第八章 产生式规则专家系统
人工智能应用技术课程标准
人工智能应用技术课程标准(总7页)--本页仅作为文档封面，使用时请直接删除即可----内页可以根据需求调整合适字体及大小--《人工智能应用技术》课程标准一、课程定位与目标（一）课程定位《人工智能应用技术》是一门综合性前沿学科，是信号与系统与计算机的交叉学科。
机电一体化技术专业培养方案中“职业能力与素质”模块中的一门专业核心课。
培养学生程序设计能力、软件开发能力、硬件开发能力、数字信号处理能力、机器算法能力以及神经网络算法能力。
先修课程：《C语言程序设计》、《Java程序设计》、《Android编程》、《Linux 操作系统》、《嵌入式技术与应用》。
后续课程：《工业机器人应用技术》和《机电一体化技术》（二）课程目标通过本课程的学习和训练，使学生掌握人工智能技术的基本原理；了解启发式搜索策略、与或图搜索问题、谓词逻辑与归结原理、知识表示、不确定性推理方法、机器学习和知识发现等目前人工智能的主要研究领域的原理、方法和技术；增强学生的逻辑思维与实验能力，为今后在各自领域开拓高水平的人工智能技术应用奠定基础。
二、设计理念与思路（一）设计理念1．以职业教育模式为中心，突出教师的主导作用和学生的主体地位。
教师的教授应以学生为主体，以学生的学习为中心进行课程教学活动的设计。
2．注重学生的素质教育和能力培养作为计算机网络技术专业的一门应用性很强的专业基础课，要紧紧扣住技术应用这一主线，进行课程内容的改革，帮助学生“学其所用，用其所学”。
3．课程设计充分体现了职业性、实践性和开放性的要求体现职业岗位的能力要求，使课程设计与职业岗位能力紧密对应。
让企业参与到专业建设及课程设置的各个环节中，在校企合作中创新人才培养模式。
（二）设计思路1．理解和记忆算法基本结构在整个课程所涉及的教学内容的学习过程中都按照“算法基本结构的理解和记忆-简单C++程序算法设计-上机调试程序技能训练-实际应用”这条主线来进行。
也就是说对人工智能的各种算法主要内容的学习，以理解加记忆为主，通过上机调试程序加深理解和记忆；要求学生熟记常用的典型算法。
产生式系统
产生式系统产生式系统（production system）由波斯特（Post）于1943年提出的产生式规则（production rule）而得名。
人们用这种规则对符号进行置换运算。
1965年美国的纽厄尔和西蒙利用这个原理建立了一个人类的认知模型。
同年，斯坦福大学利用产生式系统结构设计出第一个专家系统DENDRAL。
产生式系统用来描述若干个不同的以一个基本概念为基础的系统。
这个基本概念就是产生式规则或产生式条件和操作对的概念。
在产生式系统中，论域的知识分为两部分：用事实表示静态知识，如事物、事件和它们之间的关系；用产生式规则表示推理过程和行为。
由于这类系统的知识库主要用于存储规则，因此有吧这类系统称为基于规则的系统（rule-based system）。
1、产生式系统的基本要素1.1产生式系统的组成产生式系统由三部分组成，即总数据库（Global Database），产生式规则库（Set of Product Rules）和控制策略（Control Strategies），各部分之间的关系如图1所示。
图1.产生式系统的主要组成1.1.1总数据库（Global Database）总数据库又称综合数据库、上下文、黑板等，用于存放求解过程中各种当前信息的数据结构，如问题的初始状态、事实或证据、中间推理结论和最后结果等，其中的数据是产生式规矩的处理对象。
数据库中的数据根据应用的问题不同，可以使常量、变量、谓词、表结构、图像等等。
例如，关于动物世界的产生式系统有如下数据库：…(Mammal Dog)(Eat Dog Meat)…从另一个角度，数据库可视为推理过程中间结果的存储池。
随着中间结果的不断加入，是数据库描述的问题状态逐步转变为目标状态。
