專家系統作為為人們提供專業知識的工具，越來越受到用戶們的喜愛。然而傳統的專家系統只能在有限的定製式的規則中尋求答案，對於一個龐大的知識庫，或者複雜難解的數據結構，亦或者一個幾乎無規則可循的知識集合，傳統專家系統就顯得無能為力了。因此有人就提出使用人工神經網路開發專家系統的推理機機制，於是“人工神經網路專家系統”的概念也就應運而生。
基本介紹
- 中文名：神經網路專家系統
- 外文名：Neural network expert system
現狀及發展趨勢,基本原理,基本結構,
現狀及發展趨勢
專家系統是一種能在專家水平上工作的電腦程式系統，是人工智慧的一個最重要而活躍的分支，其使用彌補了人類專家不足等困難，並能利用、保存和推廣專家的知識和經驗，可以博採眾長，其工作不受環境和時間限制等許多優點。專家系統的研究和套用已迅速滲透到各個領域，並已發揮了巨大的作用。然而，專家系統的一個主要局限性是事實上人類專家並不總是用規則來思考、解決問題，專家系統沒有真正模仿人類專家的推理過程。此外，專家系統還存在知識獲取的瓶頸問題、學習能力較差、處理大型複雜問題較為困難等局限性。
近年來，人工神經網路的研究取得了很大進展已被廣泛地套用於圖象識別、語音識別、模式識別、信號處理、組合最佳化等方面，並且取得了良好的效果。神經網路通過訓練數據調整系統，以解決問題。對於那些因問題太複雜或沒有人類專家又沒有規則的問題，神經網路則得心應手。如果有了訓練數據，神經網路就會學習到足夠的信息，運行結果和專家系統一樣好或比其更好。神經網路的修改也比較容易，通過對一組新的訓練數據集合重新訓練，而不用修改程式或重新構造規則。神經網路的這種數據特性，允許當環境和場台改變時進行調整。神經網路的另一優點是網路訓練好後的運行速度，並且當使用神經晶片時速度會大大提高。但是由於規則是用數字權值表示的，故目前還不能解釋神經網路中的規則和推理過程。神經網路具有提供一些人類解決問題特徵的潛力，而這些特徵很難用專家系纜的邏輯分析技術和標準軟體技術模仿。例如，神經網路能在規則未知的情況下，分析大量數據以建立有關模式和特徵，並在很多情況下能利用不完全的或含有噪聲的數據。這些能力對於傳統的符號/邏輯方法是很困難的。
因此，把神經網路和專家系統結台起來建立混合系統，其功能要比單一的專家系統或神經網路系統更強有力，且其解決問題的方式更與人類智慧型相似，專家系統可代表智慧型的認知性，神經網路可代表智慧型的感知性。我們把神經網路和專家系統的混合系統簡稱為神經網路專家系統。
神經網路專家系統是一種新型智慧型系統，目前，神經網路專家系統在以下領域獲得了套用：
(1)醫療診斷，例如Gallant的連線專家系統和Satio的基於PDP模型的專家系統；
(2)工程設計，例如Foss的用於窗用玻璃設計的LAM系統；
(3)工業監控，例如Tsoukalas的核電站監控系統；
(4)機械製造，例如Chen的機械裝CAAPS系統；
(5)化學，例如Wilson的化學油罐PH值控制系統；
(6)圖像處理和模式識別；
(7)生物；
(8)實時控制。
基本原理
神經網路系統最主要的特徵是大規模模擬並行處理信息的分散式存貯、連續時間非線性動力學、全局集體作用、高度的容錯性和魯棒性、自組織自學習及實時處理。它可直接輸入範例，信息處理分布於大量神經元的互連之中，並且具有冗餘性，許許多多種經元的“微”活動構成了神經網路總體的“宏”效應，這些也正是它與傳統的AI的差別所在。
分布性是神經網路之所以能夠觸動專家系統中知識獲取這個瓶頸問題的關鍵所在。與傳統計算機局域式信息處理方式不同，神經網路是用大量神經元的互連及對各連線權值的分布來表示特定的概念或知識。在進行知識獲取時，它只要求專家提供範例(或實例)及相應的解，通過特定的學習算法對樣本進行學習，經過網路內部自適應算法不斷修改權值分布以達到要求，把專家求解實際問題的啟發式知識和經驗分布到網路的互連及權值分布上。對於特定輸入模式，神經網路通過前向計算，產生一輸出模式，其中各個輸出節點代表的邏輯概念同時被計算出來，特定解是通過比較輸出節點和本身信號而得到的，在這個過程中其餘的解同時被排陳，這就是神經網路並行推理的基本原理。在神經網路中，允許輸入偏離學習樣本，但只要輸入模式接近於某一學習樣本的輸入模式，則輸出亦接近學習樣本的輸出模式，這種性質使得神經網路專家系統具有聯想記憶的能力。以上就是神經網路專家系統的基本原理。
基本結構
神經網路專家系統的目標是利用神經網路的學習功能、大規模並行分散式處理功能、連續時間非線性動力學和全局集體作用實現知識獲取自動化；克服組合爆炸和“推理複雜性及“無窮遞歸等困難，實現並行聯想和自適應推理；提高專家系統的智慧型水平、實時處理能力及魯棒性。神經網路專家系統的基本結構如圖1所示，其中自動知識獲取模組用來研究如何獲取專家知識；推理機制提出使用知識去解決問題的方法；解釋模組用於說明專家系統是根據什麼推理思路作出決策的；I/O系統是用戶界面，它提出問題並獲得結果。
知識獲取包括提出所需神經網路的結構(包括網路層數、輸入、輸出及臆結點個數)；組織待訓練的學習樣本：使用神經網路學習算法，通過對樣本的學習，得到所需權值分布從而完成知識獲得。
知識庫由自動知識獲取得到，它是推理機制完成推理和問題求解的基礎。知識庫可以不斷創新，表現為在其基礎上對新樣本學習後，獲得表現更多知識與經驗的新的網路參數分布。
神經網路專家系統的推理機制與現有的專家系統所用的基於邏輯的演繹方法不同，它的推理機制為一數值計算過程，主要由以下三部分組成：（1）輸入邏輯概念到輸入模式的變換 根據論域的特點，確定變換規則，再根據相應規則，將目前的狀態變換成神經網路的輸入模式；(2)網路內的前向計算 根據神經元的特徵，其輸入為
，
為連線權系，
為神經元的輸出且有
。其中
為神經元的閾值，
為單調增非線性函式。通過上述計算即可產生神經網路的輸出模式；(3)輸出模式解釋 隨著論域的不同，輸出模式的解釋規則亦各異。解釋的主要目的是將輸出數值向量轉換成高層邏輯概念。
在神經網路專家系統中，不使用由清晰語言描述的分類邏輯標準．它只根據系統目前接收的樣本的相似性來確定分類標準且主要表現在網路的參數分布上。同時可以實現採用神經網路算法通過學習獲取知識的知識表達體系及不確定推理機制。
