專家系統(tǒng)研究現(xiàn)狀與展望

專家系統(tǒng)研究現(xiàn)狀與展望

摘要：回顧了專家系統(tǒng)發(fā)展的歷史和現(xiàn)狀，對(duì)目前比較成熟的專家系統(tǒng)模型進(jìn)行分析，指出各自的特點(diǎn)和局限性。最后對(duì)專家系統(tǒng)的熱點(diǎn)進(jìn)行展望和對(duì)新型專家系統(tǒng)的介紹。
關(guān)鍵詞：專家系統(tǒng)；知識(shí)獲?。粩?shù)據(jù)挖掘；多Agent系統(tǒng)；人工神經(jīng)網(wǎng)絡(luò)

0? 引言
近三十年來(lái)人工智能（Artificial Intelligence，AI）獲得了迅速的發(fā)展，在很多學(xué)科領(lǐng)域都獲得了廣泛應(yīng)用，并取得了豐碩的成果。作為人工智能一個(gè)重要分支的專家系統(tǒng)（Expert System，ES）[1]是在20世紀(jì)60年代初期產(chǎn)生和發(fā)展起來(lái)的一門(mén)新興的應(yīng)用科學(xué)，而且正隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展而日臻完善和成熟。1982年美國(guó)斯坦福大學(xué)教授費(fèi)根鮑姆給出了專家系統(tǒng)的定義：“專家系統(tǒng)是一種智能的計(jì)算機(jī)程序，這種程序使用知識(shí)與推理過(guò)程，求解那些需要杰出人物的專門(mén)知識(shí)才能求解的復(fù)雜問(wèn)題。”
一般認(rèn)為，專家系統(tǒng)就是應(yīng)用于某一專門(mén)領(lǐng)域，由知識(shí)工程師通過(guò)知識(shí)獲取手段，將領(lǐng)域?qū)＜医鉀Q特定領(lǐng)域的知識(shí)，采用某種知識(shí)表示方法編輯或自動(dòng)生成某種特定表示形式，存放在知識(shí)庫(kù)中，然后用戶通過(guò)人機(jī)接口輸入信息、數(shù)據(jù)或命令，運(yùn)用推理機(jī)構(gòu)控制知識(shí)庫(kù)及整個(gè)系統(tǒng)，能像專家一樣解決困難的和復(fù)雜的實(shí)際問(wèn)題的計(jì)算機(jī)（軟件）系統(tǒng)。
專家系統(tǒng)有三個(gè)特點(diǎn)，即：?jiǎn)l(fā)性，能運(yùn)用專家的知識(shí)和經(jīng)驗(yàn)進(jìn)行推理和判斷；透明性，能解決本身的推理過(guò)程，能回答用戶提出的問(wèn)題；靈活性，能不斷地增長(zhǎng)知識(shí)，修改原有的知識(shí)。

1 專家系統(tǒng)的產(chǎn)生與發(fā)展
專家系統(tǒng)按其發(fā)展過(guò)程大致可分為三個(gè)階段[2~4]：初創(chuàng)期(1971年前)，成熟期(1972—1977年)，發(fā)展期(1978年至今)。
1.1 初創(chuàng)期
人工智能早期工作都是學(xué)術(shù)性的，其程序都是用來(lái)開(kāi)發(fā)游戲的。盡管這些努力產(chǎn)生了如國(guó)際象棋、跳棋等有趣的游戲[5]，但其真實(shí)目的在于計(jì)算機(jī)編碼加入人的推理能力，以達(dá)到更好的理解。在這階段的另一個(gè)重要領(lǐng)域是計(jì)算邏輯。1957年誕生了第一個(gè)自動(dòng)定理證明程序，稱為邏輯理論家。20世紀(jì)60年代初，人工智能研究者便集中精力開(kāi)發(fā)通用的方法和技術(shù)，通過(guò)研究一般的方法來(lái)改變知識(shí)的表示和搜索，并且使用它們來(lái)建立專用程序。到了60年代中期，知識(shí)在智能行為中的地位受到了研究者的重視，這就為以專門(mén)知識(shí)為核心求解具體問(wèn)題的基于知識(shí)的專家系統(tǒng)的產(chǎn)生奠定了思想基礎(chǔ)。
?1965年在美國(guó)國(guó)家航空航天局要求下，斯坦福大學(xué)研制成功了DENRAL系統(tǒng)[6]，DENRAL的初創(chuàng)工作引導(dǎo)人工智能研究者意識(shí)到智能行為不僅依賴于推理方法，更依賴于其推理所用的知識(shí)。該系統(tǒng)具有非常豐富的化學(xué)知識(shí)，是根據(jù)質(zhì)譜數(shù)據(jù)幫助化學(xué)家推斷分子結(jié)構(gòu)，被廣泛地應(yīng)用于世界各地的大學(xué)及工業(yè)界的化學(xué)實(shí)驗(yàn)室。這個(gè)系統(tǒng)的完成標(biāo)志著專家系統(tǒng)的誕生。在此之后，麻省理工學(xué)院開(kāi)始研制MACSYMA系統(tǒng)[2]，它作為數(shù)學(xué)家的助手使用啟發(fā)式方法變換代數(shù)表達(dá)式，現(xiàn)經(jīng)過(guò)不斷擴(kuò)充，能求解600多種數(shù)學(xué)問(wèn)題，其中包括微積分、矩陣運(yùn)算、解方程和解方程組等。同期，還有美國(guó)卡內(nèi)基－梅隆大學(xué)開(kāi)發(fā)的用于語(yǔ)音識(shí)別的專家系統(tǒng)HEARSAY[7]，該系統(tǒng)表明計(jì)算機(jī)在理論上可按編制的程序同用戶進(jìn)行交談。20世紀(jì)70年代初，匹茲堡大學(xué)的鮑波爾和內(nèi)科醫(yī)生合作研制了第一個(gè)用于醫(yī)療的內(nèi)科病診斷咨詢系統(tǒng)INTERNIST[8]。這些系統(tǒng)的研制成功使得專家系統(tǒng)受到學(xué)術(shù)界及工程領(lǐng)域的廣泛關(guān)注。
1.2 成熟期
