專家系統(tǒng)研究現(xiàn)狀與展望

《專家系統(tǒng)研究現(xiàn)狀與展望》由會員分享，可在線閱讀，更多相關(guān)《專家系統(tǒng)研究現(xiàn)狀與展望（11頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、專家系統(tǒng)研究現(xiàn)狀與展望 　　摘要：回顧了專家系統(tǒng)發(fā)展的歷史和現(xiàn)狀。對目前比較成熟的專家系統(tǒng)模型進(jìn)行分析，指出各自的特點(diǎn)和局限性。最后對專家系統(tǒng)的熱點(diǎn)進(jìn)行展望并介紹了新型專家系統(tǒng)。?? 下載論文網(wǎng) 　　關(guān)鍵詞：專家系統(tǒng)；知識獲?。粩?shù)據(jù)挖掘；多代理系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)?? 　　中圖分類號：TP391．7文獻(xiàn)標(biāo)志碼：A 　　文章編號：1001－3695(2007)05－0004－06 　　 　　近三十年來人工智能（Artificial Intelligence，AI）獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩成果。作為人工智能一

2、個(gè)重要分支的專家系統(tǒng)（Expert System，ES）[1]是在20世紀(jì)60年代初期產(chǎn)生并發(fā)展起來的一門新興的應(yīng)用科學(xué)，而且正隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展而日臻完善和成熟。1982年美國斯坦福大學(xué)教授費(fèi)根鮑姆給出了專家系統(tǒng)的定義：“專家系統(tǒng)是一種智能的計(jì)算機(jī)程序。這種程序使用知識與推理過程，求解那些需要杰出人物的專門知識才能求解的復(fù)雜問題?！币话阏J(rèn)為，專家系統(tǒng)就是應(yīng)用于某一專門領(lǐng)域，由知識工程師通過知識獲取手段，將領(lǐng)域?qū)＜医鉀Q特定領(lǐng)域的知識，采用某種知識表示方法編輯或自動生成某種特定表示形式存放在知識庫中；然后用戶通過人機(jī)接口輸入信息、數(shù)據(jù)或命令，運(yùn)用推理機(jī)構(gòu)控制知識庫及整個(gè)系統(tǒng)，能像專家一樣解

3、決困難的和復(fù)雜的實(shí)際問題的計(jì)算機(jī)（軟件）系統(tǒng)。?? 　　專家系統(tǒng)有三個(gè)特點(diǎn)：①啟發(fā)性，能運(yùn)用專家的知識和經(jīng)驗(yàn)進(jìn)行推理和判斷；②透明性，能解決本身的推理過程，回答用戶提出的問題；③靈活性，能不斷地增長知識，修改原有知識。?? 　　 　　1專家系統(tǒng)的產(chǎn)生與發(fā)展?? 　　 　　專家系統(tǒng)按其發(fā)展過程大致可分為三個(gè)階段[2~4]，即初創(chuàng)期(1971年前)、成熟期(1972―1977年)和發(fā)展期(1978年至今)。?? 　　 　　1．1初創(chuàng)期?? 　　人工智能早期工作都是學(xué)術(shù)性的，其程序都是用來開發(fā)游戲的。盡管這些努力產(chǎn)生了如國際象棋、跳棋等有趣的游戲[5]，但其真實(shí)目的在于在計(jì)算機(jī)編碼中

4、加入人的推理能力，以達(dá)到更好的理解。在此階段的另一個(gè)重要領(lǐng)域是計(jì)算邏輯。1957年誕生了第一個(gè)自動定理證明程序，稱為邏輯理論家。20世紀(jì)60年代初，人工智能研究者便集中精力開發(fā)通用的方法和技術(shù)，通過研究一般的方法來改變知識的表示和搜索，并且使用它們來建立專用程序。到了20世紀(jì)60年代中期，知識在智能行為中的地位受到了研究者的重視，這就為以專門知識為核心求解具體問題的基于知識的專家系統(tǒng)的產(chǎn)生奠定了思想基礎(chǔ)。?? 　　1965年在美國國家航空航天局要求下，斯坦福大學(xué)成功研制了DENRAL系統(tǒng)[6]。DENRAL的初創(chuàng)工作引導(dǎo)人工智能研究者意識到智能行為不僅依賴于推理方法，更依賴于其推理所用的知識

5、。該系統(tǒng)具有非常豐富的化學(xué)知識，可根據(jù)質(zhì)譜數(shù)據(jù)幫助化學(xué)家推斷分子結(jié)構(gòu)，被廣泛應(yīng)用于世界各地的大學(xué)及工業(yè)界的化學(xué)實(shí)驗(yàn)室。這個(gè)系統(tǒng)的完成標(biāo)志著專家系統(tǒng)的誕生。在此之后，麻省理工學(xué)院開始研制MACSYMA系統(tǒng)[2]。它作為數(shù)學(xué)家的助手使用啟發(fā)式方法變換代數(shù)表達(dá)式，現(xiàn)經(jīng)過不斷擴(kuò)充，能求解600多種數(shù)學(xué)問題。其中包括微積分、矩陣運(yùn)算、解方程和解方程組等。同期，還有美國卡內(nèi)基－梅隆大學(xué)開發(fā)的用于語音識別的專家系統(tǒng)HEARSAY[7]。該系統(tǒng)表明計(jì)算機(jī)在理論上可按編制的程序與用戶進(jìn)行交談。20世紀(jì)70年代初，匹茲堡大學(xué)的鮑波爾和內(nèi)科醫(yī)生合作研制了第一個(gè)用于醫(yī)療的內(nèi)科病診斷咨詢系統(tǒng)INTERNIST[8]。這

6、些系統(tǒng)的研制成功使得專家系統(tǒng)受到學(xué)術(shù)界及工程領(lǐng)域的廣泛關(guān)注。?? 　　 　　1．2成熟期?? 　　到20世紀(jì)70年代中期，專家系統(tǒng)已逐步成熟起來，其觀點(diǎn)逐漸被人們接受，并先后出現(xiàn)了一批卓有成效的專家系統(tǒng)。其中，最具代表性的是肖特立夫等人的MYCIN系統(tǒng)[9]。該系統(tǒng)用于診斷和治療血液感染及腦炎感染，可給出處方建議（提供抗菌劑治療建議），不但具有很高的性能，而且具有解釋功能和知識獲取功能。MYCIN系統(tǒng)是專家系統(tǒng)的經(jīng)典之作，它的知識表示系統(tǒng)用帶有置信度的IF－THEN規(guī)則來表示，并使用不確定性推理方法進(jìn)行推理。MYCIN由LISP語言寫成，所有的規(guī)則都寫成LISP表達(dá)式。它是一個(gè)面向目標(biāo)求

