Краткая история и технический обзор экспертной системы исследование

Авторы: Haocheng Tan

Перевел: Свиридов Д.В.
Источник: ссылка на источник

Краткая история и технический обзор экспертной системы исследование

Аннотация. Экспертная система - это компьютерная система, которая имитирует способность принятия решений человеческий эксперт, который стремится решать сложные проблемы, опираясь на знания. Это важная отрасль искусственного интеллекта. В этой статье, во-первых, мы кратко представляем разработка и базовая структура экспертной системы. Затем с точки зрения технологии, мы классифицируем существующие экспертные системы и разрабатываем четыре экспертные системы: Правило Экспертная система на основе, Экспертная система на основе фреймов, Эксперт на основе нечеткой логики Система и экспертная система на основе нейронной сети.

1. Введение

Экспертная система - это компьютерная система, которая имитирует способность человека принимать решения, которая направлена на решение сложных проблем путем аргументации знаний. В 1959 году Ньюэлл, Шоу и Саймон разработал общий решатель проблем (GPS) [1], который представляет собой краткую информацию о мышлении людей решить проблемы. Они обнаружили, что когда люди решают проблемы, мыслительная деятельность включает три шаги: 1. разработка примерного плана; 2. по памяти аксиомы, теоремы и решения проблем план, решение проблемы в соответствии с планом; 3. в реализации решения проблем процесс, постоянно анализируя метод и цель, и пересматривая план.

В 1965 году, в соответствии с требованиями Национального управления по аэронавтике и исследованию космического пространства, Стэнфордский университет успешно разработал систему DENDRAL [2]. По предварительно введенному эмпирическому правилу, Система DENDRAL может автоматически генерировать молекулярные структуры, которые могут интерпретировать спектральные данные. Программа является первой успешной программой, которая использует знание самой проблемы, а не сложные поисковые технологии. DENDRAL направляет исследователей искусственного интеллекта к пониманию того, что интеллектуальное поведение основывается не только на методах помех, но и на знаниях, используемых в их вмешательство. Исследователи начинают строить программу, которая использует правила кода для представления знания для решения проблемы ввода.

С тех пор MIT разработал систему MACSYMA [3] в качестве помощника математика, который использует эвристику для преобразования алгебраических выражений. После непрерывного расширения, он может решить более 600 видов математических задач, в том числе исчисление, матричная операция, решение уравнения и т. Д. Успешное развитие этих систем делает экспертную систему широко заинтересованной в научных кругах и машиностроение. Многие исследователи в процессе разработки экспертных систем поняли, что знания представление, использование знаний и приобретение знаний являются тремя основными проблемами искусственного интеллектуальные системы.

В конце 1980-х годов рамочная экспертная система начала проникать в кругозор людей. Из-за его более высокая способность представлять описательную и поведенческую информацию об объекте, Framework-Based Expert Система может справиться с более сложными проблемами, чем экспертная система на основе правил. В то же время при изучении экспертной системы возникли трудности, выявив недостатки искусственного интеллекта. системы, такие как узкие области применения, трудности приобретения знаний, механизм рассуждения и скоро. Исследователи должны избавиться от дилеммы, исследуя основную точку зрения и использование новые методы и теории.

С ростом нейронной сети и статистического обучения, машинное обучение стало новым исследовательская точка в искусственном интеллекте. Естественно, люди думали, что если машинное обучение технология, примененная к экспертной системе, обоснование эффективности экспертной системы будет повышен. Нечеткая логика, как еще одна новая область, была так же применима к экспертной системе. Теперь все Виды разных экспертных систем расцветают, исследования экспертных систем вступили в новый период процветания. Сегодня спрос на экспертные системы еще более возрос, и люди стремятся использовать экспертные системы для решать более сложные проблемы.

1.1 Базовая структура экспертной системы

Базовая структура экспертной системы состоит из следующих частей: база знаний, рабочая память, логическая машина, интерпретатор и интерфейс взаимодействия человека с компьютером. База знаний используется для хранения экспертной системы экспертизы, включая факты и правила. В процессе наращивания знаний база, база знаний должна быть в состоянии приобрести новые знания, выражения и хранения знаний таким образом, что компьютер может выполнить. Рабочая память отвечает за хранение ввода факт. Машина рассуждения сопоставляет факты в рабочей памяти со знаниями и получает новые Информация. Промежуточная информация, полученная во время обработки, также должна храниться в хранилище Блок. Интерпретатор отвечает за интерпретацию результатов вывода механизма вывода, включая объясняя правильность и причину заключения.

2. Классификация экспертной системы

Согласно принципу работы экспертная система может быть разбита на четыре класса: основанные на правилах Экспертная система, рамочная экспертная система, экспертная система Fuzzy Logic и эксперт Система на основе нейронной сети. В этом разделе кратко будет представлена структура модели этих четырех экспертные системы.