到20世紀(jì)70年代中期，專家系統(tǒng)已逐步成熟起來(lái)，其觀點(diǎn)逐漸被人們接受，并先后出現(xiàn)了一批卓有成效的專家系統(tǒng)。其中，最為代表的是肖特立夫等人的MYCIN系統(tǒng)[9]，該系統(tǒng)用于診斷和治療血液感染和腦炎感染，可給出處方建議（提供抗菌劑治療建議），不但具有很高的性能，而且具有解釋功能和知識(shí)獲取功能。MYCIN系統(tǒng)是專家系統(tǒng)的經(jīng)典之作，它的知識(shí)表示系統(tǒng)用帶有置信度的“IF—THEN”規(guī)則來(lái)表示，并使用不確定性推理方法進(jìn)行推理。MYCIN由LISP語(yǔ)言寫(xiě)成，所有的規(guī)則都表達(dá)成LISP表達(dá)式。它是一個(gè)面向目標(biāo)求解的系統(tǒng)，使用反向推理方法，并利用了很多的啟發(fā)式信息。
另一個(gè)非常成功的專家系統(tǒng)是PROSPCTOR系統(tǒng)[10]，它用于輔助地質(zhì)學(xué)家探測(cè)礦藏，是第一個(gè)取得明顯經(jīng)濟(jì)效益的專家系統(tǒng)。PROSPCTOR的性能據(jù)稱完全可以同地質(zhì)學(xué)家相比擬。它在知識(shí)的組織上，運(yùn)用了規(guī)則與語(yǔ)義網(wǎng)相結(jié)合的混合表示方式，在數(shù)據(jù)不確定和不完全的情況下，推理過(guò)程運(yùn)用了一種似然推理技術(shù)。除這些成功實(shí)例以外，在這一時(shí)期另外兩個(gè)影響較大的專家系統(tǒng)是斯坦福大學(xué)研制的AM系統(tǒng)及PUFF系統(tǒng)[8]。AM是一個(gè)用機(jī)器模擬人類歸納推理、抽象概念的專家系統(tǒng)，而PUFF是一個(gè)肺功能測(cè)試專家系統(tǒng)，經(jīng)對(duì)多個(gè)實(shí)例進(jìn)行驗(yàn)證，成功率達(dá)93%。諸多專家系統(tǒng)地成功開(kāi)發(fā)，標(biāo)志著專家系統(tǒng)逐漸走向成熟。
1.3? 發(fā)展期
從20世紀(jì)80年代初，醫(yī)療專家系統(tǒng)占了主流，主要原因是它屬于診斷類型系統(tǒng)且開(kāi)發(fā)比較容易。但是到了80年代中期，專家系統(tǒng)發(fā)展在應(yīng)用上最明顯的特點(diǎn)是出現(xiàn)了大量的投入商業(yè)化運(yùn)行的系統(tǒng)，并為各行業(yè)產(chǎn)生了顯著的經(jīng)濟(jì)效益。其中一個(gè)著名的例子是DEC公司與卡內(nèi)基－梅隆大學(xué)合作開(kāi)發(fā)的XCON-R1專家系統(tǒng)[2]，它用于輔助數(shù)據(jù)設(shè)備公司（DEC）的計(jì)算機(jī)系統(tǒng)的配置設(shè)計(jì)，每年為DEC公司節(jié)省數(shù)百萬(wàn)美元。專家系統(tǒng)的應(yīng)用日益廣泛，處理問(wèn)題的難度和復(fù)雜度不斷增大，導(dǎo)致了傳統(tǒng)的專家系統(tǒng)無(wú)法滿足較為復(fù)雜的情況，迫切需要新的方法和技術(shù)去支持。
從80年代后期開(kāi)始，一方面隨著面向?qū)ο?、神?jīng)網(wǎng)絡(luò)和模糊技術(shù)等新技術(shù)迅速崛起，為專家系統(tǒng)注入了新的活力；另一方面計(jì)算機(jī)的運(yùn)用也越來(lái)越普及，而且對(duì)智能化的要求也越來(lái)越高。由于這些技術(shù)發(fā)展的成熟，并成功運(yùn)用到專家系統(tǒng)之中，使得專家系統(tǒng)得到更廣泛的運(yùn)用。在這期間開(kāi)發(fā)的專家系統(tǒng)按其處理問(wèn)題的類型可以分為：解釋型、預(yù)測(cè)型、診斷型、設(shè)計(jì)型、規(guī)劃型、監(jiān)視型、調(diào)試型、修正型、教學(xué)型和控制型[11]。其應(yīng)用領(lǐng)域也涉及到農(nóng)業(yè)、商業(yè)、化學(xué)、通信、計(jì)算機(jī)系統(tǒng)、醫(yī)學(xué)等多個(gè)方面，并已成為人們常用的解決問(wèn)題的手段之一。

2 專家系統(tǒng)的研究現(xiàn)狀
目前已研究的專家系統(tǒng)模型有很多種，其中較為流行的有：基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)、基于框架的專家系統(tǒng)、基于模糊邏輯的專家系統(tǒng)、基于D-S證據(jù)理論的專家系統(tǒng)、基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)和基于遺傳算法的專家系統(tǒng)等。這些專家系統(tǒng)的優(yōu)缺點(diǎn)及技術(shù)要點(diǎn)如下。
2.1 基于規(guī)則的專家系統(tǒng)
基于規(guī)則推理（Rule Base Reasoning，RBR）的方法是根據(jù)以往專家診斷的經(jīng)驗(yàn), 將其歸納成規(guī)則，通過(guò)啟發(fā)式經(jīng)驗(yàn)知識(shí)進(jìn)行推理。它具有明確的前提，得到確定的結(jié)果。它是構(gòu)建專家系統(tǒng)最常用的方法，這主要?dú)w功于大量的成功實(shí)例和工具的出現(xiàn)。早期的專家系統(tǒng)大多數(shù)是用規(guī)則推理的方法，如DENDRAL專家系統(tǒng)、MYCIN專家系統(tǒng)、PROSPECTOR專家系統(tǒng)等。在轉(zhuǎn)化為機(jī)器語(yǔ)言時(shí)，用產(chǎn)生式的“IF…AND（OR）…THEN…”表示。因此這種系統(tǒng)又稱為產(chǎn)生式專家系統(tǒng)。
