基于MAS和BP神经网络的专家系统研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于MAS和BP神经网络的专家系统研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要:针对传统专家系统推理能力弱和智能水平低等不足,该文打破思维定势,利用MAS系统自治智能、分布协同的特性和BP神经网络于知识获取的长处,详细阐述了基于mas和bp神经网络的专家系统的体系结构和基本原理。
关键词:MAS;Agent;BP神经网络;专家系统;人工智能
中图分类号:TP183文献标识码:A文章编号:1009-3044(2009)14-3766-02
Research on Expert System Based on Mas and BP Neural Network
KOU Jing-lei
(Commanding Communications Academy, Wuhan 430010, China)
Abstract: The method of combining BP neural network and Multi-Agent to solve the problem of lack of knowledge during developing expert system is put forward. The expert system based on BP neural network gives some intelligences and inferences by computing, and the combination with object oriented technology,distributed computation and artificial intelligence in agent theory supports intelligent system to break through the architecture of traditional expert system .This paper also can be used for reference to the design of an intelligent expert system.
Key words: MAS; agent; BP neural network; expert system; atificial intelligence
1 引言
专家系统是人工智能研究中一个最活跃且最有成效的重要分支,已广泛应用于医疗诊断、地理勘探、金融决策、实时监控、军事运筹等多种领域中,产生了巨大的社会效益及经济效益。随着MAS和BP神经网络的深入研究,专家系统必将与之结合并发挥出不可估量的作用。
2 专家系统简介
专家系统将人类专家的知识和经验以知识库的形式存入计算机,并模仿人类专家解决问题的推理方式和思维过程,运用知识库对现实中的问题作出判断和决策。如图1所示,专家系统的基本结构大致分为6个组成部分:人机接口、解释器、知识获取器、推理机、知识库和综合数据库。专家系统有三个特点:1)启发性,能运用专家的知识和经验进行推理和判断;2)透明性,能解决本身的推理过程,回答用户提出的问题;3)灵活性,能不断地增长知识,修改原有知识。
3 传统专家系统存在的问题
传统专家系统是基于知识的处理的系统,尽管与人类专家相比,专家系统具有很大的优越性。但是,随着专家系统应用的日益广泛及所处理问题的难度和复杂度的不断扩大和提高,专家系统在某些方面己不能满足是实际工作中的需求,具体体现在以下三个方面: 1) 知识获取的“窄台阶”和“瓶颈”问题。目前的专家系统只能应用于相当窄的知识领域内求解预定的专门问题,一旦遇到超出知识范围的问题,就无能为力,不能通过自身的学习增长知识;2) 缺乏联想功能、推理能力弱。不支持多种推理策略,在时态推理、定性推理和非单调推理等方面依旧没有新的突破,而这些正是人类思维中最常用的推理形式;3)体系结构的缺乏层次性。目前的专家系统大部分还是单一、独立的专家系统,缺少多个系统的协作及综合型的专家系统。
基于MAS和BP神经网络的专家系统能在一定程度上改善这些不足之处。
4 对传统专家系统的改进
4.1 BP神经网络的引入
