论文部分内容阅读
专家系统是人工智能应用研究最活跃和最广泛的应用领域之一。专家系统,简单地说是一种模拟人类专家解决领域问题的计算机程序系统,它将特定领域人类专家的特殊知识赋予机器,用计算机模拟专家的思维活动、推理判断,使对问题的求解达到专家的水平。专家系统在许多领域中都有成功的运用,但是随着发展的深入和要求的提高,有关知识获取以及如何处理知识的模糊性或不确定性等问题逐渐显示出来。目前专家系统的水平远远不能满足实际的需求。其根本原因在于系统的知识表示和处理的理论方法上没有取得突破。如何获得不准确或不确切的知识和关系,并在此基础上做出正确的结论就成为专家系统所需要解决的一个问题。 粗糙集理论作为人工智能领域中的一个新学术热点,能有效地处理不完整、不确定知识的表达和推理,其有效性已在许多领域的应用中得到证实。粗糙集理论无需任何先验信息,能有效地分析和处理不精确、不一致、不完整等不完备性数据,通过发现数据间隐藏的关系,揭示潜在的规律,从而提取有用信息,简化信息的处理。因此将粗糙集理论的知识获取方法和知识的约简引入到专家系统具有广泛的前景。 本文提出了一种基于粗糙集理论的专家系统模型。该模型在知识获取阶段引入知识过滤器,根据知识依赖度的变化对采集的知识进行评价和分类。该系统还在知识库构造阶段引入知识重构机制,对原有的知识库进行精简和重构。这种方法不仅消除了知识库中的冗余属性,还对属性值空间进行合理划分,对整个系统的性能有明显的改善效果。 本文还在故障诊断专家系统的基础上,引入粗糙集理论,并以信息系统属性值表为主要工具,对专家系统中的规则进行约简,并剔除不必要的属性,揭示了故障诊断信息中内在的冗余性,降低了故障诊断专家系统构成的复杂性,并建立了简化后的决策规则。