7、解的系統(tǒng)，使用反向推理方法，并利用了很多啟發(fā)式信息。?? 　　另一個(gè)非常成功的專家系統(tǒng)是PROSPCTOR系統(tǒng)[10]。它用于輔助地質(zhì)學(xué)家探測礦藏，是第一個(gè)取得明顯經(jīng)濟(jì)效益的專家系統(tǒng)。PROSPCTOR的性能據(jù)稱完全可以與地質(zhì)學(xué)家相比擬。它在知識的組織上，運(yùn)用了規(guī)則與語義網(wǎng)相結(jié)合的混合表示方式，在數(shù)據(jù)不確定和不完全的情況下，推理過程運(yùn)用了一種似然推理技術(shù)。除了這些成功實(shí)例外，在這一時(shí)期另外兩個(gè)影響較大的專家系統(tǒng)是斯坦福大學(xué)研制的AM系統(tǒng)和PUFF系統(tǒng)[8]。AM是一個(gè)用機(jī)器模擬人類歸納推理、抽象概念的專家系統(tǒng)。而PUFF是一個(gè)肺功能測試專家系統(tǒng)，經(jīng)對多個(gè)實(shí)例進(jìn)行驗(yàn)證，成功率達(dá)93%。諸多專家

8、系統(tǒng)的成功開發(fā)，標(biāo)志著專家系統(tǒng)逐漸走向成熟。?? 　　 　　1．3發(fā)展期?? 　　20世紀(jì)80年代初，醫(yī)療專家系統(tǒng)占了主流，主要原因是它屬于診斷類型系統(tǒng)且開發(fā)比較容易。但是到了20世紀(jì)80年代中期，專家系統(tǒng)發(fā)展在應(yīng)用上最明顯的特點(diǎn)是出現(xiàn)了大量的投入商業(yè)化運(yùn)行的系統(tǒng)，并為各行業(yè)產(chǎn)生了顯著的經(jīng)濟(jì)效益。其中一個(gè)著名的例子是DEC公司與卡內(nèi)基－梅隆大學(xué)合作開發(fā)的XCON－R1專家系統(tǒng)[2]。它用于輔助數(shù)據(jù)設(shè)備公司（DEC）計(jì)算機(jī)系統(tǒng)的配置設(shè)計(jì)，每年為DEC公司節(jié)省數(shù)百萬美元。專家系統(tǒng)的應(yīng)用日益廣泛，處理問題的難度和復(fù)雜度不斷增大，導(dǎo)致了傳統(tǒng)的專家系統(tǒng)無法滿足較為復(fù)雜的情況，迫切需要新的方法和技術(shù)

9、支持。?? 　　從20世紀(jì)80年代后期開始，一方面隨著面向?qū)ο?、神?jīng)網(wǎng)絡(luò)和模糊技術(shù)等新技術(shù)的迅速崛起，為專家系統(tǒng)注入了新的活力；另一方面計(jì)算機(jī)的運(yùn)用也越來越普及，而且對智能化的要求也越來越高。由于這些技術(shù)發(fā)展的成熟，并成功運(yùn)用到專家系統(tǒng)之中，使得專家系統(tǒng)得到更廣泛的運(yùn)用。在這期間開發(fā)的專家系統(tǒng)按其處理問題的類型可以分為解釋型、預(yù)測型、診斷型、設(shè)計(jì)型、規(guī)劃型、監(jiān)視型、調(diào)試型、修正型、教學(xué)型和控制型[11]。其應(yīng)用領(lǐng)域也涉及到農(nóng)業(yè)、商業(yè)、化學(xué)、通信、計(jì)算機(jī)系統(tǒng)、醫(yī)學(xué)等多個(gè)方面，并已成為人們常用的解決問題的手段之一。?? 　　 　　2專家系統(tǒng)的研究現(xiàn)狀?? 　　 　　目前已研究的專家系統(tǒng)模

10、型有很多種。其中較為流行的有基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模糊邏輯的專家系統(tǒng)、基于D－S證據(jù)理論的專家系統(tǒng)、基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)和基于遺傳算法的專家系統(tǒng)等。?? 　　 　　2．1基于規(guī)則的專家系統(tǒng)?? 　　基于規(guī)則推理（Rule Based Reasoning，RBR）的方法是根據(jù)以往專家診斷的經(jīng)驗(yàn), 將其歸納成規(guī)則，通過啟發(fā)式經(jīng)驗(yàn)知識進(jìn)行推理。它具有明確的前提，得到確定的結(jié)果。RBR是構(gòu)建專家系統(tǒng)最常用的方法，這主要?dú)w功于大量的成功實(shí)例和工具的出現(xiàn)。早期的專家系統(tǒng)大多數(shù)是用規(guī)則推理的方法，如DENDRAL專家系統(tǒng)、MYCIN專家系統(tǒng)、PROSPE

11、CTOR專家系統(tǒng)等。在轉(zhuǎn)換為機(jī)器語言時(shí)，用產(chǎn)生式的IF…AND（OR）…THEN…表示。因此這種系統(tǒng)又稱為產(chǎn)生式專家系統(tǒng)。?? 　　基于規(guī)則的方法容易使知識工程師與人類專家合作，易于被人類專家理解。規(guī)則庫中的規(guī)則具有相同的結(jié)構(gòu)，即IF…THEN…結(jié)構(gòu)，這種統(tǒng)一的格式便于管理，同時(shí)便于推理機(jī)的設(shè)計(jì)。但它也有諸多缺點(diǎn)，如規(guī)則間的相互關(guān)系不明顯，知識的整體形象難以把握、處理效率低、推理缺乏靈活性[12,13]；對于復(fù)雜系統(tǒng)難以用結(jié)構(gòu)化數(shù)據(jù)來表達(dá)，如果全部用規(guī)則的形式來表達(dá)，不僅提煉規(guī)則相當(dāng)困難，而且規(guī)則庫將十分龐大和復(fù)雜，容易產(chǎn)生組合爆炸；在實(shí)時(shí)處理方面的應(yīng)用也已被證明比較困難。速度是實(shí)時(shí)性能最根

