第八章 基于模型的专家系统

• 因果顺序理论获取Ta2中的因果关系，其中 顺序意义表示数学从属性。但这个理论不会 获取Ta1中的因果关系。
⑤原始数据议程
系统可处理的时间标度集合指定推理关系 的原始推理议程。假设TS为这样的集合， Ec为当前实施的时间集合。当前时间标 度Tc以及相邻的时间标度T1和T2的一 般推理议程定义如下：
③因果时间标度 在表8.1中定义的13种因果时间标度可分为四 类，每一类具有特定建模原理的建模技术。 a)直接建模 描述使用数学微分方程的模型，这个模型直接 表示时间上的动态行为。 时间标度Ta3的预备条件就是完全满足的参数 集合，集合中每个参数具有满足所有田间约 束的值。 时间标度Ta2的预备条件为本质上同时满足方 程的集合。
• 所谓的Agent，在信息技术尤其是人工智能和计算机 领域，可以看作是能够通过传感器感知其环境，并 借助于执行器作用于该环境的任何事物。例如对于 人Agent，其传感器为眼睛耳朵和其他感官，其执行 器为手、腿、嘴和身体的其他部分。对于软件Agent， 则同过编码位的字符串进行感知和作用。 • 分布式人工智能的研究，其研究目标是要建立一个 由多个子系统构成的协作系统，各子系统间协同工 作对特定问题进行求解．分布式人工智能系统中的 分布性不仅指知识的垂直和水平划分，还包括知识 的复制和传播。对知识的划分和组织的原因在于有 限合理性原则，即任何主体单个地处理能力是有限 的，不可能同时处理问题的所有因素，因此对问题 进行分解和划分是开发问题求解体系结构中较快捷 的方法。
（4）实体论工程
在专家系统的领域，研究者都期望实体论 的概念在实现知识共享和重用方面起到 重要的作用。 实体论 哲学领域含义为存在论。在人工 智能领域，其定义为 概念化的清楚规范。 对知识库来说，实体论定义为用来创建 人工系统的原始词表/概念的理论/系统。 对于不同层次，实体论可以用于以下几个 主要方面：
第八章 基于模型的 专家系统
内容概要
（1）基于模型专家系统的提出 什么是基于模型的专家系统 实体论工程 （2）基于神经网络的专家系统 一般专家系统存在的问题及神经网络的优势 基于神经网络的专家系统的结构 （3）基于模型专家系统的设计 因果时间实体论 推理系统的设计 可变系统的实体论
• 也即T1表示比T2更快的事件。这种关系是 传递的。其关系如图：
c)T1的便捷条件或T2的预备条件：在短一些 的时间标度T1上的推理过程中，当某个条件 变为真时，推理就切换到相邻的更长时间标 度T2. 从物理观点来看，推理机生成的关系l不会总 是合理的。连接l可能表示物理上不合理的操 作顺序。 为了澄清因果关系的物理意义，介绍每个时 间标度的物理意义的两个方面： 间隔意义-时间标度上时间间隔存在的物理理由 顺序意义-时间标度上存在时间顺序的理由
（2）当前许多专家系统中就知识工程存 在的主要缺点为：
缺乏知识的重用性和共享性。缺乏知识 的重用和共享主要是因为对知识的假设 和性能不够清楚。
（3）基于模型的优点和必要性
采用各种模型设计专家系统，一方面， 它增加了系统的功能，提高了性能 的指标；另一方面可独立地深入研 究各种模型及其相关问题，把获得 的结果用于改进系统设计。因而为 了使知识能够重用和共享，模型的 假定则是必不可少的。
例如，介绍由直接模型y=x-z,dz/dt=y建模的 实例系统。
当模型设计器根据微分方程的术语描述现象时， 模型原理就是捕获Ta3的转移行为的动态变 化以求其均衡。一般来说，这意味着达到均 衡的时间间隔比其他现象更长。 b)时间约束建模 定性归类为对现象建模的时间约束。为了表示 时间约束的差别，这种建模技术讲目标系统 分为参数集合，其中Ta4的时间间隔彼此十 分不同。 c)组件结构模型 引入组件的概念，在于反应目标系统的物理结 构的因果关系。按照基于设备实体论的组件 结构，最小粒度的设备成为组件。
一、基于模型专家系统的提出
（1）什么是基于模型的专家系统
一个知识系统中的知识库是由各种模型组合而 成的，而这些模型又往往是定性的模型。由 于模型的建立与知识密切相关，所以有关模 型的获取、表达、使用就包括了知识的获取、 表达和使用。 用这种观点看待专家系统的设计，可以认为一 个专家系统是由一些原理与运行方式不同的 模型综合而成。这样的专家系统称为基于模 型的专家系统。
实体论在定性模型中定义13种成为因果时间标 度的一般时间概念，如表所示：
• 因果时间标度生成以前框架中描述 的时间概念。与建模技术相关的因 果时间标度表示临时粒度和/或实体 论观点。
根据因果时间标度，可以明确制定模型或因 果推理机的临时含义，包括： a)因果关系的临时含义 b)推理机的临时性能 c)一般因果推理议程 d)反馈的复杂分析 首先，推理机所生成的因果关系可以归类为 因果时间标度之一。 其次，因果时间标度可以指定推理机在因果 排序方面的性能，成为因果时间解。
下图显示本地组件c1和c2中因果关系实例：