1.1.2 规则库（Set of Product Rules）产生式规则库是某领域知识用规则形式表示的集合，其中包含将问题从初始状态转换到目标状态的所有变换规则。
当产生式规则中某条规则的前提与数据总库中的事实相匹配时，该规则库就被激活，并把其结论作为新的事实存入总数据库。
第八章 专家系统
8.3 知识获取
8.3.1 知识获取的任务
利用某种手段从知识源中获取专家系统实现问题求解 所需的专门知识，并以某种形式在计算机中存储，满足领 域问题求解的需求。一般包括知识抽取、表示、输入和检 测等几项工作。 1、知识抽取 把蕴含于多个知识源中的知识进行分析、识别、理解、 遴选、归纳等处理后抽取出来，用于知识库的建立； 知识源是指专家系统知识的来源，包括领域专家、技 术报告、课本教材、相关论文、实例研究、经验数据及系 统本身的运行实践等。
8.1 专家系统概述
8.1.1 专家系统的产生与发展 1976年，专家系统MYCIN由Stanford的E.H.Shortliffe开发成功: 设计目的：为细菌感染疾病提供抗菌剂治疗建议 首次使用：知识库 推理方式：不确定性的表示和处理，采用了可信度的方法。 1976 年， Stanford 大学的 R.O.Duda 等人研制成功一个探矿专家系 统 ROSPECTOR 矿床模型按计算机能解释的形式编码 利用这些模型进行推理 达到勘探评价、区域资源估值、钻井井位选择的目的
8.1 专家系统概述
8.1.2 专家系统的定义
专家系统是 一种具有大量专门知识与经验的智能程序系统 能运用某个领域一个或多个专家多年积累的经验和专 门知识，模拟领域专家求解问题时的思维过程，以解决该 领域中的各种复杂问题 也就是说，专家系统具有三个方面的含义：
8.1 专家系统概述
8.1.2 专家系统的定义
8.1 专家系统概述
8.1.3 专家系统的种类
深—浅双层结构专家系统：知识库由两个子知识库构成， 一个称为深层知识库，用于存放问题领域内的原理性知识， 另一个称为浅层知识库，用于存放领域专家的经验知识。 多层聚焦结构专家系统：知识库中的知识按动态分层 组织的形式进行管理。
产生式表示与专家系统
2020/1/24
10
5.1.1产生式表示（7）
引入一些中介状态，并定义下述符号：
Si—— i大臣看到的非白点数； Wi—— i大臣猜出自己点的颜色否。如果他宣布已 知道自己点的颜色，为1，否则为0； n——X0中白点的个数。
产生式也可以表示前面讨论过的各种操作 在形式语言中的文法规则也称为产生式 在推理系统中产生式的前件就是前提，后件就是结论，
所以，产生式又是一个前提-结论对。
2020/1/24
5
5.1.1产生式表示（2）
产生式规则的例子： （1）如果电视机声音太大引起邻居抱怨，则将音量调小一点儿。 （2）如果申请人有良好的金融声誉和良好的资产负债表，那么贷款
Y 可用规则集为空？
N 按照某种策略从可用规则集中 选择一条规则进行推理
将推理得到的事实放入动态数
据库，并从可用规则集中删除
规则
2020/1/24
21
5.1.3 产生式工作过程（5）
反向推理过程
2020/1/24
开始
将初始事实放入动态数据库 将目标放入目标链
目标链为空？
N 取出目标链第一个目标
可对前面的分析过程形式化。
2020/1/24
11
5.1.1产生式表示（8）
第一次，大臣只知道至少有一个人是白点，排除X0={(0,0,0)}状态。 (1) (n>=1) <=>X0 { (0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)}； 第二次大臣根据没有一个人知道自己点颜色的事实推知至少两人为白点。
基于产生式规则专家系统在结构损伤诊断中的应用
系统 的知识库及 推理机 制 ，不仅 能协助 专 家进 行现 场 作业 ，而且 能够整 理 、保存和推 广应用 结 构损伤诊 断领 域 的专业知识 ．介 绍 了采 用产 生式规 则的知识 表 示模型 和 面向对 象的知识表
维普资讯
第２ ６卷 第 ２期 ２０ ０ ７年 ４ 月