12、本的要求，而產(chǎn)生式系統(tǒng)在處理實(shí)時(shí)任務(wù)時(shí)，其搜索、匹配時(shí)間要占全部計(jì)算時(shí)間的90%。?? 　　基于規(guī)則的專家系統(tǒng)的特點(diǎn)決定適合的領(lǐng)域?yàn)椋孩傧到y(tǒng)結(jié)構(gòu)簡單，有明確的前提和結(jié)論，問題僅僅用有限的規(guī)則即可全部包含；②問題領(lǐng)域不存在簡潔統(tǒng)一的理論，知識是經(jīng)驗(yàn)的；③問題的求解可視為一系列相對獨(dú)立的操作，或從一個(gè)狀態(tài)向另一個(gè)狀態(tài)的轉(zhuǎn)換；一個(gè)操作或轉(zhuǎn)換可以被有效地表示為一條或多條產(chǎn)生式語句。?? 　　 　　2．2基于案例的專家系統(tǒng)?? 　　基于案例推理（Case Based Reasoning，CBR）的方法就是通過搜索曾經(jīng)成功解決過的類似問題，比較新、舊問題之間的特征、發(fā)生背景等差異，重新使

13、用或參考以前的知識和信息，達(dá)到最終解決新問題的方法。它起源于1982年美國學(xué)者Roger Schank（關(guān)于人類學(xué)習(xí)和回憶的動態(tài)存儲模型的研究工作）。第一個(gè)真正意義上的基于案例的專家系統(tǒng)是1983年由耶魯大學(xué)Janet Kolodner教授領(lǐng)導(dǎo)開發(fā)的CYRUS系統(tǒng)。它以Schank的動態(tài)存儲模型和問題求解的MOP（Memory Organized Pac－??ket）理論為基礎(chǔ)，做與旅行相關(guān)的咨詢工作。這種類比推理比較符合人類的認(rèn)知心理。?? 　　基于案例的專家系統(tǒng)具有諸多優(yōu)點(diǎn): 無須顯示領(lǐng)域知識；無需規(guī)則提取，降低了知識獲取難度；開放體系、增量式學(xué)習(xí)，案例庫的覆蓋度隨系統(tǒng)的不斷使用而組建增

14、加[14]?；诎咐耐评矸椒ㄟm用于領(lǐng)域定理難以表示成規(guī)則形式, 而容易表示成案例形式并且已積累豐富案例的領(lǐng)域（如醫(yī)學(xué)診斷系統(tǒng)）[15]。它的難點(diǎn)還在于案例特征的選擇、權(quán)重分配以及處理實(shí)例修訂時(shí)的一致性檢驗(yàn)(特征變量間的約束關(guān)系) 等問題。傳統(tǒng)的基于案例的方法難以表示案例間的聯(lián)系，對于大型案例庫案例檢索十分費(fèi)時(shí), 并且難以決定應(yīng)選擇哪些特征數(shù)據(jù)及它們的權(quán)重[16]。?? 　　 　　2．3基于框架的專家系統(tǒng)?? 　　框架(Frame) 是將某類對象的所有知識組織在一起的一種通用數(shù)據(jù)結(jié)構(gòu)，而相互關(guān)聯(lián)的框架連接組成框架系統(tǒng)。1975年，美國麻省理工學(xué)院著名的人工智能學(xué)者明斯基提出了框架理論，并

15、把它作為理解視覺、自然語言對話及其他復(fù)雜行為的基礎(chǔ)。在框架理論中, 框架被視為表示知識的一個(gè)基本單位。它把要描述的事務(wù)各方面的知識放在一起, 通過槽值關(guān)聯(lián)起來?？蚣艿捻攲邮谴砟硞€(gè)對象的框架名，其下為代表該框架某一方面屬性的若干個(gè)槽, 槽由槽名和槽值組成。槽下還可分為若干個(gè)側(cè)面（由側(cè)面名和側(cè)面值組成）。?? 　　一個(gè)框架系統(tǒng)常被表示成一種樹型結(jié)構(gòu)，樹的每一個(gè)節(jié)點(diǎn)是一個(gè)框架結(jié)構(gòu)，子節(jié)點(diǎn)與父節(jié)點(diǎn)之間用槽連接。當(dāng)子節(jié)點(diǎn)的某些槽值或側(cè)面值沒有被直接記錄時(shí)，可以從其父節(jié)點(diǎn)繼承這些值。框架系統(tǒng)中可以推理出未被觀察到的事實(shí)，它將通過以下三種途徑實(shí)現(xiàn)[16,17]：①框架包含它所描述的情況或物體的多方面信息

16、。這些信息可以被引用，就像已經(jīng)直接觀察到這些信息一樣。②框架包含物體必須具有的屬性。在填充框架的各個(gè)槽時(shí)，要用到這些屬性。建立對某一情況描述要求先建立對此情況的各個(gè)方面的描述。與描述這個(gè)情況的框架中各個(gè)槽有關(guān)的信息可用來指導(dǎo)如何建立這些方面的描述。③框架描述它們所代表的概念的典型事例。如果某一情況在很多方面與一個(gè)框架相匹配，只有少部分相互之間存在不同之處，這些不同之處很可能對應(yīng)于當(dāng)前情況的重要方面，也許應(yīng)該對這些不同之處作出解答。?? 　　框架表示法最突出的特點(diǎn)是善于表達(dá)結(jié)構(gòu)性的知識，且具有良好的繼承性和自然性。因此，基于框架的專家系統(tǒng)適合于具有固定格式的事物、動作或事件。?? 　　 　

17、　2．4基于模糊邏輯的專家系統(tǒng)?? 　　模糊理論的概念由美國加利福尼亞大學(xué)教授扎德在其《Fuzzy Sets》和《Fuzzy Algorithm》等論著中首先提出。模糊性是指客觀事物在狀態(tài)及其屬性方面的不分明性，其根源是在類似事物間存在一系列過渡狀態(tài)，它們互相滲透、互相貫通，使得彼此之間沒有明顯的分界線。模糊性是客觀世界中某些事物本身所具有的一種不確定性，它與隨機(jī)性有著本質(zhì)的區(qū)別。有明確定義但不一定出現(xiàn)的事件中包含的不確定性稱為隨機(jī)性，它不因人的主觀意識變化，由事物本身的因果規(guī)律決定。而已經(jīng)出現(xiàn)但難以給出精確定義的事件中包含的不確定性稱為模糊性，是由事物的概念界限模糊和人的主觀推理與判斷產(chǎn)生

