_人工智能ArtificialIntelligence.ppt

* * * * * 　　成功地建立系统的关键在于尽可能早地着手建立系统，从一个比较小的系统开始，逐步扩充为一个具有相当规模和日臻完善的试验系统。　　建立系统的一般步骤如下　 知识库的设计是建立专家系统最重要和最艰巨的任务。初始知识库的设计包括 * * * 有人不重视对专家系统的评价，认为它只是表示发展系统的工作要继续进行，而发展系统的工作反正是要作的。此外，他们还认为评价一个系统最好的方法是建立一个专家系统，把系统交给乐于使用者，并征求使用者的意见和对他们的反映作出回答。但是，这种看法忽略了一个重要的事实：无论是否意识到，从建立专家系统开始，系统的设计者始终都在对系统进行评价。设计和建立一个专家系统是一个通过考虑下述问题，对系统不断地进行评价的过程： * * * 1．认识阶段。知识工程师通过与领域专家的合作，对领域问题进行需求分析。包括认识系统需要处理的问题范围、类型和各种重要特征、预期的效益等，并确定领域专家的知识类型的结构，以及系统开发所需的各种资源，如软件、硬件、人员、经费和时间等。 2．概念化阶段。把问题求解所需要的各种专门知识概念化，确定概念之间的关系，并对任务进行划分，确定求解问题的控制流程和约束条件。 3．形式化阶段。把已经整理出来的概念、概念间的关系以及领域专门知识用适合于计算机表示和处理的形式化方法描述出来，并选择合适的系统构造技术，确定数据结构、推理规则以及控制策略，建立问题求解模型。 4．实现阶段。把建立的形式模型映射到具体的计算机软硬件环境中，选取适用的语言或工具建立可执行的原型系统。 5．测试阶段。通过运行大量的实例，检测原型系统的正确性以及性能等各种系统目标是否达到。通过原型系统测试，对反馈信息进行分析，进而进行必要的修改，包括重新认识问题特征，建立新的概念或修改概念之间伪联系，完善知识的表示与组织形式，丰富知识库的内容，改进推理方法等。 专家系统的这一开发过程，类似传统软件开发的瀑布模型，如图所示。各阶段步步为营，逐级深化，且都结束于验证动作。 * 由于领域专家的专门知识大多是长期积累的经验知识，缺乏严谨的理论依据，没有很好的组织结构，因此不可能在短时间内获得全部专家知识，并整理好放到专家系统的知识库中。也就是说，专家系统的开发与传统软件系统的开发有很大的不同：需求分析是一个渐近的目标，决定专家系统性能的专门知识是逐渐增加、不断完善的，这就需要进行增量式开发，即通过基本功能逐步扩大来完善系统。专家系统结构上把需要经常修改和完善的知识库从相对稳定的推理机中分离出来，适应了这种增量式开发方法。增量式开发可以保证对基本功能的有效验证，有利于在整个开发过程中 得到一系列功能日趋完善的原型系统。 快速原型法特别适合专家系统的开发。许多专家系统都开始于一个演示原型，然后经过不断地扩充和完善，最终达到实用阶段。 * 1．演示原型。大多数专家系统都开始于一个演示原型，它是仅仅解决少量问题的一个演示程序。演示原型起两方面的作用：第一是确信人工智能和专家系统技术能有效地用于所要解决的问题；二是测定问题的定义和范围以及领域知识的表示是否正确。一个典型的基于规则的大型专家系统，其演示原型一般仅有50—100条规则，能充分地执行1—2个测试实例。 2．研究原型。能运行多个测试实例的中等规模的程序，这些测试实例能显示应用领域的主要待点。大型专家系统的研究原型一般具有200—500条规则。 · 3．领域原型。通过改进研究原型而获得的一个中等或大规模的程序。该系统运行可靠，并具有比较流畅的友善的用户接口，已基本满足终端用户的需要。该原型一般具有500—1000条规则，能很好地执行许多测试实例。 ． 4．产品原型。，它通常是一个大程序，已经过广泛的领域问题的测试，并往往用一种效率更高的语言或工具来实现，以增加速度和减少存储空间·。大型专家‘系统的产品原型一般具有500—1500条规则，求解问题准确快速。 最后需要强调的一点是：应尽早地建立专家系统的演示原型，这便是专家系统开发中的快速原型法思想。虽然演示原型比较简单，只能解决少量问题，且不具备许多辅助功能，但通过它的运行可．以实际验证系统方案的可行性，确定人工智能和专家系统技术的有效性和应用问题的定义范围，从而在系统设计的最初阶段就能避免大的原则性错误。而且，让领域专家尽早看到系统的实际运行，可以提高他对系统开发工作的兴趣。概念的抽取和知识的整理对领域专家来说既繁琐又枯燥，通过演示原型的运行，可让领域专家看到他工作的现实成果，提高工作的兴趣和信心。 * 螺旋线的每一圈向系统增加一些基本功能；一圈共分5个阶段，其终点构成一个原型系统，它是这一圈工作的成果，也是下一圈开发的起点，直至商品化