基于規(guī)則的方法容易使知識(shí)工程師與人類專家合作，易于被人類專家理解。規(guī)則庫(kù)中的規(guī)則具有相同的結(jié)構(gòu)，即“IF…THEN…”結(jié)構(gòu)，這種統(tǒng)一的格式便于管理，同時(shí)便于推理機(jī)的設(shè)計(jì)。但它也有諸多缺點(diǎn)，如規(guī)則間的互相關(guān)系不明顯，知識(shí)的整體形象難以把握、處理效率低、推理缺乏靈活性[12,13]。它對(duì)于復(fù)雜系統(tǒng)難以用結(jié)構(gòu)化數(shù)據(jù)來(lái)表達(dá)，如果全部用規(guī)則的形式來(lái)表達(dá)，不僅提煉規(guī)則相當(dāng)困難，而且規(guī)則庫(kù)將十分龐大和復(fù)雜，容易產(chǎn)生“組合爆炸”。它在實(shí)時(shí)處理方面的應(yīng)用也己被證明比較困難，速度是實(shí)時(shí)性能最根本的要求，而產(chǎn)生式系統(tǒng)在處理實(shí)時(shí)任務(wù)時(shí)，其搜索、匹配時(shí)間要占全部計(jì)算時(shí)間的90%。
基于規(guī)則的專家系統(tǒng)的特點(diǎn)決定適合的領(lǐng)域?yàn)椋孩傧到y(tǒng)結(jié)構(gòu)簡(jiǎn)單，有明確的前提和結(jié)論，問(wèn)題僅僅用有限地規(guī)則即可全部包含；②問(wèn)題領(lǐng)域不存在簡(jiǎn)潔統(tǒng)一的理論，知識(shí)是經(jīng)驗(yàn)的；③問(wèn)題的求解可被一系列的相對(duì)獨(dú)立的操作，或者問(wèn)題的求解可視為從一個(gè)狀態(tài)向另一個(gè)狀態(tài)的轉(zhuǎn)換，一個(gè)操作或轉(zhuǎn)換可以被有效地表示為一條或多條產(chǎn)生式語(yǔ)句。
2.2 基于案例的專家系統(tǒng)
基于案例推理（Case Based Reasoning，CBR）的方法就是通過(guò)搜索曾經(jīng)成功解決過(guò)的類似問(wèn)題，比較新、舊問(wèn)題之間的特征、發(fā)生背景等差異，重新使用或參考以前的知識(shí)和信息，達(dá)到最終解決新問(wèn)題的方法。它起源于1982年美國(guó)學(xué)者Roger Schank（關(guān)于人類學(xué)習(xí)和回憶的動(dòng)態(tài)存儲(chǔ)模型的研究工作）。第一個(gè)真正意義上的基于案例的專家系統(tǒng)是1983年由耶魯大學(xué)Janet Kolodner教授領(lǐng)導(dǎo)開(kāi)發(fā)的CYRUS系統(tǒng)。它以Schank的動(dòng)態(tài)存儲(chǔ)模型和問(wèn)題求解的MOP（Memory Organized Packet）理論為基礎(chǔ)，做與旅行相關(guān)的咨詢工作。這種類比推理比較符合人類的認(rèn)知心理。
基于案例的專家系統(tǒng)具有諸多優(yōu)點(diǎn): 無(wú)須顯示領(lǐng)域知識(shí)；無(wú)須規(guī)則提取，降低知識(shí)獲取難度；開(kāi)放體系，增量式學(xué)習(xí)，案例庫(kù)的覆蓋度隨系統(tǒng)的不斷使用而組建增加[14]?；诎咐耐评矸椒ㄟm用于領(lǐng)域定理難以表示成規(guī)則形式, 而是容易表示成案例形式并且已積累豐富案例的領(lǐng)域（如醫(yī)學(xué)診斷系統(tǒng)）[15]。它的難點(diǎn)還在于案例特征的選擇、權(quán)重分配以及處理實(shí)例修訂時(shí)的一致性檢驗(yàn)(特征變量間的約束關(guān)系) 等問(wèn)題。傳統(tǒng)的基于案例的方法難以表示案例間的聯(lián)系，對(duì)于大型案例庫(kù)案例檢索十分費(fèi)時(shí), 并且難以決定應(yīng)選擇哪些特征數(shù)據(jù)及它們的權(quán)重[16]。
2.3 基于框架的專家系統(tǒng)
框架(Frame) 是將某類對(duì)象的所有知識(shí)組織在一起的一種通用數(shù)據(jù)結(jié)構(gòu)，而相互關(guān)聯(lián)的框架連接組成框架系統(tǒng)。1975年美國(guó)麻省理工學(xué)院的著名的人工智能學(xué)者明斯基在其論文中提出了框架理論，并把它作為理解視覺(jué)、自然語(yǔ)言對(duì)話及其它復(fù)雜行為的基礎(chǔ)。在框架理論中, 框架被視作表示知識(shí)的一個(gè)基本單位。它把要描述的事務(wù)各方面的知識(shí)放在一起, 通過(guò)槽值關(guān)聯(lián)起來(lái)?？蚣艿捻攲邮谴砟硞€(gè)對(duì)象的框架名，其下為代表該框架某一方面屬性的若干個(gè)槽, 槽由槽名和槽值組成。槽下還可分為若干個(gè)側(cè)面（由側(cè)面名和側(cè)面值組成）。
一個(gè)框架系統(tǒng)常被表示成一種樹(shù)形結(jié)構(gòu)，樹(shù)的每一個(gè)節(jié)點(diǎn)是一個(gè)框架結(jié)構(gòu)，子節(jié)點(diǎn)與父節(jié)點(diǎn)之間用槽連接。當(dāng)子節(jié)點(diǎn)的某些槽值或側(cè)面值沒(méi)有被直接記錄時(shí)，可以從其父節(jié)點(diǎn)繼承這些值?？蚣芟到y(tǒng)中可以推理出未被觀察到的事實(shí)，它將通過(guò)以下三種途徑實(shí)現(xiàn)[16,17]：①框架包含它所描述的情況或物體的多方面的信息。這些信息可以被引用，就像已經(jīng)直接觀察到這些信息一樣。②框架包含物體必須具有的屬性。在填充框架的各個(gè)槽時(shí)，要用到這些屬性。建立對(duì)某一情況的描述要求先建立對(duì)此情況的各個(gè)方面的描述。與描述這個(gè)情況的框架中的各個(gè)槽有關(guān)的信息可用來(lái)指導(dǎo)如何建立這些方面的描述。③框架描述它們所代表的概念的典型事例。如果某一情況在很多方面和一個(gè)框架相匹配，只有少部分相互之間存在不同之處，這些不同之處很可能對(duì)應(yīng)于當(dāng)前情況的重要方面，也許應(yīng)該對(duì)這些不同之處做出解答。
