论文部分内容阅读
摘 要： 在专家系统开发中推理机制的设计是影响系统性能的一个关键因素。重点介绍专家系统常用的两种推理机制。阐述在Intranet中IT技术支持专家系统中将基于故障树的推理机制与基于神经网络的推理机制相结合形成一种更高效的推理机制的过程。
关键词： 专家系统；推理机制；故障树；神经网络
中图分类号：U461.3 文献标识码：A 文章编号：1671－7597（2012）0220085－01
推理机制是专家系统的“CPU”，是构成专家系统的核心部分，其作用是模拟领域专家的思维过程，完成对领域问题的求解。推理机制影响是专家系统的性能的一个重要因素，推理机制设计不合理容易使专家系统在运行中出现“组合爆炸”、“无穷递归”和“匹配冲突”等问题，从而影响系统性能。在Intranet中IT技术支持专家系统中由于知识库内容丰富、结构复杂，推理机制的设计显得尤为重要。本文分析了几种常用的推理机制，并根据Intranet中IT技术支持专家系统的领域特点，完成了该专家系统推理机制的设计。
1 基于故障树的推理
根据IT技术支持专家系统的领域特点，基于故障树的推理机制能从用户描述的故障现象和知识库中构造的故障树进行推理得出故障原因，进而进行故障处理。其推理过程如下：
1）构造故障树林，构造合理的故障树林能有效缩小知识空间的搜索范围，提高系统工作效率；2）将用户描述的故障现象与数据库中由规则集所构造的若干故障树进行匹配，其中非叶子节点对应某一故障结论，叶子节点对应某一故障现象或者是某一项辅助信息；3）从故障树深度最大的非叶子节点开始分析规则表达式，看每个需要的事实（子节点）是否存在，如果某个节点的所有子节点都存在，则作为新的事实记录到工作寄存器，依次重复在树的每一层次进行运算直到不能再运算为止；4）对于不同规则集故障树的运算结果，按照可信度和匹配度等参数进行排序，选取最满足条件的结论得到诊断的结论信息，从而完成推理过程。
从推理过程可以看出，基于故障树的推理依赖于故障树的构造，对结构化领域知识的处理能力强，但对非结构和半结构化的领域知识缺乏有效的推理方式，另外当故障树过大时，推理速度受故障树深度限制，难以实现并行计算，而且故障匹配时容易出现冲突现象，会降低求解速度与准确性。
2 基于神经网络的推理机制
基于神经网络的推理机制一般通过采集征兆向量然后使用正向推理的方式计算出故障向量，从而得出诊断结果。整个推理过程模拟领域专家凭直觉来解决问题的方式，可以解决局部情况的不确定性，具有一定的联想功能和创造性思维。一般分为输入层神经元、隐含层神经元和输出层神经元，其推理过程如下：1）调入故障诊断知识库和各项故障征兆向量{x1,x2,x3…xn}，根据输入数据计算输入层各神经元的输出，把它们作为隐含层单元的输入；2）计算隐含层神经元的输出，并把它们作为输出层单元的输入；3）计算输出层神经元的输出，并由给定的法则判定输出神经元的输出，对输出进行确认，确认完后修正故障征兆向量。
从以上推理过程可以看出：它能很好的处理非结构和半结构化的领域知识，并能够通过征兆向量记忆诊断结果，从而归纳出新的诊断规则充实知识库的内容。与传统专家系统的推理机制相比，神经网络具有很多的优势：神经网络在同一层神经元上是并行处理的，层间的处理是串行的，可以实现并行推理，提高推理效率。神经网络推理通过征兆向量与输入数据的运算来完成，由通常的符号运算转变为数值运算，从而可以大大提高推理速度。神经网络采用隐式的知识表示方式，通过神经计算来进行求解的推论策略可以完全避免了冲突。但单纯使用神经网络推理机制在结构性领域知识的推理上存在可理解性差，推理结果逻辑溢出等情况。
3 本专家系统推理机制的设计与应用
