神经网络在专家系统中的应用.pptxVIP

第1页/共16页神经网络在专家系统中的应用第2页/共16页11.3 神经网络在专家系统中的应用第1章知识点回顾： 人工智能研究途径的两种观点： 1、主张对人脑的结构及机理开展研究，并通过大规模集成简单信息处理单元来模拟人脑对信息的处理。代表：神经网络 2、主张通过运用计算机的符号处理能力来模拟人的逻辑思维，其核心是知识的符号表示和对符号表示的知识的处理。代表：专家系统第3页/共16页11.3.1 神经网络与专家系统的互补性一、传统专家系统中存在的问题 1、知识获取“瓶颈”问题 2、知识的“窄台阶”问题 3、系统复杂性与效率问题 4、不具有联想记忆功能二、神经网路中存在的问题 1、学习及问题求解具有“黑箱”特性，工作不具有解释性，无法知道如何得出结论 2、学习周期较长，收敛速度慢，缺乏有效的追加学习能力，对整个网络训练时浪费时间第4页/共16页三、神经网络与专家系统的集成（取长补短） 根据集成侧重点不同，分为三种模式： 1、神经网络支持专家系统：以传统专家系统技术为主，辅以神经网络的有关技术。 2、专家系统支持神经网络：以神经网络有关技术为主，建立相应领域的专家系统。（后续介绍） 3、神经网络与专家系统的对等模式：求解复杂问题时，将其分为若干个子问题，针对每个子问题特点分别用神经网络及传统专家系统进行解决。11.3.2 基于神经网络的知识表示 知识表示：对客观世界进行形式化描述。 神经网络：隐式；传统专家系统：显式第5页/共16页 一个用于医疗诊断的例子。设整个系统的简易诊断模型只有六种症状，两种疾病，三种冶疗方案。对网络的训练样例是选择一批合适的病人并从病历中采集如下信息： 症状：对每一症状只采集有、无及没有记录这三种信息。疾病：对每一疾病也只采集有、无及没有记录这三种信息。冶疗方案：对每一治疗方案只采集是否采用这两种信息。其中，对“有”．“无”、“没有记录”分别用1、 -1，0 表示。这样对每一个病人就可以构成训练样例。第6页/共16页 假设根据症状、疾病及冶疗方案间的因果关系，以及通过训练样例对网络的训练得到了如图所示的神经网络。其中：x1，x2，…，x6为症状x7,，x8为疾病名；x9,，x10，x11为治疗方案；xa，xb，xc是附加层此网络中：x1，x2，…，x6是输人层；x9，x10，x11是输出层；两者间以疾病名作为中间层。第7页/共16页对图有关问题说明如下：(1)这是一个带有正负权值的前向网络，由wij可构成相应的学习矩阵。在该矩阵中当i≥j时，wij=0；当ij且节点i与节点j之间不存在连接弧时，wij 也为0；其余为图中连接弧上所标出的数据，这个学习矩阵可用来表示相应的神经网络。(2) 神经元取值为+1，0，-1, 特性函数为一离散型的阈值函数，计算公式为：第8页/共16页 (3)图中连接弧上标出的wij值是根据一组训练样例，通过运用某种学习算法(如B-P算 法) 对网络进行训练得到的，这就是神经网络专家系统所进行的知识获取。 (4)由全体wij的值及各种症状、疾病、治疗方案名所构成的集合就形成了该疾病诊冶系统的知识库。第9页/共16页11.3.3 基于神经网络的推理 网络计算实现:把用户提供的初始证据用作网络的输入，通过网络计算最终得到输出结果。 例如诊治疾病的例子，若用户提供的证据x1=1(即病人有x1这个症状)，x2=x3=-1(即病人没有x2与x3这两个症状)，当把它们作为输入送入网络后，就可算出x7=1，这是由于： 0 + 2 × 1 +（-2）×（-1）+ 3 ×（-1）= 1 0 由此可知该病人患的疾病是x7。第10页/共16页正向网络推理步骤：(1) 把已知数据作为输入赋予网络输入层的各个节点。(2) 利用特性函数分别计算网络中各层的输出。计算中，前面一层的输出将作为后面一层有关节点的输入，逐层进行计算，直至计算出输出层的输出值。(3) 用阈值函数对输出层的输出进行判定，从而得到输出结果。第11页/共16页神经网络推理具有如下特征：（1）并行推理：同一层的处理单元(神经元)是完全并行的，但层间的信息传递是串行的。由于层中处理单元的数目要比网络的层数多得多，因此它是一种并行推理。（2）自适应推理：网络推理只与输入及网络自身的参数有关，而这些参数又是通过使用学习算法对网络进行训练得到的．因此它是一种自适应推理。（3）在网络推理中不会出现传统专家系统中推理的冲突问题。第12页/共16页11.4 神经网络在模式识别中的应用 应用举例：一、语音识别（BP算法） 语音识别系统的基本组成一般可以分为预处理模块、特征值提取模块及模式匹配三个模块。如图11.4.1所示为语音识别系统结构框图。 第13页/共16页样本语言预加重加窗分帧端点检测建立BP神经网络输入样本特征提取训练BP神经网络使用神经