框架表示法最突出的特點(diǎn)是善于表達(dá)結(jié)構(gòu)性的知識(shí)，且具有良好的繼承性和自然性。因此，基于框架的專家系統(tǒng)適合于具有固定格式的事物、動(dòng)作或事件。
2.4? 基于模糊邏輯的專家系統(tǒng)
模糊理論的概念由美國(guó)加利福尼亞大學(xué)著名教授扎德在他的《Fuzzy Sets》和《Fuzzy Algorithm》等著名論著中首先提出。模糊性是指客觀事物在狀態(tài)及其屬性方面的不分明性，其根源是在類似事物間存在一系列過(guò)渡狀態(tài)，它們互相滲透、互相貫通，使得彼此之間沒(méi)有明顯的分界線。模糊性是客觀世界中某些事物本身所具有的一種不確定性，它與隨機(jī)性有著本質(zhì)的區(qū)別。有明確定義但不一定出現(xiàn)的事件中包含的不確定性稱為隨機(jī)性，它不因人的主觀意識(shí)變化，由事物本身的因果規(guī)律決定。而已經(jīng)出現(xiàn)但難以給出精確定義的事件中包含的不確定性稱為模糊性，是由事物的概念界限模糊和人的主觀推理與判斷產(chǎn)生的。模糊邏輯理論則是對(duì)模糊事物相互關(guān)系的研究。
基于模糊邏輯的專家系統(tǒng)的優(yōu)點(diǎn)在于[18]：①具有專家水平的專門(mén)知識(shí)，能表現(xiàn)專家的技能和高度的技巧以及有足夠的魯棒性；②能進(jìn)行有效的推理，具有啟發(fā)性，能夠運(yùn)用人類專家的經(jīng)驗(yàn)和知識(shí)進(jìn)行啟發(fā)性的搜索、試探性的推理；③具有靈活性和透明性。但是，模糊推理知識(shí)獲取困難，尤其是征兆的模糊關(guān)系較難確定，且系統(tǒng)的推理能力依賴模糊知識(shí)庫(kù)，學(xué)習(xí)能力差，容易發(fā)生錯(cuò)誤。由于模糊語(yǔ)言變量是用隸屬函數(shù)表示的，實(shí)現(xiàn)語(yǔ)言變量與隸屬函數(shù)之間的轉(zhuǎn)換是一個(gè)難點(diǎn)。
2.5? 基于D-S證據(jù)理論的專家系統(tǒng)
D-S證據(jù)理論是由Dempster于1967年提出的，他首先提出了上、下界概率的定義，后由Shafer于1976年加以推廣和發(fā)展，故人們也把證據(jù)理論稱為D- S理論。證據(jù)理論可處理由不知道因素所引起的不確定性，它采用信任函數(shù)而不是概率作為度量，通過(guò)對(duì)一些事件的概率加以約束以建立信任函數(shù)而不必說(shuō)明精確的難以獲得的概率，當(dāng)約束限制為嚴(yán)格的概率時(shí)，它就成為概率論[19]。
基于D-S證據(jù)理論的專家系統(tǒng)的優(yōu)點(diǎn)在于[20]：①既能處理隨機(jī)性所導(dǎo)致的不確定性，又能處理由于模糊性所導(dǎo)致的不確定性；②系統(tǒng)可以依靠證據(jù)的積累，不斷縮小假設(shè)集；③能在不同層次上組合證據(jù)。D-S理論具有比較強(qiáng)的理論基礎(chǔ)，它能將“不知道”和“不確定”區(qū)分開(kāi)來(lái)，但它也存在明顯的不足。當(dāng)證據(jù)沖突度較高時(shí)，經(jīng)過(guò)其組合規(guī)則得到的結(jié)論常常有悖常理。另外，基于D-S理論的專家系統(tǒng)在數(shù)據(jù)較多時(shí)，具有潛在的指數(shù)復(fù)雜度和推理鏈較長(zhǎng)的缺點(diǎn)。
2.6? 基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)
人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network ，ANN）是仿效生物體信息處理系統(tǒng)獲得柔性信息處理能力。它是從20世紀(jì)80年代后期開(kāi)始興起（有理論研究階段發(fā)展到應(yīng)用階段）。它是從微觀上模擬人腦功能，是一種分布式的微觀數(shù)值模型，神經(jīng)元網(wǎng)絡(luò)通過(guò)大量經(jīng)驗(yàn)樣本學(xué)習(xí)知識(shí)。更重要的是，神經(jīng)網(wǎng)絡(luò)有極強(qiáng)的自學(xué)習(xí)能力，對(duì)于新的模式和樣本可以通過(guò)權(quán)值的改變進(jìn)行學(xué)習(xí)﹑記憶和存儲(chǔ)，進(jìn)而在以后的運(yùn)行中能夠判斷這些新的模式。
