神经网络在专家系统中地应用.ppt

《神经网络在专家系统中地应用.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第11章神经网络11.3神经网络在专家系统中的应用11.4神经网络在模式识别中的应用11.3神经网络在专家系统中的应用第1章知识点回顾：人工智能研究途径的两种观点：1、主张对人脑的结构及机理开展研究，并通过大规模集成简单信息处理单元来模拟人脑对信息的处理。代表：神经网络2、主张通过运用计算机的符号处理能力来模拟人的逻辑思维，其核心是知识的符号表示和对符号表示的知识的处理。代表：专家系统11.3.1神经网络与专家系统的互补性一、传统专家系统中存在的问题1、知识获取“瓶颈”问题2、知识的“窄台阶”问题3、系统复杂性与效率问题4、不具有联想记忆功能二、神经网路中存在的问题1、学

2、习及问题求解具有“黑箱”特性，工作不具有解释性，无法知道如何得出结论2、学习周期较长，收敛速度慢，缺乏有效的追加学习能力，对整个网络训练时浪费时间三、神经网络与专家系统的集成（取长补短）根据集成侧重点不同，分为三种模式：1、神经网络支持专家系统：以传统专家系统技术为主，辅以神经网络的有关技术。2、专家系统支持神经网络：以神经网络有关技术为主，建立相应领域的专家系统。（后续介绍）3、神经网络与专家系统的对等模式：求解复杂问题时，将其分为若干个子问题，针对每个子问题特点分别用神经网络及传统专家系统进行解决。11.3.2基于神经网络的知识表示知识表示：对客观世界进行形式化描述。

3、神经网络：隐式；传统专家系统：显式一个用于医疗诊断的例子。设整个系统的简易诊断模型只有六种症状，两种疾病，三种冶疗方案。对网络的训练样例是选择一批合适的病人并从病历中采集如下信息：症状：对每一症状只采集有、无及没有记录这三种信息。疾病：对每一疾病也只采集有、无及没有记录这三种信息。冶疗方案：对每一治疗方案只采集是否采用这两种信息。其中，对“有”．“无”、“没有记录”分别用1、-1，0表示。这样对每一个病人就可以构成训练样例。假设根据症状、疾病及冶疗方案间的因果关系，以及通过训练样例对网络的训练得到了如图所示的神经网络。其中：x1，x2，…，x6为症状x7,，x8为疾病名；

4、x9,，x10，x11为治疗方案；xa，xb，xc是附加层此网络中：x1，x2，…，x6是输人层；x9，x10，x11是输出层；两者间以疾病名作为中间层。对图有关问题说明如下：(1)这是一个带有正负权值的前向网络，由wij可构成相应的学习矩阵。在该矩阵中当i≥j时，wij=0；当i

5、行训练得到的，这就是神经网络专家系统所进行的知识获取。(4)由全体wij的值及各种症状、疾病、治疗方案名所构成的集合就形成了该疾病诊冶系统的知识库。11.3.3基于神经网络的推理网络计算实现:把用户提供的初始证据用作网络的输入，通过网络计算最终得到输出结果。例如诊治疾病的例子，若用户提供的证据x1=1(即病人有x1这个症状)，x2=x3=-1(即病人没有x2与x3这两个症状)，当把它们作为输入送入网络后，就可算出x7=1，这是由于：0+2×1+（-2）×（-1）+3×（-1）=1>0由此可知该病人患的疾病是x7。正向网络推理步骤：(1)把已知数据作为输入赋予网络输入层的各

6、个节点。(2)利用特性函数分别计算网络中各层的输出。计算中，前面一层的输出将作为后面一层有关节点的输入，逐层进行计算，直至计算出输出层的输出值。(3)用阈值函数对输出层的输出进行判定，从而得到输出结果。神经网络推理具有如下特征：（1）并行推理：同一层的处理单元(神经元)是完全并行的，但层间的信息传递是串行的。由于层中处理单元的数目要比网络的层数多得多，因此它是一种并行推理。（2）自适应推理：网络推理只与输入及网络自身的参数有关，而这些参数又是通过使用学习算法对网络进行训练得到的．因此它是一种自适应推理。（3）在网络推理中不会出现传统专家系统中推理的冲突问题。11.4神经网

7、络在模式识别中的应用应用举例：一、语音识别（BP算法）语音识别系统的基本组成一般可以分为预处理模块、特征值提取模块及模式匹配三个模块。如图11.4.1所示为语音识别系统结构框图。图11.4.1语音识别系统结构框图样本语言预加重加窗分帧端点检测特征提取建立BP神经网络输入样本待测语音预处理特征提取训练BP神经网络使用神经网络识别结果从图中的系统整体架构可以看到，建立基于BP神经网络的语音识别系统可分为两个阶段：即训练阶段和识别阶段。（1）训练阶段,通过说话人多次重复语音,本系统从原始语音样本中去除冗余信息,提取说话人的特征参数并