融合多种智能技术的智能系统

第十六章融合多种智能技术的智能系统

第一节概述

当前在智能系统中应用的人工智能技术主要有专家系统(ES),人工神经网络(NN),遗传算法(GA),模糊系统(FZ),它们各有其长处及局限性,现简要归纳如下:

(1) ES

ES是以专家知识为基础,模仿人类专家推理过程的逻辑推理系统,其优点包括: 可以清晰可读的类自然语言方式表达无法用数学模型表达的专家知识,便于理解及知识库维护;能在特定领域内模仿专家工作,处理非常复杂的情况,包括异常情况;在已知其基本规则的情况下,无需输入大量细节数据,即可运行;能对系统的结论做出解释。其不足之处有: 知识获取费时费力,成为瓶颈问题;规则提取,知识库建立需要领域专家与知识工程师的密切合作,但有时很难找到合适的,能够清楚表达领域知识的专家;推理不能适应变化的环境; 由于产生式的串行结构,随着知识库规模的加大,推理效率可能急剧下降,在单机上很难提高运行速度,当规则量很大时,进行并行处理也很困难;开发周期长,一般需要八至十二个月。

(2) NN

NN是模拟人脑组织结构和人类认知过程的信息处理系统,主要优点有:信息以分布方式存储于整个网络中,即使网络局部受损,也不会对整个网络造成很大影响, 还可根据不完整或模糊的信息联想出完整的信息,导出正确的输出;具有自适应、自组织、自学习能力; 可通过训练样本, 根据周围环境来不断改变自己的网络,并根据变化的信息,调整自身的结构; 具有并行处理特征,在完成训练样本后,运行速度很快; 能从训练样本中自动获取知识。NN的主要局限有: 难以表达结构化知识;需要大量实例进行训练,且训练时间可能很长, 可能陷入局部最小;难以处理事先未训练的异常情况;系统以"黑箱"方式运行,解释系统的结论比较困难。

(3) GA

GA是基于自然选择和遗传机制,在计算机上模拟生物进化机制的寻优搜索算法。它能在复杂而庞大的搜索空间中自适应地搜索,寻找出最优或准最解优,且算法简单,适用,鲁棒性强, 适于并行处理,已广泛用于组合优化问题求解,自适应控制,自动程序生成,机器学习, 人工生命等领域。遗传算法目前的主要局限是其理论尚不够成熟,需进一步研究探索,计算量大, 对大规模复杂工程问题的求解还有一定困难。

(4) FZ

FZ是以模糊的人类语言变量为基础, 模仿人类的模糊思维方式和认知过程进行推理的近似推理系统,已广泛应用于各种智能系统,特别是智能控制系统中。FZ的基本特点有: 能以包含模糊性的人类自然语言或数学表达式表达知识,易于知识获取,表达,理解和维护;系统设计以获取的专家模糊知识为基础,无需知道系统的数学模型;系统建造容易,成本低,在实时性要求不高的情况下,可在微机环境通过模糊控制软件实现。FZ系统的主要不足在于:到目前为止, 还没有系统化的方法来确定隶属度函数及规则库, 系统参数的确定往往要通过手工或试凑方法进行,这给大型,复杂系统的设计带来很大困难; 通常的模糊推理在隶属度函数固定的情况进行,很难适应时刻变化着的推理环境。

综上所述,为了构造性能较好的应用智能系统,需要综合应用(集成)ES,NN,GA,FZ 这几种技术。集成的基本思路是:根据被求解问题的需要把系统分为若干个模块,每个模块, 分别用专家系统,神经网络,模糊系统,遗传算法技术实现,再以某种方式集成来形成主体系统结构, 也可采用串接、嵌入或变换模块的方法来取长补短,构造功能完善的应用系统。

第二节ES与NN的结合

一．ES与NN的结合概述

专家系统是以逻辑推理为基础模拟人类思维的符号主义人工智能方法。设计一个专家系统要经历知识获取,知识表示,推理机设计,知识库维护等阶段, 需要较长的时间。人工神经网络是以连接结构为基础, 通过模拟人类大脑结构来模拟人类形象思维的一种非逻辑非语言的人工智能途径。它能够从捕获的大量事件中,迅速做出所容许的精确响应。专家系统和人工神经网络代表了两种相互补充的方法。把二者结合起来可以更好地发挥各自的特长, 以解决单独使用专家系统或人工神经网络所无法解决的问题。Sherald 认为,专家系统和人工神经网络的协同作用类似于人的左脑和右脑的协同作用。专家系统(左脑) 的优势在于利用可用文字清楚表达的规则, 导出符合逻辑的正确输出, 并对系统的推理过程作出解释。人工神经网络(右脑)的优势在于模式识别,问题诊断,学习,决策等方面。人工神经网络在决策方面优于专家系统, 就像人的右脑利用判断和直觉来作决定一样, 它依据的是经验, 而不是一组规则。在缺乏清楚表达的规则或精确的数据时,利用人工神经网络可产生合理的输出结果。

专家系统和人工神经网络结合使用可以互相取长补短, 构造功能更强的实用化人工智能应用系统。这可体现在以下方面:

1.专家系统可用来训练人工神经网络。神经网络的训练需要大量训练实例(输入/期望输出对); 花费相当长的时间,特别是在微机上以反向传播算法训练时, 所耗费时间往往达几十个小时; 在训练期间,需要操作人员实时监控训练过程,选择各种参数。为了解决这个困难, 可利用专家系统帮助神经网络进行训练, 辅助操作人员选择网络结构、结点数目、隐层结点数; 调节改变参数的策略等。这样, 可以使神经网络训练期间人的干预减到最小, 基本上不需人的实时监控。Ichael Lee Steib 1991 发表的“引导多层感知机反向传播训练的专家系统”一文, 系统地论述用专家系统帮助神经网络训练的有关问题, 并介绍了他研制的一个软件系统Neural Study。该系统有三个程序,分别可在并行计算机、连接机及微机上运行, 用来辅助基于多层感知机的神经网络的训练。Stan C. Kwasny 也把专家系统用于自然语言分析神经网络的训练。

2.人工神经网络用作专家系统的前端处理机。利用人工神经网络对传感器的输出数据进行预处理, 使其表示为更适合专家系统有效利用的形式。M. E. Ulug1989年提出了组合人工智能与神经网络技术的混合型专家系统, 并用于原子反应设备的故障诊断中。该系统的主体是一个基于规则的专家系统,并建造了一个小型神经网络, 对反映系统状态的曲线进行识别分类。神经网络的分类结果送给专家系统作进一步的处理和决策。由于充分发挥了专家系统和神经网络各自的长处, 获得了较理想的性能。该系统在VAX11/785 计算机上运行, 反应速度为毫秒级。

3.专家系统作为多个神经网络的控制器,控制信息在神经网络间的流动。例如,这种专家系统能解释系统如何工作, 并引导出有助于决策的输入, 把有关数据传送到相应的神经元网络作进一步的决策处理。M. L. Smith开发的汽车紧急刹车平衡系统中, 包含两个专家系统和五个神经网络。第一个专家系统负责人机对话, 接收用户输入的信息, 并将来自刹车平衡分析器的数据同时加到五个神经网络, 进行识别和分类。神经网络的输出再送到第二个专家系统进行分析,诊断,并做出相应决策。

4.专家系统用作神经网络的推理解释器。神经网络的推理过程实际上是数值计算,很难对其结果用推理过程进行解释。解决这个问题的一个方法就是利用一个专家系统, 来分析