神經(jīng)網(wǎng)絡(luò)模型從知識(shí)表示、推理機(jī)制到控制方式，都與目前專家系統(tǒng)中的基于邏輯的心理模型有本質(zhì)的區(qū)別。知識(shí)從顯示變?yōu)殡[式表示，這種知識(shí)不是通過(guò)人的加工轉(zhuǎn)換成規(guī)則，而是通過(guò)學(xué)習(xí)算法自動(dòng)獲取的。推理機(jī)制從檢索和驗(yàn)證過(guò)程變?yōu)榫W(wǎng)絡(luò)上隱含模式對(duì)輸入的競(jìng)爭(zhēng)，這種競(jìng)爭(zhēng)是并行的針對(duì)特定特征的，并把特定論域輸入模式中各個(gè)抽象概念轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)很好解決了專家系統(tǒng)中知識(shí)獲取的“瓶頸”問(wèn)題，能使專家系統(tǒng)具有自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)技術(shù)的出現(xiàn)為專家系統(tǒng)提供了一種新的解決途徑。特別是對(duì)于實(shí)際中難以建立數(shù)學(xué)模型的復(fù)雜系統(tǒng)，神經(jīng)網(wǎng)絡(luò)更顯示出其獨(dú)特的功效。
然而, 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)也存在固有的弱點(diǎn)：①系統(tǒng)性能受到所選擇的訓(xùn)練樣本集的限制, 訓(xùn)練樣本集選擇不當(dāng)，特別是在訓(xùn)練樣本集很少的情形下，很難指望它具有較好的歸納推理能力；②神經(jīng)網(wǎng)絡(luò)沒(méi)有能力解釋自己的推理過(guò)程和推理依據(jù)及其存儲(chǔ)知識(shí)的意義；③神經(jīng)網(wǎng)絡(luò)利用知識(shí)和表達(dá)知識(shí)的方式單一，通常的神經(jīng)網(wǎng)絡(luò)只能采用數(shù)值化的知識(shí)；④神經(jīng)網(wǎng)絡(luò)只能模擬人類感覺(jué)層次上的智能活動(dòng)，在模擬人類復(fù)雜層次的思維方面還有不足之處。
目前較為常用的神經(jīng)網(wǎng)絡(luò)有：誤差反傳網(wǎng)絡(luò)（BP）、小腦網(wǎng)絡(luò)（CMAC）、自組織特征映射網(wǎng)絡(luò)（SOM）、自適應(yīng)共振理論（ART）、徑向基網(wǎng)絡(luò)（REF）等等。基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)的具體應(yīng)用形式可以根據(jù)實(shí)際情況選擇不同的神經(jīng)網(wǎng)絡(luò)模型，能夠?qū)崿F(xiàn)不同的用途。因此，基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)是目前最流行的專家系統(tǒng)。
2.7 基于遺傳算法的專家系統(tǒng)
遺傳算法（Genetic Algorithms，GA）是一種基于自然選擇和基因遺傳學(xué)原理的優(yōu)化搜索方法。由美國(guó)John H.Holland教授在1975年提出的。遺傳算法將問(wèn)題的求解表示成“染色體”，從而構(gòu)成一群“染色體”。將它們置于問(wèn)題的“環(huán)境”中，根據(jù)適者生存的原則，從中選擇出適應(yīng)環(huán)境的“染色體”進(jìn)行復(fù)制，通過(guò)交換、變異兩種基因操作產(chǎn)生出新的一代更適應(yīng)環(huán)境的“染色體”群，這樣一代一代地不斷進(jìn)化，最后收斂到一個(gè)最適合環(huán)境的個(gè)體上，求得問(wèn)題的最優(yōu)解[21]。
遺傳算法是模擬自然選擇和遺傳機(jī)制的一種搜索和優(yōu)化算法，與一般的尋優(yōu)方法相比，遺傳算法具有很多優(yōu)點(diǎn)：①?gòu)脑S多初始點(diǎn)開(kāi)始進(jìn)行并行操作，克服了傳統(tǒng)優(yōu)化方法容易陷入局部極點(diǎn)的缺點(diǎn)，是一種全局優(yōu)化算法；②對(duì)變量的編碼進(jìn)行操作，可以替代梯度算法，在模糊推理隸屬度函數(shù)形狀的選取上具有更大的靈活性；③由于具有隱含并行性，所以可通過(guò)大規(guī)模并行計(jì)算來(lái)提高計(jì)算速度；④可在沒(méi)有任何先驗(yàn)知識(shí)和專家知識(shí)的情況下取得次優(yōu)或最優(yōu)解。
遺傳算法作為優(yōu)化搜索算法，一方面希望在寬廣的空間內(nèi)進(jìn)行搜索，從而提高求得最優(yōu)解的概率；另一方面又希望向著解的方向盡快縮小搜索范圍，從而提高搜索效率。如何同時(shí)提高搜索最優(yōu)解的概率和效率，是遺傳算法的一個(gè)需要進(jìn)一步探索的問(wèn)題。

3? 專家系統(tǒng)的研究熱點(diǎn)
?目前，專家系統(tǒng)的研究不再滿足現(xiàn)有的各種模型與專家系統(tǒng)簡(jiǎn)單的相結(jié)合，形成基于某種模型的專家系統(tǒng)了，而是在不斷向深層次方向發(fā)展。針對(duì)專家系統(tǒng)的核心的知識(shí)表示和知識(shí)獲取，探索更方便的、更有效的方法，解決困擾專家系統(tǒng)的知識(shí)獲取 “瓶頸”、“匹配沖突”、“組合爆炸”等問(wèn)題。針對(duì)現(xiàn)在數(shù)據(jù)多，而知識(shí)少的特點(diǎn)，將數(shù)據(jù)挖掘引入專家系統(tǒng)之中。以及多Agent技術(shù)用于專家系統(tǒng)，來(lái)提高專家系統(tǒng)的性能。
3.1 知識(shí)的表示和獲取
