|
1 引言
专家系统是人工智能的重要应用领域，自６０年代开始，经历了３０多年的发展历史，取得了巨大成功，数以万计的专家系统相继出现，被广泛应用于国民经济的各个领域。但是，实践证明专家系统还存在着三大突出问题：知识的脆弱性，推理的单调性和知识获取的“瓶颈”等［1，2，1］。
人工神经网络模仿人类大脑的结构和功能，是由多个非常基本的、简单的神经元按某种方式联接而成的一种信息处理系统，是一个以有向图为拓扑结构的非线性动力系统，其主要特点是高度平行性、容错性和自适应性。但在深入的研究过程中，人们发现人工神经网络有一个根本的弱点：虽然它能进行自学习，但训练算法复杂，不能保证收敛；其次，神经网络方法目前只适合较小规模的情况，当规模较大时，网络的泛化问题不易解决。 近几年，各学派都从不同角度在不同层次上，对人工智能的不同方面：思维、感知、行为等进行了研究，各有其局部的相对真理性。因此，国内外著名的人工智能专家较一致地认为：需要把神经网络和专家系统结合起来，使之成为能发挥各自优点的综合集成系统［１～５］。
２ 神经网络块
神经网络算法是一数值计算过程，它的输入和输出都是数值向量，所以神经网络系统不能直接和外界通讯，必须经过逻辑到数字和数字到逻辑的两次转换［１］。即在输入外界逻辑信息到神经网络时，要把输入样本转化为输入向量，网络的输出向量也必须转化成对应的样本后才能被外界识别和利用。这就形成了一个独立的模块——神经网络块，其基本结构如图１所示。
图1 神经网络块结构示意图
神经网络块包括三部分：输入转换器、神经网络和输出转换器。输入转换器的功能是将实际问题的逻辑信息转换成数字信息，使之能够被神经网络处理；输出转换器则将神经网络输出的数字信息转换为外界能够识别和利用的逻辑信息。只要能制定出适当的输入转换模式和输出转换模式，通过运行神经网络模型，上述三部分就可作为一个具有独立功能的子模块，应用到专家系统的建造中。
| 