2.1 Экспертная система на основе правил

Экспертная система, основанная на правилах, является самым ранним типом экспертных систем и наиболее распространенным способом исследователи для построения экспертной системы. Экспертная система, которая дополняется правилами производства, была интегрированы в различные области исследований, чтобы помочь исследователям решить все виды проблем с предварительным вводом знания. Структура экспертной системы обычно состоит из трех частей, включая правило производства, база данных и стратегия управления. Производственное правило - это структура оператора «условный + результат». За Например, условие: «если вид является динозавром», результат: «тогда вид является рептилией». Если условие в выписке выполнено, результат правила может быть выполнен. База данных отвечает за хранение условий и результатов в операторе производственного правила. Когда производственное правило выполняется, соответствующее условие вызывается из базы данных и результат правила помещается в базу данных как условие для других правил. Роль стратегии контроля состоит в том, чтобы объяснить, как применять правила, то есть в процессе решения проблема в выборе соответствующих правил. Процесс от выбора правил до выполнения операций как правило, в случае, когда задача содержит несколько условий, поиск условий соответствия из базы данных, и нахождение правил для соответствующих условий. Когда более одного условия Для этого нужно отсортировать стратегию, чтобы решить, какое правило использовать первым. После того, как правило выбрано, Операция (результат) раздела правила выполняется. Операция управления стратегией обычно выполняется в модуле («двигатель логического вывода»). Процесс вывода механизма вывода может быть делится на вперед и назад.

Экспертная система на основе правил имеет много преимуществ. Использование оператора «условие - результат» для Экспресс-знание правил очень естественно для человека. В то же время в экспертной системе, основанной на правилах, знания и рассуждения хранятся и обрабатываются отдельно, в соответствии с повседневными привычками людей. Однако некоторые недостатки также препятствовали дальнейшему развитию такой экспертной системы. Например, когда правило соответствует условию, выражение оператора должно быть написано строго в соответствии с заявлением в базе данных, даже если относительные тонкие различия отклоняются из-за соответствие требованиям к точности. Кроме того, скорость экспертной системы на основе правил не является доминирующей по сравнению с другими типами экспертных систем, так как весь набор правил в базе данных необходимо сканировать когда правило используется.

2.2 Базовая экспертная система

В 1975 году Минский предложил структуру данных, которая кодирует информацию, связанную с концепцией, и называет эти данные структура как «рамка» [4]. Фреймворк содержит название концепции, слот метки основного атрибут / особенность, и возможные значения каждого атрибута, или процесс захвата процедурного информация о концепции. Когда встречается конкретный экземпляр концепции, соответствующий Собственное значение экземпляра вводится в каркас, который называется экземпляром. Каркас можно использовать для рассуждений. Структура содержит многоаспектную информацию о Понятие, которое можно использовать, даже если сама информация не соблюдается. Например, мы или нет можно увидеть корни, потому что «дерево» содержит «корень» метки, поэтому мы можем думать, что дерево имеет корень. При поиске структуры для описания текущего экземпляра она часто не соответствует ситуации. Конкретные примеры будут соответствовать некоторым фрагментам кадров, которые использовались для сопоставления кадров-кандидатов. Каркас обычно используется, когда можно сопоставить большую часть структуры кадра, поскольку каждый кадр содержит информацию, которая может позволить несоответствия атрибутов (функций) для повышения отказоустойчивости рамка. Кроме того, мы также можем сохранить рамки процесса поиска, чтобы оптимизировать направление теста, пока мы не найдем наиболее подходящие рамки. Основанная на платформе экспертная система использует структуру в базе данных для обработки конкретных вопросы ввода и вывода новой информации через механизм вывода. Рамка представляет собой Понятие «класс», а фреймворк может быть «подклассом» другого фреймворка, такого как «человек» рамки - это подмножество «человеческих» рамок. Некоторые отношения подкласса и класса являются семантическими типы, такие как «Я есть», «Нью-Йорк», «Нью-Джерси», «Лос-Анджелес». Каркас подкласса наследует все свойства своего каркаса родительского класса, устраняя необходимость повторно ввести свойства процесса. Однако стоит обратить внимание на некоторые особые обстоятельства: некоторые подклассы и их отцовский класс могут находиться в общих свойствах различий. Когда кадр принадлежит для нескольких кадров одновременно, он также наследует свойства всех этих кадров.