河南理工大学学报 （ 自然科 学 版 ） Ｊ ＵＲ Ａ ＦＨ Ｎ ＯＬ Ｔ Ｃ Ｏ Ｎ Ｌ Ｏ Ｅ ＡＮ Ｐ Ｙ Ｅ ＨＮＩ ＮＩ Ｒ Ｉ ＮＡ ＵＲ Ｃ Ｅ Ｅ） Ｃ Ｕ ＶＥ ＳＴＹ（ Ｔ Ａ Ｓ ＩＮＣ Ｌ
中图分 类号 ：Ｔ １ ．３ Ｐ３ １ １ 文 献标识 码 ：Ａ 文章 编号 ：１ ７ —７ ７ （０ ７ ２０ ０ —５ ６ ３９ ８ ２ ０ ）０ —２ ２０
０ 引 言
专家 系统 是具 有大量 的专业理 论性 知识 与经验 性 知识 的程 序 系统 ，它应用 人工 智能 技术和计 算机 技术 ，对 某领 域一个 或多个 专家提 供 的理 论性 知识 和经 验性知 识进行 归 纳总结 和表示 ，形 成系统 的专 门知识 库 ，不仅 有效 地保存 、整理 和传播该 领 域 的专 门知 识 ，而且在 此知识 库 的基础 上进行 推理 和判 断 ，模 拟 人类专 家 的决 策过程 ，可 以帮助解 决 生产 现场 出现的需 要专 家处 理 的复杂 问题 Ｌ Ｊ ｌ ． 结 构 损伤诊 断是一 项很复 杂的 工作 ，需 要用 到许 多独 特的 专家经 验和 多种来 源 的信息 才能很好 地
Ｖ １ ６ Ｎｏ． ｏ ２ ２ Ａｐ ２ ０７ ｒ０
． ．
基 于产 生 式 规则 专家 系统 在 结 构损 伤诊 断 中的应用
专家系统概述
– 系统自身具有学习能力，能从系统运行中总结 出新知识，使知识库越来越丰富，完善。
➢ 具有灵活性
– 知识库—推理机分离。
2.专家系统的基本特征
➢ 具有透明性
– 透明性：是指系统自身及其行为能被用户所理 解。
– 解释机构：向用户解释它的行为动机及得出某 些答案的推理过程。
➢ 常规程序是精确的；专家系统不精确、模糊的。 ➢ 专家系统具有解释机构； 常规程序没有。 ➢ 常规程序与专家系统具有不同的体系结构。
4. 专家系统的分类
• 按专家系统的特性及处理问题的类型分类。
(1)解释型：从所得到的有关数据，经过分析、推理， 从而给出相应解释的一类专家系统。
• 特点：必须能处理不完全，甚至受到干扰的信息， 并能对所得到的数据给出一致且正确的解释。
1. 什么是专家系统
• 它是一个智能程序系统； • 它具有相关领域内大量的专家知识； • 它能应用人工智能技术模拟人类专家求解问题的
思维水平。 • 专家系统是一种具有大量专门知识与经验的智能 程序系统，它能运用领域专家多年积累的经验和 专门知识，模拟领域专家的思维过程，解决该领 域中需要专家才能解决的复杂问题。
– 详细设计要求完成的工作
• 进行模块化设计 • 模块间的界面要清晰，便于通信 • 便于实现
8. 专家系统的开发过程
• 知识获取
– 与领域专家交谈，抽取所需知识，掌握专家处 理问题的方法、思路
– 查阅有关文献、获得有关概念的描述、参数 – 对获得的知识进行分析、比较、归纳、整理、
找出知识的内在联系、规律 – 对所得知识进行检查 – 对确定下来的知识用总体设计时确定的知识表
产生式系统
产生式系统产生式系统（production system）由波斯特（Post）于1943年提出的产生式规则（production rule）而得名。
人们用这种规则对符号进行置换运算。
1965年美国的纽厄尔和西蒙利用这个原理建立了一个人类的认知模型。
同年,斯坦福大学利用产生式系统结构设计出第一个专家系统DENDRAL。
产生式系统用来描述若干个不同的以一个基本概念为基础的系统。
这个基本概念就是产生式规则或产生式条件和操作对的概念。
在产生式系统中，论域的知识分为两部分：用事实表示静态知识，如事物、事件和它们之间的关系；用产生式规则表示推理过程和行为。
由于这类系统的知识库主要用于存储规则,因此有吧这类系统称为基于规则的系统（rule-based system）。
1、产生式系统的基本要素1.1产生式系统的组成产生式系统由三部分组成,即总数据库(Global Database）,产生式规则库（Set of Product Rules）和控制策略（Control Strategies）,各部分之间的关系如图1所示。