18、的。模糊邏輯理論則是對模糊事物相互關(guān)系的研究。?? 　　基于模糊邏輯的專家系統(tǒng)的優(yōu)點(diǎn)在于[18]：①具有專家水平的專門知識，能表現(xiàn)專家技能和高度的技巧以及有足夠的魯棒性；②能進(jìn)行有效的推理，具有啟發(fā)性，能夠運(yùn)用人類專家的經(jīng)驗(yàn)和知識進(jìn)行啟發(fā)性的搜索、試探性的推理；③具有靈活性和透明性。但是，模糊推理知識獲取困難，尤其是征兆的模糊關(guān)系較難確定，且系統(tǒng)的推理能力依賴模糊知識庫，學(xué)習(xí)能力差，容易發(fā)生錯(cuò)誤。由于模糊語言變量是用隸屬函數(shù)表示的，實(shí)現(xiàn)語言變量與隸屬函數(shù)之間的轉(zhuǎn)換是一個(gè)難點(diǎn)。?? 　　 　　2．5基于D－S證據(jù)理論的專家系統(tǒng)?? 　　D－S證據(jù)理論是由Dempster于1967年提出的

19、。他首先提出了上、下界概率的定義，后由Shafer于1976年加以推廣和發(fā)展，故人們也把證據(jù)理論稱為D－S理論。證據(jù)理論可處理由不知道因素所引起的不確定性，它采用信任函數(shù)而不是概率作為度量，通過對一些事件的概率加以約束以建立信任函數(shù)而不必說明精確的難以獲得的概率。當(dāng)約束限制為嚴(yán)格的概率時(shí)，它就成為概率論[19]。?? 　　基于D－S證據(jù)理論的專家系統(tǒng)的優(yōu)點(diǎn)在于[20]：①既能處理隨機(jī)性所導(dǎo)致的不確定性，又能處理由于模糊性所導(dǎo)致的不確定性；②系統(tǒng)可以依靠證據(jù)的積累，不斷縮小假設(shè)集；③能在不同層次上組合證據(jù)。D－S理論具有較強(qiáng)的理論基礎(chǔ)，它能將“不知道”和“不確定”區(qū)分開來。但它也存在明顯的不足

20、，當(dāng)證據(jù)沖突度較高時(shí)，經(jīng)過其組合規(guī)則得到的結(jié)論常常有悖于常理；另外，基于D－S理論的專家系統(tǒng)在數(shù)據(jù)較多時(shí)，具有潛在的指數(shù)復(fù)雜度和推理鏈較長的缺點(diǎn)。?? 　　 　　2．6基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)?? 　　人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）仿效生物體信息處理系統(tǒng)獲得柔性信息處理能力。它從20世紀(jì)80年代后期開始興起（有理論研究階段發(fā)展到應(yīng)用階段）。它是從微觀上模擬人腦功能，是一種分布式的微觀數(shù)值模型，神經(jīng)元網(wǎng)絡(luò)通過大量經(jīng)驗(yàn)樣本學(xué)習(xí)知識。更重要的是，神經(jīng)網(wǎng)絡(luò)有極強(qiáng)的自學(xué)習(xí)能力，對于新的模式和樣本可以通過權(quán)值的改變進(jìn)行學(xué)習(xí)?p記憶和存儲，進(jìn)而在以后的運(yùn)行

21、中能夠判斷這些新的模式。?? 　　神經(jīng)網(wǎng)絡(luò)模型從知識表示、推理機(jī)制到控制方式，都與目前專家系統(tǒng)中的基于邏輯的心理模型有本質(zhì)的區(qū)別。知識從顯示變?yōu)殡[式表示。這種知識不是通過人的加工轉(zhuǎn)換成規(guī)則，而是通過學(xué)習(xí)算法自動獲取的。推理機(jī)制從檢索和驗(yàn)證過程變?yōu)榫W(wǎng)絡(luò)上隱含模式對輸入的競爭。這種競爭是并行的針對特定特征的，并把特定論域輸入模式中各個(gè)抽象概念轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)很好地解決了專家系統(tǒng)中知識獲取的瓶頸問題，能使專家系統(tǒng)具有自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為專家系統(tǒng)提供了一種新的解決途徑。特別是對于實(shí)際中難以建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)更顯示出其獨(dú)特的功效。?? 　　然而, 神經(jīng)網(wǎng)絡(luò)

22、專家系統(tǒng)也存在固有的弱點(diǎn)：①系統(tǒng)性能受到所選擇的訓(xùn)練樣本集的限制, 訓(xùn)練樣本集選擇不當(dāng)，特別是在訓(xùn)練樣本集很少的情形下，很難指望它具有較好的歸納推理能力；②神經(jīng)網(wǎng)絡(luò)沒有能力解釋自己的推理過程和推理依據(jù)及其存儲知識的意義；③神經(jīng)網(wǎng)絡(luò)利用知識和表達(dá)知識的方式單一，通常的神經(jīng)網(wǎng)絡(luò)只能采用數(shù)值化的知識；④神經(jīng)網(wǎng)絡(luò)只能模擬人類感覺層次上的智能活動，在模擬人類復(fù)雜層次的思維方面還有不足之處。?? 　　目前較為常用的神經(jīng)網(wǎng)絡(luò)有誤差反傳網(wǎng)絡(luò)（BP）、小腦網(wǎng)絡(luò)（CMAC）、自組織特征映射網(wǎng)絡(luò)（SOM）、自適應(yīng)共振理論（ART）和徑向基網(wǎng)絡(luò)（REF）等?；谏窠?jīng)網(wǎng)絡(luò)的專家系統(tǒng)的具體應(yīng)用形式可以根據(jù)實(shí)際情況

23、選擇不同的神經(jīng)網(wǎng)絡(luò)模型，能夠?qū)崿F(xiàn)不同的用途。因此，基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)是目前最流行的專家系統(tǒng)。?? 　　 　　2．7基于遺傳算法的專家系統(tǒng)?? 　　遺傳算法（Genetic Algorithms，GA）是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法。它由美國John H.Holland教授于1975年提出的。遺傳算法將問題的求解表示成染色體，從而構(gòu)成一群染色體。將它們置于問題的環(huán)境中，根據(jù)適者生存的原則，從中選擇出適應(yīng)環(huán)境的染色體進(jìn)行復(fù)制。通過交換、變異兩種基因操作產(chǎn)生出新的一代更適應(yīng)環(huán)境的染色體群，這樣一代一代地不斷進(jìn)化，最后收斂到一個(gè)最適合環(huán)境的個(gè)體上，求得問題的最優(yōu)解[21

