专家系统简介

• 本文对基于规则的专家系统进行简介，举例专家系统的结构类似 MYCIN 系统，同时串联介绍专家系统的各种思想。需要注意的是，本文所述仅是专家系统的一种实现途径，其依赖规则进行知识表示和推理，另外还有基于语义网络、框架、谓词逻辑、脚本等等其他知识表示和推理方法的专家系统
• 参考：专家系统是如何实现的

---

1. 基本结构 & 基本工作流程

• 专家系统（Expert System, ES）是在某一特定领域中，能够像人类专家一样解决复杂问题的计算机软件系统。它能够有效地运用专家多年积累的经验和专业知识，通过模拟专家的思维过程，解决需要专家才能解决的问题。专家系统需要通过一定的知识获取方法，将专家知识保存在知识库中，然后运用推理机，结合人机交互接口进行工作。
• 专家系统的基本结构如下所示

• 知识库：包含由知识工程师提供的大量先验领域知识，通常以规则形式构成，形如 IF <前提> THEN <结论>。其中 <前提> 和 <结论> 都是事实命题，可以形式化表示为三元组表达式 (<名称> <属性> <值>)。特别地，<名称> 字段可以用 “same” 和 “notsame” 表示 “一致” 或 “不一致”，例如：

IF (天气 类别 阴天) 且 (天气 湿度 高) THEN (天气 类别 下雨)；
IF (天气 类别 下雨) THEN (行李 包含 雨伞)
IF (same 羽毛 有) THEN (动物 类别 鸟类)
IF (same 类别 鸟类) and (notsame 飞翔 会) and (same 游泳 会) and (same 颜色 黑白) THEN (动物 是 企鹅)

• 推理机：一个执行机构，它能够对知识库的知识进行解释（符号->语义），并利用知识进行推理
• 动态数据库：一个工作存储区，用于存放初始已知条件、已知事实、推理过程中得到的中间结果以及最终结果等
• 人机交互界面：系统与用户的交互接口，系统运行过程中，用户通过该交互接口向系统输入数据，系统通过该交互接口对用户显示信息
• 解释器：在专家系统和用户的交互过程中，当用户对系统输出存在疑问时，专家系统可以通过解释器向用户进行解释。解释一般分为 Why 和 How 两种，前者对系统向用户提问的原因进行解释，后者对系统得到结论的推理途径进行解释
• 知识获取模块：专家系统与知识工程师的交互接口，知识工程师通过知识获取模块将整理的领域知识加入到知识库中，也通过知识获取模块对知识库进行管理和维护

• 专家系统的基本工作模式包括推理模式和解释模式两种

• 推理模式下如左图所示，用户通过人机交互界面向系统输入数据，推理机借助知识库对这些数据进行分析、推理、提出假设并向用户提问，请求新的输入数据来验证假设。以上人机交互过程会迭代重复多次，直到推理机得出最终结果，在此过程中，用户的原始输入和产生的中间结果都会记录在动态数据库中，以支持推理机的推理过程
• 解释模式如右图所示，交互过程中，用户可以随时通过人机交互界面要求系统进行解释，解释器会根据动态数据库中存储的历史交互信息向用户给出 Why 解释或 How 解释

2. 推理方法

• 专家系统的推理方法分为两类

1. 正向推理：从已知条件出发，正向地使用规则向目标进行推理，是一种数据驱动的推理
2. 逆向推理：从目标出发，首先假设结论成立，再逆向运用规则推出必须成立的前提，若发现所有必要前提都已知成立，则推理命题为真，是一种目标驱动的推理
3. 双向推理：同时使用正向和逆向推理

• 设有如下规则 r1、r2、r3，已知 A、B、D 成立，求证 F 成立
  $\begin{aligned} &r1: \quad \text{IF A and B THEN C}\\ &r2: \quad \text{IF C and D THEN E}\\ &r3: \quad \text{IF E THEN F}\\ \end{aligned}$ 正向推理过程如下图所示
  
  逆向推理过程如下图所示
• 冲突消解：指在推理过程中，当有多个规则的前提同时成立时，如何选择规则。常见的冲突消解方法有

1. 按顺序执行
2. 更多前提条件被满足的规则优先执行
3. 距离目标更 ”近“ 的规则被优先执行（以目标的直接前提为结论的规则最先执行）
4. 按规则的优先级执行

• 考虑一个典型的设备参数设计场景，可以采用混合正向推理和逆向推理的双向推理方法：首次交互时，专家系统基于用户输入的场景和初步要求进行正向推理，得到初步参数方案设计；此后，针对初步设计中缺失但用户所需的额外参数，进一步通过逆向推理方法进行补充。特别地，整个推理过程中，若数据库中缺乏必要前提的相关规则或事实知识，则向用户发出提问请求加以补充。