图1。
产生式系统的主要组成1.1.1总数据库（Global Database）总数据库又称综合数据库、上下文、黑板等，用于存放求解过程中各种当前信息的数据结构，如问题的初始状态、事实或证据、中间推理结论和最后结果等,其中的数据是产生式规矩的处理对象。
数据库中的数据根据应用的问题不同，可以使常量、变量、谓词、表结构、图像等等。
例如，关于动物世界的产生式系统有如下数据库：…(Mammal Dog)(Eat Dog Meat)…从另一个角度，数据库可视为推理过程中间结果的存储池。
随着中间结果的不断加入，是数据库描述的问题状态逐步转变为目标状态。
1。
1.2 规则库（Set of Product Rules）产生式规则库是某领域知识用规则形式表示的集合,其中包含将问题从初始状态转换到目标状态的所有变换规则。
当产生式规则中某条规则的前提与数据总库中的事实相匹配时，该规则库就被激活,并把其结论作为新的事实存入总数据库。
人工智能产生式系统
产生式系统产生式系统文档一、介绍1.1 目的本文档旨在提供关于产生式系统的详细信息，包括系统的定义、架构、工作原理以及相关的实际应用案例等。
1.2 背景随着技术的不断发展和应用，产生式系统成为了一种重要的智能处理方式。
本文档将对该系统进行全面介绍，旨在帮助读者了解并使用产生式系统。
二、系统定义2.1 什么是产生式系统产生式系统是一种基于规则库的推理机制，通过规则匹配与推理等算法，实现问题的求解和自动决策。
该系统由规则库、推理机以及知识库等组成。
2.2 系统构成产生式系统主要包括以下几个组成部分：- 规则库：存储了系统的规则集合，每条规则一般由前件和后件组成，用于进行规则匹配和推理。
- 推理机：负责根据规则集合和当前问题状态进行规则匹配和推理，推理链以及最终的推理结果。
- 知识库：存储了系统所需的领域知识，包括事实、规则和推理机制等，用于支持系统的推理过程。
- 用户界面：提供给用户与系统交互的界面，包括输入问题、展示推理结果等功能。
2.3 工作原理产生式系统的工作原理如下：- 根据用户输入的问题，系统将问题转化为内部可处理的形式。
- 推理机根据规则库和知识库进行规则匹配和推理，推理链。
- 根据推理链，系统得出最终的推理结果，并展示给用户。
三、系统应用3.1 实际应用案例1：医学诊断产生式系统可以应用于医学诊断领域，通过构建规则库和知识库，实现对病情的快速诊断和治疗建议。
3.2 实际应用案例2：智能客服产生式系统可以应用于智能客服领域，根据用户的问题和规则库，实现自动回答用户的咨询和解决问题。
四、附件本文档包括以下附件：- 附件一：规则库示例- 附件二：知识库示例五、法律名词及注释1.（Artificial Intelligence，简称）：指通过模拟与复制人类智能的各种思维特征和行为，在某些特定领域或任务上展示出与人类相似的智能行为的科学和工程。
六、全文结束。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2016/9/13
北京交通大学经济管理学院信息管理系
12
产生式规则的不确定性推理（10）
合并G的可信度为CF(G)=CF1(G)+CF2(G)CF1(G)×CF2(G)=0.56+0.63-0.56×0.63=0.84 如果对某个事实用户回答为no，则它的可信度 CF=0
产生式规则ES的事实库
产生式规则ES流行的原因
产生式规则容易被理解 产生式规则基于演绎推理，保证了推理 的正确性 大量产生式规则连成的推理树可以是多 棵树。从广度看，反映了实际问题的范 围；从深度看，反映了问题的难度
2016/9/13
北京交通大学经济管理学院信息管理系
3
产生式规则的不确定性推理（1）
在推理过程中，由于知识的不确定性所 引起的结论不确定性的传播过程 事实的不确定性