2.3 Экспертная система нечеткой логики

В 1965 году американский математик Л. Заде впервые предложил концепцию нечеткого множества, отмечающую рождение нечеткая математика. Нечеткость относится к неразборчивой природе объективных вещей или атрибутов, и между ними существует ряд переходных состояний без явной разделительной линии. Нечеткая теория позволяет людям использовать математические инструменты, чтобы справиться с неточным явлением в реальном мире. В экспертной системе на основе нечеткой логики нечеткая логика является основой экспертной системы. Этот метод рассуждений использует нечеткое правило в качестве предварительного условия и использует правило нечеткого языка для вывода примерное нечеткое суждение. Нечеткие правила языка включают обобщенный модус Поненс (GMP) и Обобщенный Модус Толленс (GMT). Правило GMP может быть выражено как: Предварительное условие 1: x - это A '. Условие 2: если х есть А, то у есть Б. Вывод: у есть В '. Правило GMT может быть выражено как: посылка 1: у есть B, посылка 2: если х это A, то у является B, Заключение: х является A '. A, A ', B и B' в приведенной выше формуле являются нечеткими множествами, а x и y являются лингвистическими переменные. Нечеткая функция A > B рассматривается как утверждение «если - тогда», образуя нечеткие рассуждения править. Результатом нечетких рассуждений является нечеткое множество, но на практике требуется определенное выходное значение. нечеткое решение - это процесс получения единственного значения, представляющего нечеткое множество. Самый простой метод - это метод максимального членства, который принимает максимальное значение членства во всех нечетких множествах. в качестве вывода. Преимущество экспертной системы Fuzzy Logic на основе того, что она может выразить высокое мастерство эксперта навыки и обладает достаточной устойчивостью, а также может проводить эвристические и предварительные рассуждения. Тем не менее, это Такая экспертная система испытывает трудности с получением знаний, и ее аргументация зависит от нечеткости База знаний, способность к обучению не является сильным, склонны к ошибкам.

Модель нейронной сети принципиально отличается от логической системы, описанной выше. в нейронная сеть, знания больше не превращаются в явные правила при ручной обработке, но автоматически усваивается алгоритмом обучения и вырабатывает собственные неявные правила. По сравнению с традиционная экспертная система, нейронная сеть имеет более мощную функцию: она более эффективна, чем традиционная серийная операция; имеет определенную степень отказоустойчивости; вес нейронной сети подключение может быть изменено и т. д. Нейронная сеть получает знания автоматически через обучающие примеры. Эксперты предоставляют примеры и ожидания решения, алгоритм обучения нейронной сети постоянно модифицирует распределение веса сети, достижение стабильного выхода после тренировки. Поскольку вход и выход нейронной сети являются числовыми, необходимо кодировать экземпляр при использовании нейронной сети приобрести знания. Экспертная система на основе нейронной сети также имеет присущие ей недостатки: производительность системы ограничено набором обучающей выборки. В случае неправильного выбора набора образцов или слишком малого количества образцов, способность логического мышления нейронной сети очень плохая. Кроме того, нейронная сеть не может объяснить свой собственный процесс рассуждения и значение хранения знаний, потому что его модель основанный на человеческой поверхностной нервной деятельности. В настоящее время наиболее часто используемая модель нейронной сети включает модель BP, ART, CMAC, SOM и так далее. Различные модели могут быть применены к конкретным требованиям экспертной системы.

3. Выводы

После десятилетий усилий люди постепенно разработали множество экспертных систем, основанных на принципы. От экспертной системы, основанной на правилах, до экспертной системы, основанной на нейронной сети, каждый Генерация экспертных систем имеет свои преимущества. Исходя из правил, рамки эксперта система, хотя и с учетом своих собственных технических ограничений, но из-за их относительно легкого кодирования, два типа экспертных систем по-прежнему полезны для решения относительно простых задач. Пушистик Логическая экспертная система может отражать нечеткое явление в реальности, имитируя процесс человека неточные рассуждения о завершении своей работы, играющие очень важную роль во многих областях. Экспертная система На основе нейронной сети использует нейронную сеть для дальнейшего улучшения своих возможностей и расширения сферы действия до приобретать знания и использовать крупномасштабную параллельную обработку для улучшения способности рассуждать системы. из Конечно, как сделать нейронную сеть, чтобы объяснить процесс собственных рассуждений по-прежнему является одним из трудности, но это не влияет на таких специалистов в этой области, чтобы показать свои таланты. В будущем, с Дальнейшее развитие технологии нейронной сети, мы можем ожидать более мощную экспертную систему на основе по этой технологии. В то же время мы также с нетерпением ожидаем появления новых технологий в экспертная система.

References

[1] Newell, A., Shaw, J. C., & Simon, H. A. (1959, January). Report on a general problem solving program. In IFIP congress (Vol. 256, p. 64).
[2] J. Lederberg, (1965).
[3] Petrick, S. R. (1971). Proceedings of the Second Symposium on Symbolic and Algebraic Manipulation (pp. 23-25). March.
[4] Minksy, M. (1975). A framework for representing knowledge. The psychology of computer vision, 73, 211-277.