专家系统

发展阶段

初创期

20世纪60-70
特点：

• 高度的专业化
• 专门问题求解能力强
• 结构、功能不完整
• 移植性差

• 缺乏解释功能

  成熟期

  20世纪70-80
  特点：

• 但学科专业型专家系统系统结构完整，功能较全面，移植性好

• 具有推理解释功能，透明性好
• 采用启发式推理、不精确推理
• 用产生式规则、框架、语义网络表达知识

• 用限定性英语进行人-机交互

  发展期

  20世纪80-现在
  问题：主要原因在于专家系统数据匮乏而昂贵，知识获取成了问题
  研制专家系统目的：不是研制AI专家代替人类，而是研制人类专家的AI助手。

  概念

  定义

  专家系统是一种智能的计算机程序，它运用知识和推理来解决只有专家才能解决的复杂问题。
  专家系统：一类包含知识和推理的智能计算机程序。

  特点

• 具有专家水平的专业知识：专家系统最大特点。知识按在问题求解中的作用分为三个层级：数据级、知识库级、控制级。

• 能进行有效的推理
• 启发性：
• 灵活性：知识库和推理机即相互联系又相互独立。相互联系使得推理机利用知识库中的知识进行推理实现问题的求解；相互独立指，当知识库中的知识发生改变时，只要推理方式不变，推理机部分就可以不变。
• 透明性：可解释性较好
• 交互性

  与传统程序比较

  | | 传统程序 | 专家系统 | | —- | —- | —- | | 编程思想 | 数据结构+算法 | 知识+推理 | | 知识与推理 | 关于问题求解的知识隐含与程序中 | 知识与推理机分离 | | 处理对象 | 数值计算和数据处理 | 符号处理 | | 解释性 | 一般不具有 | 具有解释性 | | 正确答案 | 产生正确答案 | 有时产生错误答案 | | 体系结构不同 | | |

工作原理

核心：知识库和推理机
完整的专家系统一般包括：人机接口、推理机、知识库、数据库、知识获取机构、解释机构

附产生式系统结果图参考

推理机

包括推理方法和控制策略。
推理方法：

• 确定性
• 不确定性

推理：

• 正向推理
• 反向推理
• 正反向混合推理

  综合数据库（数据库）

  又称为动态数据库或黑板，用于存放初始知识、问题描述及专家系统运行过程中得到的中间结果、最终结果等信息。等同于产生式系统中的综合数据库。
  综合数据库中还必须有对应的数据库管理系统。

知识获取的主要过程与模式

知识获取过程

基本任务：为专家系统获取知识，建立起健全、完善、有效的知识库，已满足求解领域问题的需要。

抽取知识

将蕴含于知识源中的知识经识别、理解、筛选、归纳等抽取出来

知识转换

知识由一种形式变换为另一种形式

知识输入

将知识经过编辑、编译送入知识库的过程

• 利用计算机系统的编译软件

• 利用专门的知识编辑器

  知识检测

  知识库的建立时通过知识获取、知识转换、输入等环节实现的，这一过程任何环节上的失误都会造成知识的错误，直接影响专家系统的性能。

  知识获取的模式

  非自动知识获取（人工移植）

  

  自动知识获取

  

  半自动知识获取

  介于两者之间

  机器学习

  基本概念

  机器学习：使计算机能模拟人的学习行为，自动通过学习来获取知识和技能，不断改善性能，实现自我完善。
  主要演技一下三方面问题：

• 学习机理：研究人类获取知识、技能和抽象概念的天赋能力。

• 学习方式：研究人类的学习过程，探索各种可能的学习方法，建立起独立于
• 学习系统：由环境、学习、知识库、执行与评价

分类

按学习能力

有监督学习、无监督学习、弱监督学习（半监督学习、迁移学习：样本迁移、特征迁移、模型迁移）

按学习方法

机械式学习、指导式学习、示例学习、类比学习、解释学习

推理方法

基于演绎的学习（解释学习）
基于归纳的学习（示例学习、发现学习）

按综合属性分类

归纳学习、分析学习、连接学习、遗传式学习