示例如下：

1. 用户：(需求 类型 红外热像仪)；(需求 用途 野外电力设备巡检)
2. 专家系统：(? 探测距离)
3. 用户：(需求 探测距离 500米)
4. 专家系统：(设计 分辨率 640x480像素) ；(设计 视场角 10度)
5. 用户：(? 波长范围)
6. 专家系统：(? 灵敏度)
7. 用户：(需求 灵敏度 ≤50mK))
8. 专家系统：(设计 波长范围8-14微米)
9. 用户：(How 波长范围8-14微米)
10. 专家系统：[Rule 15]：IF (same 探测距离 ≤500米) and (same 视场角 ≤15度) and (same 灵敏度 ≤75mk) THEN (传感器 波长范围8-14微米)

注意到

1. 为了消解自然语言的复杂性和模糊性，专家系统通常使用类程序化的形式语言进行人机交互。
2. 第4行的初步参数设计通过正向推理方法得到
3. 第8行的补充设计通过逆向推理方法得到
4. 第10行专家系统利用解释器对设计方案进行了How解释

3. 专家系统的分类

3.1 确定性推理

• 基于规则推理（Rule Base Reasoning，RBR）的方法是将专家所掌握的现有知识和经验, 通过一定的方法转化为规则, 适用推理解进行启发式推理。根据明确的前提条件，得到明确的结果。

以动物的分类为例，规则可以设计为

• IF（有毛发 or 能产乳）and（（有爪子 and 有利齿 and 前视）or 吃肉）and 黄褐色 and 黑色条纹，THEN 老虎
• IF（有羽毛 or 能飞 and 生蛋））and 不会飞 and 游水 and 黑白色，THEN 企鹅

• 通常使用逆向推理规则，首先假设用户问题为真，然后根据规则判断所有前提是否成立，若知识库中不包含判断前提是否成立的必要信息，则由推理机向用户发起提问。基于规则的专家系统的工作流程如下图所示
• 基于规则的专家系统是最早期的一种专家系统

• 优点：推理过程比较明确，只要规则正确结论就比较准确，简单实用，应用广泛
• 缺点：规则构造严重依赖专家的经验积累，经验如果不准确则结果也不准确；没有自学习能力，更新迭代需要专家经验的不断积累

3.2 非确定性推理

• 现实中遇到的问题多数为非确定性问题，比如对于规则 IF 阴天 THEN 下雨，判断阴天的标准是模糊的，而且即使阴天也不一定下雨。导致非确定性的因素包含随机性、自然语言的模糊性、不完全性、多因素组合等。因此，有必要对事实和推理结果引入不确定性度量，以进行非确定性推理
• 置信度方法（Certainty Factor, CF）是一种常用的非确定性推理方法，最早由专家系统 MYCIN 提出，后在 EMYCIN 系统中得到进一步改进。为实现非确定性的推理，CF 方法将置信度概念引入到推理过程的各个环节中，具体设计如下：

1. 事实的表示：用 CF(A) 表示事实 A 为真的置信度，是一个取值范围在 [-1,1] 的浮点数

• 当 CF(A) = 1 时，表示 A 肯定为真
• 当 CF(A) = -1 时，表示A为真的置信度为 -1，也就是 A 肯定为假
• CF(A) > 0 表示 A 以一定的置信度为真
• CF(A) < 0 表示 A 为真的置信度为负，即其为假的置信度为 -CF(A)
• CF(A) = 0 表示对 A 一无所知。一般当 CF(A) 取值为一个绝对值较小的区间时，即认为系统不包含任何 A 的相关信息

2. 规则的表示：引入置信度后，推理结果中也要包含置信度，此时规则表示为 IF A THEN B CF(B, A)，可以理解为

• 表示当 A 成立时，即 CF(A)>0 时，结论 B 成立
• CF(B,A) 是规则的置信度，又称为规则的强度，取值范围为 [-1,1]
• 当 A 一定为真，即 CF(A) = 1 时，CF(B, A) = CF(B) 退化为结论 B 为真的置信度

3. 逻辑运算：在普通与或非逻辑运算的基础上，置信度方法的逻辑运算扩展了对置信度的计算

• CF(A and B) = min {CF(A), CF(B)}
• CF(A or B) = max {CF(A), CF(B)}
• CF(not A) = -CF(A)

4. 规则运算：对于规则 IF A THEN B CF(B, A)，结论 B 的置信度如下计算

• CF(B) = max {0, CF(A)} x CF(B, A)
• 以规则 IF 阴天 and 湿度大THEN 下雨 0.8 为例进行计算，设 $\mathrm{CF}(\text { 阴天) }=0.5$，$\mathrm{CF}(\text { 湿度大) }=0.6$，则
  $\begin{array}{l} \mathrm{CF}(\text { 阴天 and 湿度大 })=\min (\mathrm{CF}(\text { 阴天 }), \mathrm{CF}(\text { 湿度大 })) =\min (0.5,0.6)=0.5 \\ \mathrm{CF}( 下雨 )=\max (0, \mathrm{CF}( \text { 阴天 } \text {and} \text { 湿度大 } )) \times 0.8 =\max (0,0.5) \times 0.8=0.4 \end{array}$