人工神经网络(ArtificialNeuralNetwork,ANN)仿效生物体信息处理系统获得柔性信息处理能力。它是从微观上模拟人脑功能,是一种分布式的微观数值模型,神经元网络通过大量经验样本学习知识。更重要的是,神经网络有极强的自学习能力,对于新的模式和样本可以通过权值的改变进行学习、记忆和存储,进而在以后的运行中能够判断这些新的模式。BP神经网络即反向传播网络,网络中的神经元分层排列,每一层内神经元的输出均传送到下一层,这种传送由联接权值来达到增强、减弱或抑制这些输出的作用,除了输入层的神经元外,隐含层和输出层神经元的净输入是前一层神经元输出的加权和。每个神经元均由它的输入、激活函数和阈值来决定它的活化程度。
目前基于BP神经网络的专家系统主要把神经网络的学习机理应用在单个专家系统内部的推理和知识获取模块,我们要改变这种定势思维,把神经网络应用在多个专家系统组成的阵列网络中,把若干个专家系统组成一个神经元。
4.2 MAS的引入
Agent具有自治性、社会性、反应性和能动性。多Agent系统的表现通过Agent的交互来实现,主要研究多个Agent为了联合采取行动或求解问题,如何协调各自的知识、目标、策略和规划。在表达实际系统时,多Agent系统通过各Agent间的通信、合作、协调、调度、管理及控制来表达系统的结构、功能及行为特性。基于MAS(Multi-Agent System)的专家系统利用Agent的这些特性模拟人类专家群处理问题的方式,将复杂问题加以分解,同时利用协作、谈判、竞争、招投标及任务调度等机制,能够较好地解决传统专家系统无法解决的复杂智能问题。
在本文中,MAS的作用主要是在专家系统之间应用BP神经网络的学习机制时,为其前向传播和反向反馈提供通信、合作、协调等服务。
5 基于MAS和BP神经网络的专家系统
5.1 体系结构
在本系统中构造若干个专家Agent, 每个专家Agent是一个完整的专家系统,除了具有传统的专家系统的主要功能组成部分外,还具有Agent的特性。如图2 所示,把这些专家Agent进行部分互连,在拓扑上成为MxN的专家系统阵列网络。
5.2 工作流程
在本系统中所构造的n个专家Agent,每个专家Agent对某一具体领域的问题具有解决能力,若用户提出的问题未超出领域范围,则专家Agent独立完成问题求解。有的问题仅靠一个专家难以解决,该专家Agent首先将输入的任务力所能及的进行自身推理、求解,然后任务给与之互连其它专家Agent请求帮助,下一个专家Agent又有可能向与之相连的其它专家Agent请求帮助,这样层次性传递,直至最后完成任务。每一层的输出结果再通过神经网络的学习机制层层传递回来,最终综合结果输出给用户。
当用户进行实践后,再把经过实践检验后的结果重新输入专家系统Agent的知识获取模块,在利用BP神经网络的反向反馈机制修改每一层的网络权值,使下次运用专家系统求解时更加智能和科学。
5.3 学习机理
如图4所示,以专家Agent2x2为例,专家Agent2x1、专家Agent2x3、专家Agent1x2和专家Agent3x2分别是与专家Agent2x2互连的专家系统,x1、x2、x3和x4分别代表与专家Agent2x2互连专家Agent的输入,w1、w2、w3和w4分别代表其,表示输入与神经元间的连接强度;b为神经元阈值,可以看作是一个网络权值恒为1的专家Agent2x2的输入。求和单元完成对输入信号的加权求和,即
这是专家Agent2x2综合与之互连的其他专家Agent结果后的输出。
6 结束语
随着人工智能技术的发展,把MAS和BP神经网络应用到专家系统中,通过并行计算、协作求解所表现出的复杂智能行为较好地体现了人类专家群的问题求解过程,这必将成为未来专家系统发展的主流。笔者探讨了MAS和BP神经网络与专家系统的有机结合,为解决此问题提供了新的思路。事实上MAS和BP神经网络的应用领域和应用范围非常大,应用效率的提升空间也非常高,这些都有待于计算机工作者的开发和拓展。
参考文献:
[1] 蔡自兴,约翰・德尔金,龚涛.高级专家系统:原理、设计及应用[M].北京:科学出版社,2005.
[2] 刘慧敏,王欢,王万森.基于Agent技术的专家系统平台的设计与实现[J].计算机应用研究,2004(6):187-192.
[3] 王正群,陈世福,陈兆乾.并行学习神经网络集成方法[J].计算机学报,2005,28(3):402-408.
[4] 田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006.
[5] 曹承志.智能技术[M].北京:清华大学出版社,2004.