分析了目前国内外医疗诊断专家系统,特别是动物疾病诊断领域专家系统的研究现状,针对存在的一些问题,在做进一步的用户需求分析,并深入研究原有疾病诊断专家系统和相关文献的基础上,提出了构建基于智能计算的犬疾病诊断系统的思路和方案。 由于知识获取、高效推理、自学习是开发诊断专家系统的难点,也是传统疾病诊断系统的不足。根据这些不足和犬疾病智能诊断系统用户需求特点以及功能要求,研究设计了以粗糙集理论、模糊理论、神经网络为核心的专家系统知识获取和推理机制。 知识获取。一是在领域专家提供的大量确诊案例数据的基础上,用基于粗糙集的属性约简算法实现对原始案例数据中冗余属性的约简;二是根据犬疾病诊断手册,直接获取疾病的典型症状属性。由上述方法得到的属性作为输入变量构造一种基于规则的模糊神经网络——也就是将规则以显式形式在神经网络中表示出来,再用相应案例数据训练神经网络,进而获取犬病诊断知识,建立知识库。 诊断推理与解释。用户选择症状后,激活相对应的己训练好的网络结构,经过计算可得到诊断结果,其中推理策略采取混合推理,按后验概率的大小排列第一次推理结果,如果能得出确诊结论则结束,输出结论;如果不能得到确诊结论(疑诊结论),则进行二次诊断,调出疑诊结论的相关症状供用户选择,进一步推理诊断。规则显示的神经网络结构,使神经网络的推理过程能够清楚地被理解和解释。 自学习。经过实验室临床确诊的疾病,可以作为实例进行训练、完善知识库。如果系统的诊断与临床诊断一致,则优化权值;反之,如果不一致,则可以自学习更改相应权值,使知识库自动完善。 在上述工作基础上,应用Java编程,Oracle数据库等技术,设计并实现了基于智能计算的犬疾病诊断系统。