24、]。?? 　　遺傳算法是模擬自然選擇和遺傳機(jī)制的一種搜索和優(yōu)化算法。與一般的尋優(yōu)方法相比，遺傳算法具有很多優(yōu)點(diǎn)：①從許多初始點(diǎn)開始進(jìn)行并行操作，克服了傳統(tǒng)優(yōu)化方法容易陷入局部極點(diǎn)的缺點(diǎn)，是一種全局優(yōu)化算法；②對變量的編碼進(jìn)行操作，可以替代梯度算法，在模糊推理隸屬度函數(shù)形狀的選取上具有更大的靈活性；③由于具有隱含并行性，可通過大規(guī)模并行計(jì)算來提高計(jì)算速度；④可在沒有任何先驗(yàn)知識和專家知識的情況下取得次優(yōu)或最優(yōu)解。?? 　　遺傳算法作為優(yōu)化搜索算法，一方面希望在寬廣的空間內(nèi)進(jìn)行搜索，從而提高求得最優(yōu)解的概率；另一方面又希望向著解的方向盡快縮小搜索范圍，從而提高搜索效率。如何同時(shí)提高搜索最優(yōu)解的

25、概率和效率，是遺傳算法需要進(jìn)一步探索的問題。?? 　　 　　3專家系統(tǒng)的研究熱點(diǎn)?? 　　 　　目前，專家系統(tǒng)的研究不再滿足現(xiàn)有的各種模型與專家系統(tǒng)的簡單結(jié)合，形成基于某種模型的專家系統(tǒng)了，而是在不斷向深層次方向發(fā)展。針對專家系統(tǒng)的核心知識表示和知識獲取，探索更方便、更有效的方法，解決困擾專家系統(tǒng)的知識獲取瓶頸、匹配沖突、組合爆炸等問題；針對現(xiàn)在數(shù)據(jù)多、知識少的特點(diǎn)，將數(shù)據(jù)挖掘引入專家系統(tǒng)之中；將多Agent技術(shù)用于專家系統(tǒng)，以提高專家系統(tǒng)的性能。?? 　　 　　3．1知識的表示和獲取?? 　　知識就是人類通過實(shí)踐(包括學(xué)習(xí)、模仿、試驗(yàn)、生理等實(shí)踐活動)認(rèn)識到客觀世界的規(guī)律，是信

26、息經(jīng)過加工、整理、解釋、挑選和改造而形成的。知識表示就是為描述世界所作的一組約定，是知識符號化的過程。這種描述或約定表達(dá)了計(jì)算機(jī)可以接受的人類智能行為。知識表示是專家系統(tǒng)的關(guān)鍵點(diǎn)之一，一個(gè)專家系統(tǒng)建造的成功與否和采用的知識表示方法能否充分反映該領(lǐng)域知識有直接關(guān)系。知識獲取又稱機(jī)器學(xué)習(xí)，是將客觀世界中知識轉(zhuǎn)換為專家系統(tǒng)中知識的過程。它是專家系統(tǒng)不可缺少的一部分。如何獲取足夠、完整和明確的知識是專家系統(tǒng)的另一個(gè)關(guān)鍵點(diǎn)。?? 　　知識的表示可以分為表層表示、深層表示和混合表示三種?；旌现R的表示是目前研究的一個(gè)熱點(diǎn)方向。在專家系統(tǒng)的實(shí)際開發(fā)中，所采用的方法和知識的表示都不會是單一的，往往需要將多種

27、知識表示方法有機(jī)地結(jié)合起來，解決單一知識表示無法解決的問題。?? 　　知識的自動獲取一直是專家們感興趣的研究方向，也是一項(xiàng)十分困難的研究任務(wù)。由于現(xiàn)在開發(fā)的專家系統(tǒng)向大規(guī)模系統(tǒng)和通用型系統(tǒng)發(fā)展，越來越希望機(jī)器能夠自動獲取知識，減少開發(fā)人員的手動或半自動開發(fā)工作量。隨著神經(jīng)網(wǎng)絡(luò)的蓬勃發(fā)展，傳統(tǒng)的符號學(xué)習(xí)與連接機(jī)制已經(jīng)被逐步取代。基于進(jìn)化學(xué)習(xí)系統(tǒng)和遺傳算法，因吸取了歸納學(xué)習(xí)與連接機(jī)制的長處而受到重視。數(shù)據(jù)挖掘、計(jì)算機(jī)數(shù)據(jù)庫和計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展都為提取有用知識提供了新的方法。?? 　　 　　3．2數(shù)據(jù)挖掘技術(shù)的應(yīng)用?? 　　數(shù)據(jù)挖掘(Data Mining)就是從大量的、不完全的、有噪聲的、模

28、糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。它是近幾年興起的一個(gè)極有發(fā)展前途又有廣泛應(yīng)用前景的新領(lǐng)域。?? 　　數(shù)據(jù)挖掘作為一個(gè)交叉學(xué)科領(lǐng)域, 受多個(gè)學(xué)科的影響，包括數(shù)據(jù)庫系統(tǒng)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、可視化和信息科學(xué)等。依賴于所挖掘的數(shù)據(jù)類型或應(yīng)用領(lǐng)域，數(shù)據(jù)挖掘可能集成空間數(shù)據(jù)分析、圖像分析、模式識別、Web技術(shù)、信息檢索、心理學(xué)等領(lǐng)域的技術(shù)。主要的數(shù)據(jù)挖掘技術(shù)與方法有聚類、分類、決策樹、粗糙集、神經(jīng)網(wǎng)絡(luò)、回歸分析、遺傳算法、偏差檢測等。從數(shù)據(jù)庫中挖掘的規(guī)則可以有以下多種表達(dá)形式: 關(guān)聯(lián)規(guī)則、特征規(guī)則、異常規(guī)則、轉(zhuǎn)移規(guī)則、序列規(guī)則、分類和聚類等。數(shù)據(jù)

29、挖掘的應(yīng)用對象是大規(guī)模數(shù)據(jù)庫，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)庫中規(guī)律性的知識。數(shù)據(jù)挖掘提取的知識可以表示為概念、規(guī)律、模式、約束和可視化[22]。?? 　　在知識獲取技術(shù)方面，基于數(shù)據(jù)挖掘的專家系統(tǒng)可以極大緩解專家系統(tǒng)的知識瓶頸問題。它不再是知識工程師從領(lǐng)域?qū)＜抑刑崛∫?guī)則，將其轉(zhuǎn)換為知識，而是從領(lǐng)域?qū)＜姨峁┑拇罅繑?shù)據(jù)中自動獲取知識。數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理模塊可以在知識的獲取中減小噪聲數(shù)據(jù)的影響，提高知識獲取的正確性。知識會隨著挖掘的過程不斷被學(xué)習(xí)到系統(tǒng)當(dāng)中，這樣既大大加深和拓寬了知識獲取的深度與廣度，又會使獲取的知識越來越完善、越來越精確。?? 　　在推理技術(shù)方面, 數(shù)據(jù)挖掘技術(shù)是以數(shù)據(jù)庫系統(tǒng)、數(shù)據(jù)倉庫統(tǒng)