知識(shí)就是人類通過(guò)實(shí)踐(包括學(xué)習(xí)、模仿、試驗(yàn)、生理等實(shí)踐活動(dòng))認(rèn)識(shí)到的客觀世界的規(guī)律性的東西，是信息經(jīng)過(guò)加工、整理、解釋、挑選和改造而形成的。知識(shí)表示就是為描述世界所做的一組約定，是知識(shí)符號(hào)化的過(guò)程。這種描述或約定表達(dá)了計(jì)算機(jī)可以接受的人類的智能行為。知識(shí)表示是專家系統(tǒng)的關(guān)鍵點(diǎn)之一，一個(gè)專家系統(tǒng)的建造成功與否和采用的知識(shí)表示方法能否充分反映該領(lǐng)域知識(shí)有直接關(guān)系。知識(shí)獲取又稱機(jī)器學(xué)習(xí)，是將客觀世界中知識(shí)轉(zhuǎn)化為專家系統(tǒng)中知識(shí)的過(guò)程。它是專家系統(tǒng)不可缺少的一個(gè)組成部分。如何獲取足夠的、完整的和明確的知識(shí)是專家系統(tǒng)的另一個(gè)關(guān)鍵點(diǎn)。
知識(shí)的表示可以分為表層表示、深層表示和混合表示三種。而混合知識(shí)的表示是目前研究的一個(gè)熱點(diǎn)方向。在專家系統(tǒng)的實(shí)際開(kāi)發(fā)中，所采用的方法和知識(shí)的表示都不會(huì)是單一的，往往需要將多種知識(shí)表示方法有機(jī)的結(jié)合起來(lái)，去解決單一的知識(shí)表示無(wú)法解決的問(wèn)題。
知識(shí)的自動(dòng)獲取一直是專家們感興趣的研究方向，也是一項(xiàng)十分困難的研究任務(wù)。由于現(xiàn)在開(kāi)發(fā)的專家系統(tǒng)向大規(guī)模系統(tǒng)和通用型系統(tǒng)發(fā)展，越來(lái)越希望能夠機(jī)器自動(dòng)獲取知識(shí)，減少開(kāi)發(fā)人員的手動(dòng)或半自動(dòng)開(kāi)發(fā)的工作量。隨著神經(jīng)網(wǎng)絡(luò)的蓬勃發(fā)展，傳統(tǒng)的符號(hào)學(xué)習(xí)與連接機(jī)制已經(jīng)逐步被取代?；谶M(jìn)化學(xué)習(xí)系統(tǒng)和遺傳算法，因吸取了歸納學(xué)習(xí)與連接機(jī)制的長(zhǎng)處而受到重視。數(shù)據(jù)挖掘、計(jì)算機(jī)數(shù)據(jù)庫(kù)和計(jì)算機(jī)網(wǎng)絡(luò)的發(fā)展都為提取有用知識(shí)提供了新的方法。
3.2 數(shù)據(jù)挖掘技術(shù)的應(yīng)用
?數(shù)據(jù)挖掘(Data Mining)就是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識(shí)的過(guò)程。它是近幾年興起的一個(gè)極有發(fā)展前途又有廣泛應(yīng)用前景的新領(lǐng)域。
數(shù)據(jù)挖掘作為一個(gè)交叉學(xué)科領(lǐng)域, 受多個(gè)學(xué)科的影響，包括數(shù)據(jù)庫(kù)系統(tǒng)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、可視化和信息科學(xué)等。依賴于所挖掘的數(shù)據(jù)類型或應(yīng)用領(lǐng)域，數(shù)據(jù)挖掘可能集成空間數(shù)據(jù)分析、圖像分析、模式識(shí)別、Web技術(shù)、信息檢索、心理學(xué)等領(lǐng)域的技術(shù)。主要的數(shù)據(jù)挖掘技術(shù)與方法有: 聚類、分類、決策樹(shù)、粗糙集、神經(jīng)網(wǎng)絡(luò)、回歸分析、遺傳算法、偏差檢測(cè)等。從數(shù)據(jù)庫(kù)中挖掘的規(guī)則可以有以下多種表達(dá)形式: 關(guān)聯(lián)規(guī)則，特征規(guī)則，異常規(guī)則，轉(zhuǎn)移規(guī)則，序列規(guī)則，分類，聚類等。數(shù)據(jù)挖掘的應(yīng)用對(duì)象是大規(guī)模數(shù)據(jù)庫(kù)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)庫(kù)中規(guī)律性的知識(shí)。數(shù)據(jù)挖掘提取的知識(shí)可以表示為概念、規(guī)律、模式、約束、可視化[22]。
在知識(shí)獲取技術(shù)方面，基于數(shù)據(jù)挖掘的專家系統(tǒng)可以極大緩解了專家系統(tǒng)的“知識(shí)瓶頸”問(wèn)題。它不再是知識(shí)工程師從領(lǐng)域?qū)＜抑刑崛∫?guī)則，將其轉(zhuǎn)化為知識(shí)；而是從領(lǐng)域?qū)＜姨峁┑拇罅繑?shù)據(jù)中自動(dòng)獲取知識(shí)。數(shù)據(jù)挖掘中的數(shù)據(jù)預(yù)處理模塊可以在知識(shí)的獲取中減小噪聲數(shù)據(jù)的影響，提高知識(shí)獲取的正確性。知識(shí)會(huì)隨著挖掘的過(guò)程不斷被學(xué)習(xí)到系統(tǒng)當(dāng)中，這樣既大大加深和拓寬了知識(shí)獲取的深度與廣度，又會(huì)使獲取的知識(shí)越來(lái)越完善、越來(lái)越精確。
在推理技術(shù)方面, 數(shù)據(jù)挖掘技術(shù)是以數(shù)據(jù)庫(kù)系統(tǒng)、數(shù)據(jù)倉(cāng)庫(kù)統(tǒng)計(jì)學(xué)等為基礎(chǔ)的。而數(shù)據(jù)倉(cāng)庫(kù)主要特點(diǎn)就是: 它是面向主題的，庫(kù)中的數(shù)據(jù)是多維的。也就是說(shuō)，庫(kù)中的每一維度可以對(duì)應(yīng)設(shè)備運(yùn)行時(shí)的一個(gè)狀態(tài)參數(shù)，不同的運(yùn)行狀態(tài)參數(shù)就存放在不同的維度空間里。數(shù)據(jù)挖掘器在推理時(shí)可以根據(jù)不同需要而將不同維度內(nèi)的運(yùn)行狀態(tài)參數(shù)綜合起來(lái)一起分析計(jì)算，即：運(yùn)用數(shù)據(jù)挖掘算法來(lái)進(jìn)行全方位推理。這可以克服傳統(tǒng)推理機(jī)制具有單一方面的精確度高而忽視了其它方面影響的缺點(diǎn)，可以增強(qiáng)其推理的合理性、提高其推斷結(jié)果的可靠性[6]。