北京交通大学经济管理学院信息管理系 10
2016/9/13
产生式规则的不确定性推理（8）
确定性逆向推理：先引用规则R1，提问A？当 回答为yes时，推出结论G成立，即yes，不再 搜索R2对结论G进行推理
G
R1 R2
A
2016/9/13
B
C
11
北京交通大学经济管理学院信息管理系
产生式规则的不确定性推理（9）
北京交通大学经济管理学院信息管理系 23
2016/9/13
产生式规则ES应用举例（10）
引用R42规则（将R42规则压入规则栈顶）求Q。提问 Q？回答yes，CF(0.4)，计算C的可信度： CF2(C)=0.9×0.4=0.36，R42规则成功（R42规则退 栈）。合并C的可信度为：CF(C)=0+0.360×0.36=0.36 回溯到R1规则， CF(G)=0.8×min{0.33,0.32,0.36}=0.256，R1规则成 功（R1规则退栈），目标G成立的可信度为0.256
2016/9/13
北京交通大学经济管理学院信息管理系
19
产生式规则ES应用举例（6）
画出推理树
G
R1
A
R21 R22
B
R3
C
R41 R42
D
R51
R52
E
J
K
P
Q
F
R
S
北京交通大学经济管理学院信息管理系 20
2016/9/13
产生式规则ES应用举例（7）
利用规则栈和事实库进行逆向推理
引用R1规则（将R1规则压入规则栈顶）求A 引用R21规则（将R21规则压入规则栈顶）求D
由于事实和规则的不确定性，导致了结论的 不确定性 反映了不确定性的传播过程 仍用可信度CF值表示
2016/9/13
北京交通大学经济管理学院信息管理系
6
产生式规则的不确定性推理（4）
结论的可信度计算公式
前提为∧连接时
规则形式：IF E1∧E2∧…∧En THEN H CF(R)； 结论H的可信度 CF(H)=CF(R)×MIN{CF(E1),CF(E2)…CF(En)}。 其中，Ek(k=1,2…n)代表前提中的每个事实； CF(Ek)代表每个事实的可信度；CF(R)代表规则 的可信度；CF(H)代表结论的可信度
14
产生式规则ES的解释机制（1）
推理过程的全部解释 推理过程成功路径的解释
仅对推理过程中的成功路径进行说明
2016/9/13
北京交通大学经济管理学院信息管理系
15
产生式规则ES的解释机制（2）
推理过程的全部解释
提取一条规则压入规则栈时，显示“引用” 该规则和“求”规则前提中的某项事实。将 事实为结论，压入栈顶，继续搜索规则
规则的不确定性
专家掌握的规则大多是经验性、不精确的 也可用可信度CF值表示
“如果 听诊=干鸣音 则 诊断=肺炎 CF=0.5” 表示根据病人的听诊是干鸣音而诊断该病人患肺 炎的可信度是0.5(50%)
2016/9/13
北京交通大学经济管理学院信息管理系
5
产生式规则的不确定性推理（3）
结论的不确定性
不确定性推理事实库的关系型结构
事实 A1 A2 A3 y/n值 n y y 规则号 0 0 4 可信度 0 0.7 0.63
事实属性放事实，y/n值表示是(yes)还是 否(no)，规则号表示事实取y/n的理由，规 则号为“0”表示向用户提问得到，具体规 则号表示由该规则推出，可信度表示该事 实的可信度 北京交通大学经济管理学院信息管理系 2016/9/13
北京交通大学经济管理学院信息管理系 18
已知事实及可信度：
2016/9/13
产生式规则ES应用举例（5）
问题
用逆向推理求结论G的可信度，并解释整个推理 过程 将规则分解为只含∧的规则，消去∨的规则
推理过程
R1：A∧B∧C→G CF(0.8) R21：D→A CF(0.7) R22：E→A CF(0.7) R3：J∧K→B CF(0.8) R41：P→C CF(0.9) R42：Q→C CF(0.9) R51：F→D CF(0.6) R52：R∧S→D CF(0.6)