30、計(jì)學(xué)等為基礎(chǔ)的。而數(shù)據(jù)倉庫主要特點(diǎn)就是: 它是面向主題的，庫中的數(shù)據(jù)是多維的。也就是說，庫中的每一維度可以對應(yīng)設(shè)備運(yùn)行時(shí)的一個(gè)狀態(tài)參數(shù)，不同的運(yùn)行狀態(tài)參數(shù)就存放在不同的維度空間中。數(shù)據(jù)挖掘器在推理時(shí)可以根據(jù)不同需要將不同維度內(nèi)的運(yùn)行狀態(tài)參數(shù)綜合起來一起分析計(jì)算，即運(yùn)用數(shù)據(jù)挖掘算法來進(jìn)行全方位推理。這可以克服傳統(tǒng)推理機(jī)制具有單一方面的高精確度而忽視了其他方面影響的缺點(diǎn)；可以增強(qiáng)其推理的合理性，提高其推斷結(jié)果的可靠性[6]。?? 　　在數(shù)據(jù)挖掘中盡可能地引入人對該應(yīng)用領(lǐng)域的先驗(yàn)知識是非常必要的。數(shù)據(jù)挖掘是一個(gè)人機(jī)交互、不斷重復(fù)的過程。專家的領(lǐng)域知識或背景知識的應(yīng)用對挖掘過程具有補(bǔ)充和促進(jìn)作用，經(jīng)

31、常用來引導(dǎo)發(fā)現(xiàn)過程以避免無意義的結(jié)果[23]。另外，一般數(shù)據(jù)挖掘方法僅僅在數(shù)據(jù)庫內(nèi)容上產(chǎn)生規(guī)則，規(guī)則難以理解，領(lǐng)域知識或背景知識的應(yīng)用可以產(chǎn)生易理解的規(guī)則。利用專家的領(lǐng)域知識的意義，不僅在于約簡、表達(dá)和評估規(guī)則，更重要的是通過評估獲得處理結(jié)果與應(yīng)用需求之間的偏差，并以此作為反饋，去修正以前的各個(gè)步驟[24]。?? 　　 　　3．3多Agent技術(shù)的運(yùn)用?? 　　Agent是一個(gè)具有自主性?p反應(yīng)性?p主動性和社會性的基于硬件或軟件的計(jì)算機(jī)系統(tǒng)，通常還具有人類的智能特性，如知識、信念、意圖和愿望等。Agent理論與技術(shù)研究源于20世紀(jì)80年代中期的分布式問題求解。由于分布式并行處理技術(shù)、面

32、向?qū)ο蠹夹g(shù)、多媒體技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)，特別是Internet和Web技術(shù)的發(fā)展，使Agent成為當(dāng)今人工智能與軟件工程中的研究熱點(diǎn)，引起了科學(xué)界、教育界及工業(yè)界的廣泛關(guān)注[25,26]。多Agent系統(tǒng)（Multi－Agent System，MAS）是指由多個(gè)自主構(gòu)件組成的所有類型的系統(tǒng)，它是一個(gè)松散耦合的問題求解器網(wǎng)絡(luò)，其目標(biāo)是為了解決那些超出每個(gè)問題求解器的單獨(dú)能力或知識的問題。這些問題的求解器就是Agent，它們是自主的，并可能是異構(gòu)的。?? 　　多Agent系統(tǒng)的表現(xiàn)通過Agent的交互來實(shí)現(xiàn)，主要研究多個(gè)Agent為了聯(lián)合采取行動或求解問題，如何協(xié)調(diào)各自的知識、目標(biāo)、策略和規(guī)劃。

33、在表達(dá)實(shí)際系統(tǒng)時(shí)，多Agent系統(tǒng)通過各Agent間的通信、合作、協(xié)調(diào)、調(diào)度、管理及控制來表達(dá)系統(tǒng)的結(jié)構(gòu)、功能及行為特性。由于在同一個(gè)多Agent系統(tǒng)中各??Agent可以異構(gòu)，多Agent技術(shù)對于復(fù)雜系統(tǒng)具有無可比擬的表達(dá)力，它為各種實(shí)際系統(tǒng)提供了一種統(tǒng)一的模型，從而為各種實(shí)際系統(tǒng)的研究提供了一種統(tǒng)一的框架，其應(yīng)用領(lǐng)域十分廣闊[27]。 　　將多Agent的方法引入到專家系統(tǒng)中，將有利于解決傳統(tǒng)的單個(gè)專家系統(tǒng)與應(yīng)用場所、應(yīng)用環(huán)境難以溝通的問題；能夠比較容易地適應(yīng)用戶的知識結(jié)構(gòu)、思維習(xí)慣；能夠比較方便地與系統(tǒng)中的其他Agent進(jìn)行協(xié)調(diào)、交流以達(dá)到系統(tǒng)的整體目標(biāo)[28]。?? 　　

34、對于復(fù)雜問題的求解，通?？梢詫＜蚁到y(tǒng)看作一個(gè)??Agent。但是實(shí)際上兩者有較大的區(qū)別，在一個(gè)大型的復(fù)雜系統(tǒng)中，從系統(tǒng)功能分解理論出發(fā)，可以把整個(gè)系統(tǒng)分解成幾個(gè)子系統(tǒng)，如果只用單純的專家系統(tǒng)或者Agent模塊都有很大的局限性。要實(shí)現(xiàn)各個(gè)模塊的協(xié)商和協(xié)作，在專家系統(tǒng)之間很難實(shí)現(xiàn)，而由多個(gè)Agent就可以傳遞各個(gè)模塊的協(xié)作，但只采用??Agent技術(shù)，又難以保證任務(wù)執(zhí)行的速度。因此，采用集成專家系統(tǒng)和多Agent技術(shù)是一種比較不錯(cuò)的方法[29]。集成專家系統(tǒng)和多個(gè)Agent系統(tǒng)主要由完成特定功能的專家系統(tǒng)和??Agent模塊組成，專家系統(tǒng)模塊利用經(jīng)驗(yàn)歷史知識和對象當(dāng)前運(yùn)行狀態(tài)信息以嚴(yán)格高效的邏輯