通过上述两种推理机制的分析，结合IT 技术支持专家系统领域知识的特点，本专家系统的推理机制采用了基于故障树的推理和基于神经网络的推理机制进行结合的方式。采用控制程序将单故障、单过程、确定型故障以及渐发性故障的诊断对象分配给基于故障树的推理进行诊断，将多故障、多过程、不确定型故障以及突发性故障的诊断对象分配给神经网络进行诊断，充分发挥故障树和神经网络各自的优势，又使二者相互协调工作，既使本专家系统的诊断范围扩大，又使其诊断推理快速。推理过程如下所示：
从以上推理流程可以看出，本系统将基于故障树所具有的判别速度快、具有良好的可理解性、知识获取能力强等特点和神经网络的可学习性、自适应性、自组织性、能以权值的形式自动地获取知识等特点结合，有效的实现了专家系统的推理机制，提高了推理效率。
4 小结
本专家系统所设计的推理机制，把与专家系统知识库中规则相匹配且确定性较大的故障送入基于故障树推理机求解，而把不能与专家系统知识库中规则相匹配的故障和不确定性较大的故障作为神经网络的输入样本，由神经网络进行推理求解。完成了基于故障树和神经网络系统的推理机制的有效结合。这样，在专家系统部分可以采用它最擅长的人机交互式的混合双向推理方法，充分利用知识库中故障树，准确地得出推理结果；而在神经网络部分则采用系统运行过程中生成的征兆向量正向推理方法根据输入数据进行直接计算得出诊断结果，发挥各自的优势，使整个专家系统高效运行。
基金项目：湖南省教育厅2010年科学研究资助课题《Intranet中IT技术支持专家系统研究与开发》（2010C0286）阶段性研究成果。
参考文献：
[1]张维勇、程凡、魏臻，一种综合智能故障诊断方法的研究，合肥工业大学学报，2006，28（9）：1104-1107.
[2]鞠万群、韩秋实，基于神经网络与规则库的故障诊断专家系统[J].北京机械工业学院学报，2001（03）：6-8.
作者简介：
梁亮理（1979-），男，湖南省涟源人，研究生，系统分析师（高工），高校讲师，研究方向：计算机网络技术和软件开发。
关键词： 专家系统；推理机制；故障树；神经网络
中图分类号：U461.3 文献标识码：A 文章编号：1671－7597（2012）0220085－01
推理机制是专家系统的“CPU”，是构成专家系统的核心部分，其作用是模拟领域专家的思维过程，完成对领域问题的求解。推理机制影响是专家系统的性能的一个重要因素，推理机制设计不合理容易使专家系统在运行中出现“组合爆炸”、“无穷递归”和“匹配冲突”等问题，从而影响系统性能。在Intranet中IT技术支持专家系统中由于知识库内容丰富、结构复杂，推理机制的设计显得尤为重要。本文分析了几种常用的推理机制，并根据Intranet中IT技术支持专家系统的领域特点，完成了该专家系统推理机制的设计。
1 基于故障树的推理
根据IT技术支持专家系统的领域特点，基于故障树的推理机制能从用户描述的故障现象和知识库中构造的故障树进行推理得出故障原因，进而进行故障处理。其推理过程如下：
1）构造故障树林，构造合理的故障树林能有效缩小知识空间的搜索范围，提高系统工作效率；2）将用户描述的故障现象与数据库中由规则集所构造的若干故障树进行匹配，其中非叶子节点对应某一故障结论，叶子节点对应某一故障现象或者是某一项辅助信息；3）从故障树深度最大的非叶子节点开始分析规则表达式，看每个需要的事实（子节点）是否存在，如果某个节点的所有子节点都存在，则作为新的事实记录到工作寄存器，依次重复在树的每一层次进行运算直到不能再运算为止；4）对于不同规则集故障树的运算结果，按照可信度和匹配度等参数进行排序，选取最满足条件的结论得到诊断的结论信息，从而完成推理过程。
