论文部分内容阅读
专家系统作为人工智能重要的应用之一,在近几十年的发展中理论和技术逐渐成熟,在许多领域中取得了广泛和成功的应用。专家知识的获取是开发专家系统的重要环节,但由于传统的专家知识获取方法效率低下,知识获取一直是专家系统开发的“瓶颈”问题,在近几年成为学者们研究的热点。人工神经网络同人工智能领域的其它计算方法相比,具有大规模并行处理、分布式存储、自适应、自学习等优点。神经网络知识获取源于1988年,Gallant设计了一个连接主义专家系统,在Gallant之后,陆续有一些研究者对神经网络规则抽取进行了研究。根据神经网络知识获取算法设计思想的不同可以分成基于结构分析的算法和基于性能分析的算法两大类。基于结构分析的神经网络规则抽取方法把规则抽取视为一个搜索过程,其基本思想是把已训练好的神经网络结构映射成对应的规则,基于性能分析的神经网络规则抽取方法并不对神经网络结构进行分析和搜索,而是把神经网络作为一个整体来处理。
本文基于性能分析的观点,提出了一种改进的神经网络知识获取方法,利用神经网络进行专家系统的知识获取。首先设计神经网络的结构,并对神经网络进行训练,然后采用随机数据集生成的方法产生规则(知识)所需要的示例空间,利用chi2的改进算法进行连续属性离散化,最后采用一种自学习的算法产生代表知识的规则,通过选取UCI机器学习数据库中的经典样本进行试验仿真表明,该方法能够抽取出精度高、保真度高的规则(知识)。
按照这个思路,本文针对基于神经网络算法的专家系统知识获取问题进行了研究。本文首先介绍了专家系统和知识获取的基本理论和方法,分析了传统知识获取方法的弊端和当前的研究现状,然后本文对神经网络的基本理论进行了简明扼要的阐述,并阐述了利用神经网络进行知识获取的经典算法,例如MOFN算法、RX算法等,提出了神经网络知识获取的评价标准。最后详细介绍了利用神经网络进行知识获取的步骤,包括神经网络设计与训练,连续属性离散化等问题,最终通过实验验证了本文提出的方法的有效性。