹提出，简称MP模型。细胞体 树突轴突I1Oi I1，I2， In为神经元的输入； W ij 为外面神经与该神经连接强度（即权）； 为阀值； f（x）为该神经元的作用函数； Oi为神经元的输出 Oif（W i jIji）

42、（i i1 1，2 2，n n）jv 一.神经网络的基本原理2.神经元的作用函数： （1）阶跃函数 （2）Sigmoid函数 （3）高斯型函数v二.神经网络的互连结构1.不含反馈的前向网络网络中的神经元分层排列，接受输入量的神经元节点组成输入层，产生输出量的神经元节点组成输出层，中间层亦称为隐层，可以有若干层隐层。每一层的神经元只接受前一层神经元的输入，输入向量经过各层的顺序变换后，由输出层得到输出向量。v二.神经网络的互连结构 2.从输出层到输入层有反馈的前向网络从输出层到输入层有反馈的前向网络简称为反馈神从输出层到输入层有反馈的前向网络简称为反馈神经网络。网络中的神经元也是分层排列，但是输

43、经网络。网络中的神经元也是分层排列，但是输入层神经元在学习过程中接受输出层神经元或部入层神经元在学习过程中接受输出层神经元或部分输出层神经元的反馈输入。分输出层神经元的反馈输入。v二.神经网络的互连结构 3.层内有相互结合的前向网络通过层内神经元之间的相互结合，可以实现同层神经元之通过层内神经元之间的相互结合，可以实现同层神经元之间横向的抑制或兴奋机制，从而可以限制一层内能同时间横向的抑制或兴奋机制，从而可以限制一层内能同时动作的神经元的个数，或者实现把一层内的神经元分为动作的神经元的个数，或者实现把一层内的神经元分为若干组，每一组作为一个整体来动作。若干组，每一组作为一个整体来动作。每一层的

44、神经元除接受前每一层的神经元除接受前一层神经元的输入之外，一层神经元的输入之外，也可接受同一层神经元也可接受同一层神经元的输入。的输入。v二.神经网络的互连结构 4.相互结合型网络这种网络中任意两个神经元之这种网络中任意两个神经元之间都可能有连接。在不含反间都可能有连接。在不含反馈的前向网络中，输入信号馈的前向网络中，输入信号一旦通过某个神经元就将输一旦通过某个神经元就将输出这个信号的变换值。出这个信号的变换值。但是，在相互结合型网络中，输入信号要在神经元之间反复但是，在相互结合型网络中，输入信号要在神经元之间反复往返传递，网络处于一种不断改变状态的动态之中。从某往返传递，网络处于一种不断改变

45、状态的动态之中。从某初态开始，经过若干次的状态变化，网络才会到达某种稳初态开始，经过若干次的状态变化，网络才会到达某种稳定状态，根据网络的结构和神经元的映射特性，网络还有定状态，根据网络的结构和神经元的映射特性，网络还有可能进入周期振荡或其他平衡状态，如混沌状态。可能进入周期振荡或其他平衡状态，如混沌状态。v三. 神经网络专家系统 1.神经网络的知识表示基于神经网络的知识表示方法有以下优点：1)能够表示事物的复杂关系，如模糊因果关系。2)具有统一的知识表示形式，便于知识的组织。知识表示形式的通用性强。3)便于实现知识的自动获取。4)便于网络的知识推理。v 三. 神经网络专家系统 2神经网络的知

46、识自动获取 神经网络是通过实例学习来实现知识自动获取的。 在进行知识获取时，要求领域专家提供学习实例及其相应的期望解，经过网络自适应学习算法不断修改网络的权值分布，一旦网络稳定后，就把领域专家求解该问题的知识和经验(通过提供的学习实例来表示)分布到网络的互连结构及权值分布上，从而得到推理所需要的知识库。v 三. 神经网络专家系统 3神经网络的知识推理与解释神经网络的知识推理有以下特点： 1)同一层神经元的计算是完全可并行的，层间的传播是逐层串行的。神经网络的知识推理机制很适合实现知识的并行推理。 2) 基于神经网络的专家系统的推理时间开销同基于规则的专家系统的推理时间的开销比较，前者要少得多。

47、3)基于神经网络的专家系统的解释器可以有一套输入模式解释规则和套输出模式解释规则，分别将用户输入的符号逻辑概念转换成网络的数值输入模式和把网络的数值输出模式转换成输出的符号逻辑概念提供给用户。 由于基于神经网络的专家系统的知识表示是隐式的、非局部的，因此，神经网络专家系统的解释器难以像基于规则的专家系统那样，通过记录推理过程使用的规则链，来向用户提供why询问和how询问的解释。v 三. 神经网络专家系统 4神经网络专家系统与一般ES的不同v 神经元知识库体现在神经元的连接强度（权值）上，它是分布式存贮的，适合并行处理。v 推理机是基于神经元的信息处理过程，以MP模型为基础，采用数值计算方法。v 神经元网络有成熟的学习算法，如Hebb规则。v 容错性很好，个别单元上的信息出错或丢失，所有单元的总体计算结果可能并不改变。v 三. 神经网络专家系统 5神经网络专家系统的结构知识工程师学习样本确定系统框架神经元学习形成学习样本知识库用户实际问题参数输入模型转换推理机制输出模型转换实际问题结果1）确定系统框架v 神经元个数v 神经元网络层次v 网络单元的连接2）学习样本 学习样本是实际问题中已输入与输出结果的实例、公认的原理、规则与事实；分为线性样本与非