从推理过程可以看出，基于故障树的推理依赖于故障树的构造，对结构化领域知识的处理能力强，但对非结构和半结构化的领域知识缺乏有效的推理方式，另外当故障树过大时，推理速度受故障树深度限制，难以实现并行计算，而且故障匹配时容易出现冲突现象，会降低求解速度与准确性。
2 基于神经网络的推理机制
基于神经网络的推理机制一般通过采集征兆向量然后使用正向推理的方式计算出故障向量，从而得出诊断结果。整个推理过程模拟领域专家凭直觉来解决问题的方式，可以解决局部情况的不确定性，具有一定的联想功能和创造性思维。一般分为输入层神经元、隐含层神经元和输出层神经元，其推理过程如下：1）调入故障诊断知识库和各项故障征兆向量{x1,x2,x3…xn}，根据输入数据计算输入层各神经元的输出，把它们作为隐含层单元的输入；2）计算隐含层神经元的输出，并把它们作为输出层单元的输入；3）计算输出层神经元的输出，并由给定的法则判定输出神经元的输出，对输出进行确认，确认完后修正故障征兆向量。
从以上推理过程可以看出：它能很好的处理非结构和半结构化的领域知识，并能够通过征兆向量记忆诊断结果，从而归纳出新的诊断规则充实知识库的内容。与传统专家系统的推理机制相比，神经网络具有很多的优势：神经网络在同一层神经元上是并行处理的，层间的处理是串行的，可以实现并行推理，提高推理效率。神经网络推理通过征兆向量与输入数据的运算来完成，由通常的符号运算转变为数值运算，从而可以大大提高推理速度。神经网络采用隐式的知识表示方式，通过神经计算来进行求解的推论策略可以完全避免了冲突。但单纯使用神经网络推理机制在结构性领域知识的推理上存在可理解性差，推理结果逻辑溢出等情况。
3 本专家系统推理机制的设计与应用
通过上述两种推理机制的分析，结合IT 技术支持专家系统领域知识的特点，本专家系统的推理机制采用了基于故障树的推理和基于神经网络的推理机制进行结合的方式。采用控制程序将单故障、单过程、确定型故障以及渐发性故障的诊断对象分配给基于故障树的推理进行诊断，将多故障、多过程、不确定型故障以及突发性故障的诊断对象分配给神经网络进行诊断，充分发挥故障树和神经网络各自的优势，又使二者相互协调工作，既使本专家系统的诊断范围扩大，又使其诊断推理快速。推理过程如下所示：
从以上推理流程可以看出，本系统将基于故障树所具有的判别速度快、具有良好的可理解性、知识获取能力强等特点和神经网络的可学习性、自适应性、自组织性、能以权值的形式自动地获取知识等特点结合，有效的实现了专家系统的推理机制，提高了推理效率。
4 小结
本专家系统所设计的推理机制，把与专家系统知识库中规则相匹配且确定性较大的故障送入基于故障树推理机求解，而把不能与专家系统知识库中规则相匹配的故障和不确定性较大的故障作为神经网络的输入样本，由神经网络进行推理求解。完成了基于故障树和神经网络系统的推理机制的有效结合。这样，在专家系统部分可以采用它最擅长的人机交互式的混合双向推理方法，充分利用知识库中故障树，准确地得出推理结果；而在神经网络部分则采用系统运行过程中生成的征兆向量正向推理方法根据输入数据进行直接计算得出诊断结果，发挥各自的优势，使整个专家系统高效运行。
基金项目：湖南省教育厅2010年科学研究资助课题《Intranet中IT技术支持专家系统研究与开发》（2010C0286）阶段性研究成果。
参考文献：
[1]张维勇、程凡、魏臻，一种综合智能故障诊断方法的研究，合肥工业大学学报，2006，28（9）：1104-1107.
[2]鞠万群、韩秋实，基于神经网络与规则库的故障诊断专家系统[J].北京机械工业学院学报，2001（03）：6-8.
作者简介：
梁亮理（1979-），男，湖南省涟源人，研究生，系统分析师（高工），高校讲师，研究方向：计算机网络技术和软件开发。