在數(shù)據(jù)挖掘中盡可能地引入人對(duì)該應(yīng)用領(lǐng)域的先驗(yàn)知識(shí)是非常必要的。數(shù)據(jù)挖掘是一個(gè)人機(jī)交互、不斷重復(fù)的過(guò)程。專家的領(lǐng)域知識(shí)或背景知識(shí)的應(yīng)用對(duì)挖掘過(guò)程具有補(bǔ)充和促進(jìn)作用，經(jīng)常用來(lái)引導(dǎo)發(fā)現(xiàn)過(guò)程以避免無(wú)意義的結(jié)果[23]。另外，一般數(shù)據(jù)挖掘方法僅僅在數(shù)據(jù)庫(kù)內(nèi)容上產(chǎn)生規(guī)則，規(guī)則難以理解，領(lǐng)域知識(shí)或背景知識(shí)的應(yīng)用可以產(chǎn)生易理解的規(guī)則。利用專家的領(lǐng)域知識(shí)的意義，不僅在于約簡(jiǎn)、表達(dá)和評(píng)估規(guī)則，更重要的是通過(guò)評(píng)估獲得處理結(jié)果和應(yīng)用需求之間的偏差，并以此作為反饋，去修正以前的各個(gè)步驟[24]。
3.3 多Agent技術(shù)的運(yùn)用
Agent是一個(gè)具有自主性﹑反應(yīng)性﹑主動(dòng)性和社會(huì)性特性的基于硬件或軟件的計(jì)算機(jī)系統(tǒng)，通常還具有人類的智能特性，如知識(shí)、信念、意圖和愿望等。Agent理論與技術(shù)研究源于80年代中期的分布式問(wèn)題求解，由于分布式并行處理技術(shù)、面向?qū)ο蠹夹g(shù)、多媒體技術(shù)、計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)，特別是Internet和Web技術(shù)的發(fā)展，使Agent成為當(dāng)今人工智能與軟件工程中的研究熱點(diǎn)，引起了科學(xué)界、教育界及工業(yè)界的廣泛關(guān)注[25,26]。多Agent系統(tǒng)（Multi-Agent System，MAS）是指由多個(gè)自主構(gòu)件組成的所有類型的系統(tǒng)，它是一個(gè)松散耦合的問(wèn)題求解器網(wǎng)絡(luò)，其目標(biāo)是為了解決那些超出每個(gè)問(wèn)題求解器的單獨(dú)能力或知識(shí)的問(wèn)題。這些問(wèn)題的求解器就是Agent，它們是自主的，并可能是異構(gòu)的。
多Agent系統(tǒng)的表現(xiàn)通過(guò)Agent的交互來(lái)實(shí)現(xiàn)，主要研究多個(gè)Agent為了聯(lián)合采取行動(dòng)或求解問(wèn)題，如何協(xié)調(diào)各自的知識(shí)、目標(biāo)、策略和規(guī)劃。在表達(dá)實(shí)際系統(tǒng)時(shí)，多Agent系統(tǒng)通過(guò)各Agent間的通訊、合作、協(xié)調(diào)、調(diào)度、管理及控制來(lái)表達(dá)系統(tǒng)的結(jié)構(gòu)、功能及行為特性。由于在同一個(gè)多Agent系統(tǒng)中各Agent可以異構(gòu)，因此多Agent技術(shù)對(duì)于復(fù)雜系統(tǒng)具有無(wú)可比擬的表達(dá)力，它為各種實(shí)際系統(tǒng)提供了一種統(tǒng)一的模型，從而為各種實(shí)際系統(tǒng)的研究提供了一種統(tǒng)一的框架，其應(yīng)用領(lǐng)域十分廣闊[27]。
將多Agent的方法引入到專家系統(tǒng)中，將有利于解決傳統(tǒng)的單個(gè)專家系統(tǒng)與應(yīng)用場(chǎng)所、應(yīng)用環(huán)境難于溝通的難題，也能夠比較容易地適應(yīng)用戶的知識(shí)結(jié)構(gòu)、思維習(xí)慣，它能夠比較方便地與系統(tǒng)中的其它Agent進(jìn)行協(xié)調(diào)、交流以達(dá)到系統(tǒng)的整體目標(biāo)[28]。
對(duì)于復(fù)雜問(wèn)題的求解，通常可以將專家系統(tǒng)看作一個(gè)Agent。但是實(shí)際上兩者有較大的區(qū)別，在一個(gè)大型的復(fù)雜系統(tǒng)中，從系統(tǒng)功能分解理論出發(fā)，可以把整個(gè)系統(tǒng)分解成幾個(gè)子系統(tǒng)，如果只用單純的專家系統(tǒng)或者Agent模塊都有很大的局限性。要實(shí)現(xiàn)各個(gè)模塊的協(xié)商和協(xié)作，在專家系統(tǒng)之間很難實(shí)現(xiàn)，而由多個(gè)Agent就可以傳遞各個(gè)模塊的協(xié)作，但只采用Agent技術(shù)，又難以保證任務(wù)執(zhí)行的速度。因此，采用集成專家系統(tǒng)和多Agent技術(shù)是一種比較不錯(cuò)的方法[29]。集成專家系統(tǒng)和多個(gè)Agent的系統(tǒng)主要由完成特定功能的專家系統(tǒng)和Agent模塊組成，專家系統(tǒng)模塊利用經(jīng)驗(yàn)歷史知識(shí)和對(duì)象當(dāng)前運(yùn)行狀態(tài)信息以嚴(yán)格高效的邏輯推理。Agent模塊則主要利用Agent間的合作來(lái)實(shí)現(xiàn)動(dòng)態(tài)不完全信息，從而提高系統(tǒng)對(duì)環(huán)境的適應(yīng)能力。這樣能夠充分彌補(bǔ)兩者各自的不足，增強(qiáng)系統(tǒng)的能力，整體上提高系統(tǒng)的實(shí)時(shí)和準(zhǔn)確性。