35、推理。Agent模塊則主要利用Agent間的合作來實(shí)現(xiàn)動態(tài)不完全信息，從而提高系統(tǒng)對環(huán)境的適應(yīng)能力。這樣能夠充分彌補(bǔ)兩者各自的不足，增強(qiáng)系統(tǒng)的能力，整體上提高系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性。?? 　　 　　4專家系統(tǒng)的發(fā)展趨勢?? 　　 　　近年來，發(fā)展專家系統(tǒng)不僅要采用各種定性的模型，而且要將各種模型綜合運(yùn)用，以及運(yùn)用人工智能和計(jì)算機(jī)技術(shù)的一些新思想和新技術(shù)，如分布式和協(xié)同式。這些都是專家系統(tǒng)的發(fā)展趨勢。?? 　　 　　4．1通用性專家系統(tǒng)?? 　　專家系統(tǒng)的開發(fā)需要領(lǐng)域?qū)＜液椭R工程師共同努力，而領(lǐng)域?qū)＜医^大多數(shù)只對自己領(lǐng)域范圍的知識了解，這就導(dǎo)致現(xiàn)階段開發(fā)的專家系統(tǒng)只適用于某一特定問

36、題領(lǐng)域。用戶越來越希望有一種以用戶為中心的通用性專家系統(tǒng)[30]。這就需要通用性專家系統(tǒng)具有各種不同的并行算法和知識獲取模塊，能夠采用多種推理策略。?? 　　通用性專家系統(tǒng)作為一種新型專家系統(tǒng)，其特點(diǎn)如下：①集成多種模型的專家系統(tǒng)，根據(jù)用戶的需要，可以選擇其中的任何一種或多種，形成某一類型的專家系統(tǒng)；②通過多種模型的綜合運(yùn)用，提高了專家系統(tǒng)的準(zhǔn)確率和效率；③經(jīng)過長期使用，可以探索出針對某一問題的最佳模式（多種模型的綜合運(yùn)用），獲得最優(yōu)的專用專家系統(tǒng)。?? 　　 　　4．2分布式專家系統(tǒng)?? 　　分布式專家系統(tǒng)具有分布處理的特征，其主要目的在于把一個(gè)專家系統(tǒng)的功能經(jīng)分解后分布到多個(gè)處理器

37、上并行工作，從而在整體上提高系統(tǒng)的處理效率[2]。這種專家系統(tǒng)比常規(guī)的專家系統(tǒng)具有更強(qiáng)的可擴(kuò)張性和靈活性，將各個(gè)子系統(tǒng)聯(lián)系起來，即使不同的開發(fā)者針對同一研究對象也可以有效地進(jìn)行交流和共享。隨著Internet的發(fā)展與普及，建立遠(yuǎn)程分布式專家系統(tǒng)可以實(shí)現(xiàn)異地多專家對同一對象進(jìn)行控制或診斷，極大提高了準(zhǔn)確率和效率[14]。?? 　　分布式專家系統(tǒng)作為一種新型專家系統(tǒng)，其特點(diǎn)有[31]：①系統(tǒng)數(shù)據(jù)的所有來源，分門別類地對不同數(shù)據(jù)來源的數(shù)據(jù)進(jìn)行管理，同時(shí)系統(tǒng)的數(shù)據(jù)完整、準(zhǔn)確、實(shí)用性強(qiáng)；②系統(tǒng)開發(fā)工具多樣，開發(fā)環(huán)境與應(yīng)用環(huán)境分離，使開發(fā)完善過程與應(yīng)用過程可以獨(dú)立地異步進(jìn)行；③可以同時(shí)完成多用戶、多個(gè)并

38、發(fā)請求的推理；④借助輔助數(shù)據(jù)庫，對推理過程可以進(jìn)行有效的控制與監(jiān)測，并能整合推理結(jié)果，以多種形式反饋給用戶。?? 　　 　　4．3協(xié)同式專家系統(tǒng)?? 　　協(xié)同式專家系統(tǒng)的概念目前尚無一個(gè)明確的定義。一般認(rèn)為，協(xié)同式專家系統(tǒng)是能綜合若干相關(guān)領(lǐng)域（或一個(gè)領(lǐng)域）多個(gè)方面的單一專家系統(tǒng)互相協(xié)作共同解決一個(gè)更廣領(lǐng)域問題的專家系統(tǒng)，這樣的系統(tǒng)亦可稱之為群專家系統(tǒng)[2]。在系統(tǒng)中，多個(gè)專家系統(tǒng)協(xié)同合作，各專家系統(tǒng)間可以互相通信，一個(gè)或多個(gè)專家系統(tǒng)的輸出可能成為另一個(gè)專家系統(tǒng)的輸入，有些專家系統(tǒng)的輸出還可以作為反饋信息輸入到自身或其先輩系統(tǒng)中去，經(jīng)過迭代求得某種穩(wěn)定狀態(tài)。?? 　　協(xié)同式專家系統(tǒng)作為一

39、種新型專家系統(tǒng)，其特點(diǎn)有：①將總?cè)蝿?wù)合理地分解為幾個(gè)分任務(wù)，分別由幾個(gè)分專家系統(tǒng)來完成。②把解決各個(gè)分任務(wù)所需要知識的公共部分提煉出來形成一個(gè)公共知識庫，供各子專家系統(tǒng)共享；而分專家系統(tǒng)中專用的知識，則存放在各自的專用知識庫中。③為了統(tǒng)一協(xié)調(diào)解決問題，有一個(gè)供各個(gè)分專家系統(tǒng)討論交流的平臺。?? 　　目前將分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)相結(jié)合，提出了一種分布協(xié)同式專家系統(tǒng)。分布協(xié)同式專家系統(tǒng)是指邏輯上或物理上分布在不同處理節(jié)點(diǎn)上的若干專家系統(tǒng)協(xié)同求解問題的系統(tǒng)。現(xiàn)實(shí)中，有很多復(fù)雜的任務(wù)需要一個(gè)群體(一些專家) 來協(xié)同解決問題，當(dāng)單個(gè)專家系統(tǒng)難以有效地求解問題時(shí)，使用分布協(xié)同式專家系統(tǒng)求解是一個(gè)

40、有效的途徑[32]。?? 　　 　　5結(jié)束語?? 　　 　　專家系統(tǒng)是從20世紀(jì)末開始的重大技術(shù)之一，是高技術(shù)的標(biāo)志。專家系統(tǒng)的近期研究目標(biāo)是建造用于代替人類進(jìn)行智能管理與決策的系統(tǒng)，而遠(yuǎn)期目標(biāo)是實(shí)現(xiàn)具有更新概念、更佳技術(shù)性能和更高智力水平的決策與咨詢系統(tǒng)。本文總結(jié)了專家系統(tǒng)發(fā)展的歷史和現(xiàn)狀，對目前比較成熟的專家系統(tǒng)模型進(jìn)行分析，指出各自的特點(diǎn)和局限性。隨著專家系統(tǒng)研究的不斷深入與發(fā)展，必將進(jìn)一步推動科技的發(fā)展和社會的進(jìn)步。?? 　　 　　參考文獻(xiàn)：?? 　?。?］FEIGENBAUM E A.Panel: history of AI research,1956－1961:pro