尽管Tc2和Tc3有间隔意义，但仅有连接信息还不能 给予它们顺序意义。另一方面，Tc1不可能有物理 意义。这种建模技术暗示一种建模原理，即因果关 系应反映功能组件和结构中的媒介流。 d)兴趣建模 允许推理机仅仅处理特定的临时兴趣期，如最初的行 为。时间标度不包含长度，但包含时间间隔的数目。 ④推理机中的因果时间标度 一般来说，推理系统的时间决定由一套原始时间标度 的组合指定。 表8.2显示一些传统的定性推理系统课处理的时间标 度：
传统的推理进程可由表8.2中的时间标度解释。 推理结果由一套时间E和一套连接L组成，其 中每个部分都由相关的时间标度。
⑥反馈和因果时间标度
参数事件的结果最终传播到由此参数本身 的现象成为反馈。 反馈启发信息：
（2）推理系统设计 设计推理系统，包括如何根据必需的时间标度 决定建模议程，模型的要素，推理过程。使 用因果推理系统为例。 a)必需的时间标度 此系统时间用来基于设备实体论获取因果关系。 目标系统是有关流的系统。 表8.2显示要生成的因果关系及其时间标度：
c)和流相关的组件模型
d)模型表示 系统的整体结构由组件模型和设备实体论基础 上的连接组合而成。组件模型由以下几部分
参数的因果规范表示通过以下两个标记担当因 果角色的可能性。
为了处理全局现象，描述了本地组件上的全局 约束。这样的全局约束由物理实体的一般属 性证明。 推理机可通过现象的时间标度区分全局同时发 生的现象。表示此现象的约束称为全局同时 发生约束，其特点就是同时发生的。
e)推理 推理方法是建立在上述原始推理议程上的。给 定初始事件，启动最小时间
（3）可变系统的实体论 a)流的因果关系 整体连续性的概念用来捕获不可压缩的流的因 果关系。组件的整体连续性显示进入此组件 的全部流是否不断流出。 因果关系由组件内的内部时间组成，并且因果 关系影响唯一的定性值。这种类型的关系成 为本地确定性。 b)时间标度和全局约束 对于形成循环结构的全局连续流子系统，一般 存在以下全局约束：
实体论所起的关键作用有：
二、基于神经网络的专家系统
（1）一般专家系统所存在的问题
a)知识获取的“瓶颈”问题。 b)知识的“窄台阶”问题 c)专家系统的复杂性与效率问题 d)不具有联想记忆功能
（2）神经网络与之相对的优点
a)固有的并行性 b)分布式联想存储 c)较好的容错性 d)自适应能力
e)有通过实例学习的能力 f )便于硬件实现
领域实体论是指目标领域特定的清楚范围。领 域实体论起到两个作用，一是提取获取领域 模型表示的词表，并展示隐含的假定和决策； 一是通过表示要解决的问题类和推理条件定 义推理系统的性能规范。这样的清楚规范适 用于模型的复用性。 人工智能发展史中由两类研究，面向形式的研 究处于主导；面向内容的则有一定困难。 实体论工程能积累知识和使知识系统化。 实体论工程提供知识库的设计原理，感兴趣世 界的核心概念以及基本概念含义的严格定义。
表8.3中所显示的是如何处理表8.2中必需的原 始时间标度的设计决定结果：
而且，推理机有一些假设：假定目标系统有一 个没有任何干扰的正常均衡状态；推理机有 必要推断最初的改变和最后的响应，并跳过 瞬间行为；最后，假定所有约束都是连续的。
b)必需的模型元素
c)组件的因果关系 当组件有其自己的因果特征时，其方法就是清 晰的描述组件中每个参数的内在因果属性， 为因果规范。为了帮助不从上下文中捕获因 果属性，要在组件内标识以下三类因果关系
三、基于模型专家系统的设计
基于模型专家系统的设计一般建立在因果 模型基础上，因果时间实体论是一种常 用的因果模型理论。本部分从以下几个 方面介绍基于模型的专家系统的设计： 因果时间实体论 推理系统设计 可变系统的实体论
（1）因果时间实体论 ①动机和目标 人类对因果关系的识别是建立在因果和 结果之间的时间延迟（间隔）的识别基 础之上。 推理系统产生的因果关系的即时含义， 就是说实际物理行为中因果关系的时间 间隔有多长，往往被忽视。 因而，实体论的目标在于揭示因果时间 的结构，以暗示定性模型和因果推理机。
第三，一般原始推理议程可以描述传统推理方法的 必要部分。 第四，优秀的时间标度可以在反馈循环中进行因果 关系的复杂分析，来获取更少的模糊因果排序。 ②理论基础 a)在因果时间实体论中，推理机产生的时间上的行为 根据时间及其连接的术语表示，类似于历史模型。 b)下面介绍变化传播的时间间隔。 因果时间实体论对这些时间间隔进行归类，成为时间 标度。因果时间标度表示效果传播的时间间隔概念。 表示T1比T2更短的关系极为T1<T2，定义如下：
（3）将神经网络与基于逻辑的心理模型 结合是值得进一步研究的课题
a)神经网络支持专家系统 b)专家系统支持神经网络 c)协同式的神经网络专家系统
（4）基于神经关问题
a)神经网络的知识表示是一种隐式表示 b)神经网络通过实例学习实现知识自动获取。 c)神经网络的推理是个正向非线性数值计算过 程，同时也是一种并行推理机制。它需要解 释器对输出模式进行解释。 d)一个神经网络专家系统可以用加权有向图、 或领域权矩阵表示，因此可以把同一知识领 域的几个独立的专家系统组合成更大的神经 网络专家系统。而基于规则的专家系统，其 子系统的规则越多，组合的大系统的知识库 越不可靠。