专家知识库

各行各业都希望能有专家来解决问题，以提高工作效率和经济效益。由于专家有限，人们便求助于专家系统(即一种计算机程序系统)。在国外，专家系统已被广泛应用于各种需要由专家来解决问题的领域，同时专家系统的技术也被应用于各种计算机智能系统中。我国这方面的研究起步较晚，始于70年代末期。早期主要集中在中医诊疗方面，此后，不少单位相继开展了计算机辅助判断方面的研究工作，目前已形成一股热潮。

专家系统已广泛应用于化学、电子学、医学、地质学等众多领域。专家系统是人工智能领域的一个分支。专家系统早期先导者之一，斯坦福大学的Edward Feigenbaum教授，把专家系统定义为“一种智能的计算机程序，它应用知识和推理过程来解决只有专家才能解决的复杂问题”。因此专家系统可表达为：专家系统=知识库+推理机。早期专家系统的特点是弱知识库、强推理机。其目标是利用功能强大的推理方法，依赖少量的知识库来解决大量的问 题。 其中最有名的是通用问题求解器 。直到20世纪70年代人们才意识到如果知识库太弱，哪怕推理机的功能无穷强大还是无法达到人类专家的水平。因 此“弱 知 识 库+强 推 理 机”模式开始演化，逐步形成现代的“强知识库+强推理机”模式。这种演化提高了专家知识库在专家系统开发中的重要性。

专家系统的知识库是专家系统极其重要的组成部分，知识库的质量好坏直接影响专家系统的质量好坏。从知识的本身来看，它可分为两种类型：一是基础原理和理论，另一种是基于直接和间接经验积累的专门知识。专家的知识并不都是从经验中得到的，如果缺乏坚实的理论基础，就很难做好经验的积累工作，也就不可能对一个复杂的问题给予正确的解。因此，我们认为，一个好的专家系统不仅要具有某一领域的专门知识，更重要的还要具有能够处理复杂问题所需的基本理论的深层知识。

著名的自动控制权威Austrom指出，模糊逻辑控制、神经网络控制和专家系统是三种典型的人工智能控制方法。其中，专家系统是人工智能控制领域中的一个重要的、很有实用价值的研究分支。专家系统在很多领域得到了实际应用，但至今尚没有一个被人们普遍接收的确切定义。从本质上讲，它是一类包含着知识和推理的智能计算机程序，这些知识加上推理要达到这样的水平，即可被认为是某一特定领域中最佳实践者的专家模型。

专家系统一般由以下几部分组成：

1、知识库(Knowledgebase)；

2、推理机(Inference Engine)；

3、知识管理系统(Knowledge Administrition System)，也即综合数据库；

4、人机接口(Man-machine Interface)

5、知识获取(Knowledge Acquisition)

专家知识库是专家系统的核心之一，其主要功能是存储和管理专家系统中的知识，主要包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识。专家系统的知识库是专家系统极其重要的组成部分，知识库的质量好坏直接影响专家系统的质量好坏。从知识的本身来看，它可分为两种类型：一是基础原理和理论，另一种是基于直接和间接经验积累的专门知识。专家的知识并不都是从经验中得到的，如果缺乏坚实的理论基础，就很难做好经验的积累工作，也就不可能对一个复杂的问题给予正确的解。因此，我们认为，一个好的专家系统不仅要具有某一领域的专门知识，更重要的还要具有能够处理复杂问题所需的基本理论的深层知识。

专家系统中的知识库是人类专家头脑中知识的电子记录，而知识库主要通过知识工程师与人类专家进行沟通 得到。在人类专家知识的基础上建立专家系统的过程称为知识工程（Knowledge engineering）。这个过程由知识工程师来完成。知识工程师从人类专家获得知识，并把它们编码到专家系统中，如图1所示。知识表示是用计算机能够接受并进行处理的符号和方式来完成的。不同的表示方法大大地影响系统的工作效率。因此，知识表示是研制专家系统的重要问题，这就需要研究如何把知识形式化，并转移给机器。常用的知识表示有产生式系统，框架结构，语义网络，一阶谓词逻辑。

图1 专家知识获取过程

专家的能力来自于其具有深厚的专业知识和丰富的实际经验，因此，专家系统必须有足够的专家知识。知识获取有两种方式：一种是外部收集；另一种是机器通过自学自动获取。目前主要采用第一种方式，第二种方式尚处于研究阶段。知识获取后，还需要解决如何进行知识的表达问题。应根据所要解决的问题的特点选择不同的知识表达方法，常用的表达方法有产生式规则、框架、谓词逻辑、面向目标方法等。对于知识的不确定性有基于概率和模糊集的表达方法，后者构成了目前很有发展前途的模糊专家系统。