5. 规则合成：当多个规则支持相同的结论时，从每个规则得到结论的置信度不同，需要合成以确定 CF(B)。具体而言，设：
   $\begin{aligned} \text{IF A1 THEN B CF(B,A1)} \quad => \quad \text{CF1(B)} \\ \text{IF A2 THEN B CF(B,A2)} \quad =>\quad \text{CF2(B)} \end{aligned}$ 在 MYCIN 系统中，置信度合成方法为
   $\mathrm{CF}(\mathrm{~B})=\left\{\begin{array}{ll} \mathrm{CF} 1(\mathrm{~B})+\mathrm{CF2} (\mathrm{B})-\mathrm{CF} 1(\mathrm{B}) \times \mathrm{CF} 2(\mathrm{~B}), & \text { 当 CF1(B)、CF2(B)均大于 } 0 \text { 时 } \\ \mathrm{CF} 1(\mathrm{~B})+\mathrm{CF2}(\mathrm{B})+\mathrm{CF} 1(\mathrm{B}) \times \mathrm{CF} 2(\mathrm{~B}), & \text { 当 CF1(B)、CF2(B)均小于 } 0 \text { 时 } \\ \mathrm{CF1}(\mathrm{~B})+\mathrm{CF2} (\mathrm{~B}), & \text { 其他 } \end{array}\right.$
   当需要合成的规则数量大于2时，可以通过两两运算来合成置信度，但以上方法的结果会受到合成顺序影响，不满足交换律，且置信度符号相反时合成结果趋向 0，不够合理。为此，EMYCIN 系统中对置信度合成方法优化为
   $\mathrm{CF}(\mathrm{~B})=\left\{\begin{array}{ll} \mathrm{CF} 1(\mathrm{~B})+\mathrm{CF2} (\mathrm{B})-\mathrm{CF} 1(\mathrm{B}) \times \mathrm{CF} 2(\mathrm{~B}), & \text { 当 CF1(B)、CF2(B)均大于 } 0 \text { 时 } \\ \mathrm{CF} 1(\mathrm{~B})+\mathrm{CF2}(\mathrm{B})+\mathrm{CF} 1(\mathrm{B}) \times \mathrm{CF} 2(\mathrm{~B}), & \text { 当 CF1(B)、CF2(B)均小于 } 0 \text { 时 } \\ \frac{\mathrm{CF} 1(\mathrm{~B})+\mathrm{CF} 2 \text { (B) }}{1-\min (|C F 1|,|C F 2|)}, & \text { 其他 } \end{array}\right.$

• 置信度方法具有基于概率论的理论支撑，其中置信度可等价定义为信任度量和不信任度量之间的差值。实际使用时，通常直接由专家给出 CF 值，而不通过概率进行计算

4. 黑板模型

• 专家系统使用知识库和动态数据库支持推理机进行推理，需要对其中的层次性知识数据进行管理。黑板模型是一种典型的对知识进行结构化组织和管理的模型，最早在1970年代由卡内基梅隆大学开发的HEARSAY-II系统中提出，在专家系统中被广泛采用
• 黑板模型的基本思想是通过一个共享的工作空间（即“黑板”）来协同解决复杂问题，如下图所示，其主要组成部分包括：

1. 知识源（Knowledge Sources, KS）：每个知识源是一个独立的专家模块，包含特定领域的知识和技能。知识源之间相互独立，不直接通信。
2. 黑板（Blackboard）：一个全局共享的工作空间，存储问题的当前状态和中间结果。所有知识源都可以读取和修改黑板上的信息。
3. 控制机制（Control Mechanism）：负责监控黑板上的状态，并根据某种策略选择和激活合适的知识源来处理当前问题。

• 黑板模型的工作流程如下：

1. 当一个问题被提出时，初始数据会记录在黑板上
2. 各知识源通过“观察”黑板，寻找可以应用其知识的机会
3. 当某个知识源发现黑板上的信息足以支持进一步求解时，它会执行相应的操作，并将结果记录在黑板上
4. 新增的信息可能会触发其他知识源的进一步操作
5. 这一过程不断重复，直到问题得到解决

• 黑板模型使用模块化设计，知识源可以独立开发和维护，便于系统扩展和更新。多个不同的知识源独立工作，并通过黑板进行协同，适合处理复杂和动态变化的问题，在解决大型复杂问题时非常有效，特别是在需要多学科、多专家协同工作的场景中