41、c.of the 6th IJCAI[C].Tokio:[s.n.], 1979:1103－1105.?? 　　[2]蔡自興，約翰?德爾金，龔濤.高級專家系統(tǒng)：原理、設(shè)計(jì)及應(yīng)用[M].北京：科學(xué)出版社,2005:2－7.?? 　　[3]敖志剛.人工智能與專家系統(tǒng)導(dǎo)論[M].合肥：中國科技大學(xué)出版社,2002:14－19.?? 　　[4]王永慶.人工智能原理與方法[M].西安：西安交通大學(xué)出版社，1998:5－8.?? 　　[5]李毅得,杜?o.不確定性人工智能[M].北京：國防工業(yè)出版社，2005:5－12.?? 　　[6]BUCHANAN B G.Heuristic DENDRAL

42、:a program for generating ??expiator hypotheses in organic chemistry:Machine Intelligence[C].Edinburgh:Edinburgh University Press, 1969:209－254.?? 　　[7]ERMAN L D,HAYES－ROTH F,LESSER V R,??et al.?? The HEARSAY speech－understanding system:integrating knowledge to resolve uncertainty[J].Computing Surv

43、eys,1980,12(2):213－253.?? 　　[8]許化東.基于故障樹分析法的汽車故障診斷專家系統(tǒng)的研究[D].合肥：合肥工業(yè)大學(xué),2002:1－2.?? 　　[9]SHORTLIFFE E H.Computer－based medical consultation: MYCIN[M].New York:American Elsevier,1976.?? 　　[10]DUDA R O. Development of a computer－base consultant for mineral exploration Annual Report[R].[S.l.]:SRI Pro

44、ject, 1977:5821－5824.?? 　　[11]武波，馬玉祥.專家系統(tǒng)[M].北京：北京理工大學(xué)出版社，2001:17－20.?? 　　[12]曲明，郝紅衛(wèi).CBR與RBR相結(jié)合的實(shí)時(shí)專家系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程,2004,30(18):144－146.?? 　　[13]楊奕飛,瞿元新.基于CBR和RBR的航天測控設(shè)備故障診斷專家系統(tǒng)[J].飛行器測控學(xué)報(bào),2005,24(3)：27－31.[14]吳明強(qiáng),史慧,朱曉華,等. 故障診斷專家系統(tǒng)研究的現(xiàn)狀與展望[J].計(jì)算機(jī)測量與控制,2005,13(12)：1301－1304.?? 　　[15]張代勝,王悅

45、,陳朝陽. 融合實(shí)例與規(guī)則推理的車輛故障診斷專家系統(tǒng)[J] .機(jī)械工程學(xué)報(bào),2002，38(7)：91－95.?? 　　[16]黃德浩,楊宗源,黃海濤.基于框架表示的組件庫模型[J]. 計(jì)算機(jī)工程,2002,28(7): 111－123.?? 　　[17]付煒.基于框架網(wǎng)絡(luò)結(jié)構(gòu)的專家知識表示方法研究[J].計(jì)算機(jī)應(yīng)用,2002,22(1): 3－6.?? 　　[18]孫增國.神經(jīng)網(wǎng)絡(luò)和模糊專家系統(tǒng)在故障診斷中的應(yīng)用[D]. 大連：大連理工大學(xué),2004:31－32.?? 　　[19]許麗佳.D－S證據(jù)理論在信息融合中的改進(jìn)[J].系統(tǒng)工程與電子技術(shù),2004,26(6): 717－72

46、0.?? 　　[20]李沖祥. 神經(jīng)網(wǎng)絡(luò)和證據(jù)理論集成的數(shù)據(jù)融合故障診斷方法研究[D].秦皇島：燕山大學(xué),2003:37－42.?? 　　[21]梁戈超.基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷理論與方法[D].長沙：湖南大學(xué),2004:30－33.?? 　　[22]朱明.數(shù)據(jù)挖掘[M].合肥：中國科技大學(xué)出版社,2002：1－5.?? 　　[23]ESTER M, PETAL K H. Knowledge discovery in large spatial datamining: focusing techniques for efficient class indertifica

47、tion:proc. of the 4th Symp.SSD’95,Advances in Spatial Database[C].Berlin: Springer－Verlag, 1995:67－82.?? 　　[24]CHAATTRATICHAT J,DARLINGTON J, GHANEM M. Large scale data mining:the challenges and solution:KDD[C].[S.l.]:[s.n.],1997.?? 　　[25] MICHAEL W.Agent－based software engineering[J].IEE Proc. on

48、 Software Engineering,1997,144(1)：26－27.?? 　　[26]WOOLDRIDGE M, MULLER J P,TAMBE M.Intelligent agentsⅡ:agent theories,architectures and languages[M].Amsterdam:Springer－Verlag,1995.?? 　　[27]KADAR B,MONNSTORI L,SZELKE E.An object－oriented framework for developing distributed manufacturing architectur

49、e [J].Journal of Intelligent Manufacturing,1998,9(2)：173－179.?? 　　[28]JENNINGS N R, SYCARA K,WOOLDRIGE M. A roadmap of agent research and development in autonomous agents and multi－agent systems [M]. Boston:Kluwer Academic Publishers,1998.?? 　　[29]FAN Ycuping,CHEN Yunping,SUN Wansheng.System descr

50、iption and petri nets model for reconfiguration of fault diagnosis multi－immune agent:the 5th World Congress on Intelligent Control and Automation[C].[S.l.]:[s.n.], 2004.?? 　　[30]楊興,朱大奇,等.智能故障診斷專家系統(tǒng)開發(fā)平臺研制[J] .控制工程,2005，12(增刊)： 180－182.?? 　　[31]陳銳,李連生,郭齊勝. 構(gòu)建基于Internet的分布式專家系統(tǒng)[J]. 計(jì)算機(jī)工程與應(yīng)用,2001,43（21）：76－77.?? 　　[32]龍光正,雷英杰,邢清華. 分布協(xié)同式專家系統(tǒng)研究[J]. 空軍工程大學(xué)學(xué)報(bào):自然科學(xué)版,2003，4（2）：67－69.??