引用R51规则求F。提问F？回答yes，CF(0.4)，计算D 的可信度为：CF1(D)=0.4×0.6=0.24，R51规则成功 ，退栈 引用R52规则（将R52规则压入规则栈顶）求R和S。 提问R？回答yes，CF(0.5)；提问S？回答yes， CF(0.6)；计算D的可信度为： CF2(D)=0.6×min{0.5,0.6}=0.3；R52规则成功，退 栈；合并D的可信度为：CF(D)=0.24+0.30.24×0.3=0.468≈0.47 回溯到规则R21，计算A的可信度： CF1(A)=0.47×0.7=0.329≈0.33，R21规则成功（R21 规则退栈）
由不确定性因素（包括模糊性/不完全性/不 准确与不精确性/随机性）造成 一般用可信度CF (Certainty Factor)值表示， 0≤CF≤1或0≤CF≤100%
“肺炎 CF=0.8”表示某病人患肺炎的可信度为 0.8(80%)
北京交通大学经济管理学院信息管理系 4
2016/9/13
产生式规则的不确定性推理（2）
不确定性逆向推理：设R1：A→G CF(0.8)；R2： B∧C→G CF(0.9) 引用规则R1，提问A？当回答为yes时，还需要 给定事实的可信度，设为CF(0.7)，按公式求得G 的可信度为CF1(G)=0.8×0.7=0.56 由于G的可信度不为1，再引用规则R2，提问B和 C，设回答B为yes，CF(0.7)，回答C为yes， CF(0.8)，计算G的可信度为 CF2(G)=0.9×min{0.7,0.8}=0.63
第八章 产生式规则专家系统
杜晖
2016/9/13
北京交通大学经济管理学院信息管理系
1
内容
产生式规则ES流行的原因 产生式规则的不确定性推理 产生式规则ES的事实库 产生式规则ES的解释机制 产生式规则ES不确定性推理举例 习题
北京交通大学经济管理学院信息管理系 2
2016/9/13
若栈顶目标在规则库中找不到以其为结论的规则， 则向用户提问 用户的回答（yes或no）以一个事实表示，记入 事实库
2016/9/13
北京交通大学经济管理学院信息管理系
16
产生式规则ES的解释机制（3）
从规则栈中退出一条规则时，说明规则是 “成功”还是“失败”的
若规则前提中的所有事实都成立，则规则是成功 的，其结论也成立，记入事实库 若规则前提中有事实不成立，则规则是失败的
F成立的可信度为0.4，用户回答的事实 R成立的可信度为0.5，用户回答的事实 S成立的可信度为0.6，用户回答的事实
北京交通大学经济管理学院信息管理系 24
成功推理路径的解释
2016/9/13
产生式规则ES应用举例（11）
D成立的可信度为0.47，由规则R51，R52推出 A成立的可信度为0.33，由规则R21，R22推出 J成立的可信度为0.4，用户回答的事实 K成立的可信度为0.6，用户回答的事实 B成立的可信度为0.32，由规则R3推出 Q成立的可信度为0.4，用户回答的事实 C成立的可信度为0.36，由规则R41，R42推出 G成立的可信度为0.256，由规则R1推出
产生式规则ES应用举例（9）
引用R22规则（将R22规则压入规则栈顶）求E。提问E？ 回答no，即CF(0)，计算A的可信度： CF2(A)=0×0.7=0，R22规则失败（R22规则退栈）。 合并A的可信度为：CF(A)=0.33+0-0.33×0=0.33 回溯到R1规则求B 引用R3规则（将R3规则压入规则栈顶）求J和K。提问 J？回答yes，CF(0.4)；提问K？回答yes，CF(0.6)；计 算B的可信度：CF(B)=0.8×min{0.4,0.6}=0.32，R3 规则成功（R3规则退栈） 回溯到R1规则求C 引用R41规则（将R41规则压入规则栈顶）求P。提问P？ 回答no，即CF(0)，计算C的可信度： CF1(C)=0.9×0=0，R41规则失败（R41规则退栈）
2016/9/13
北京交通大学经济管理学院信息管理系
7
产生式规则的不确定性推理（5）
前提为∨连接时