4? 專家系統(tǒng)的發(fā)展趨勢(shì)
近年來(lái)，發(fā)展專家系統(tǒng)不僅要采用各種定性的模型，而且要將各種模型綜合運(yùn)用。以及運(yùn)用人工智能和計(jì)算機(jī)技術(shù)的一些新思想和新技術(shù)，如分布式和協(xié)同式。這些都是專家系統(tǒng)的發(fā)展趨勢(shì)。
4.1? 通用性專家系統(tǒng)
?專家系統(tǒng)的開(kāi)發(fā)是需要領(lǐng)域?qū)＜液椭R(shí)工程師共同努力的，而領(lǐng)域?qū)＜医^大多數(shù)只對(duì)自己領(lǐng)域范圍的知識(shí)了解，這就導(dǎo)致現(xiàn)階段開(kāi)發(fā)的專家系統(tǒng)只適用于某一特定問(wèn)題領(lǐng)域。用戶越來(lái)越希望有一種以用戶為中心的通用性專家系統(tǒng)[30]。這就需要通用性專家系統(tǒng)具有各種不同的并行算法和知識(shí)獲取模塊，能夠采用多種推理策略。
?通用性專家系統(tǒng)作為一種新型專家系統(tǒng)，其特點(diǎn)如下：
?①集成多種模型的專家系統(tǒng)，根據(jù)用戶的需要，可以選擇其中的任何一種或多種，形成某一類型的專家系統(tǒng)；
?②通過(guò)多種模型的綜合運(yùn)用，提高了專家系統(tǒng)的準(zhǔn)確率和效率；
?③經(jīng)過(guò)長(zhǎng)期的使用，可以探索出針對(duì)某一問(wèn)題的最佳模式（多種模型的綜合運(yùn)用），獲得最優(yōu)的專用專家系統(tǒng)。
4.2? 分布式專家系統(tǒng)
分布式專家系統(tǒng)具有分布處理的特征，其主要目的在于把一個(gè)專家系統(tǒng)的功能經(jīng)分解后分布到多個(gè)處理器上去并行的工作，從而在整體上提高系統(tǒng)的處理效率[2]。這種專家系統(tǒng)比常規(guī)的專家系統(tǒng)具有較強(qiáng)的可擴(kuò)張性和靈活性，將各個(gè)子系統(tǒng)聯(lián)系起來(lái)，即使不同的開(kāi)發(fā)者針對(duì)同一研究對(duì)象也可以有效地進(jìn)行交流和共享。隨著Internet的發(fā)展與普及，建立遠(yuǎn)程分布式專家系統(tǒng)可以實(shí)現(xiàn)異地多專家對(duì)同一對(duì)象進(jìn)行控制或診斷，極大提高了準(zhǔn)確率和效率[14]。
分布式專家系統(tǒng)作為一種新型專家系統(tǒng)，其特點(diǎn)如下[31]：
①系統(tǒng)數(shù)據(jù)的所有來(lái)源，分門(mén)別類地對(duì)不同數(shù)據(jù)來(lái)源的數(shù)據(jù)進(jìn)行管理，同時(shí)系統(tǒng)的數(shù)據(jù)完整、準(zhǔn)確、實(shí)用性強(qiáng)；
②系統(tǒng)開(kāi)發(fā)工具多樣，開(kāi)發(fā)環(huán)境與應(yīng)用環(huán)境分離，使開(kāi)發(fā)完善過(guò)程與應(yīng)用過(guò)程可以獨(dú)立的異步進(jìn)行；
③可以同時(shí)完成多用戶，多個(gè)并發(fā)請(qǐng)求的推理；
④借助輔助數(shù)據(jù)庫(kù)，對(duì)推理過(guò)程可以進(jìn)行有效的控制與監(jiān)測(cè)，并能整合推理結(jié)果，以多種形式反饋給用戶。
4.3 協(xié)同式專家系統(tǒng)
協(xié)同式專家系統(tǒng)的概念目前尚無(wú)一個(gè)明確的定義。一般認(rèn)為，協(xié)同式專家系統(tǒng)是能綜合若干相關(guān)領(lǐng)域（或一個(gè)領(lǐng)域）多個(gè)方面的單一專家系統(tǒng)互相協(xié)作共同解決一個(gè)更廣領(lǐng)域問(wèn)題的專家系統(tǒng)，這樣的系統(tǒng)亦可稱之為“群專家系統(tǒng)”[2]。在系統(tǒng)中，多個(gè)專家系統(tǒng)協(xié)同合作，各專家系統(tǒng)間可以互相通信，一個(gè)或多個(gè)專家系統(tǒng)的輸出可能成為另一個(gè)專家系統(tǒng)的輸入，有些專家系統(tǒng)的輸出還可以作為反饋信息輸入到自身或其先輩系統(tǒng)中去，經(jīng)過(guò)迭代求得某種“穩(wěn)定”狀態(tài)。
協(xié)同式專家系統(tǒng)作為一種新型專家系統(tǒng)，其特點(diǎn)如下：
①將總?cè)蝿?wù)合理的分解為幾個(gè)分任務(wù)，分別由幾個(gè)分專家系統(tǒng)來(lái)完成；
②把解決各個(gè)分任務(wù)所需要知識(shí)的公共部分提煉出來(lái)形成一個(gè)公共知識(shí)庫(kù)，供各子專家系統(tǒng)共享。而分專家系統(tǒng)中專用的知識(shí)，則存放在各自的專用知識(shí)庫(kù)中；
③為了統(tǒng)一協(xié)調(diào)解決問(wèn)題，有一個(gè)供各個(gè)分專家系統(tǒng)討論交流的平臺(tái)。
目前將分布式專家系統(tǒng)與協(xié)同式專家系統(tǒng)相結(jié)合，提出了一種分布協(xié)同式專家系統(tǒng)。分布協(xié)同式專家系統(tǒng)是指邏輯上或物理上分布在不同處理節(jié)點(diǎn)上的若干專家系統(tǒng)協(xié)同求解問(wèn)題的系統(tǒng)?，F(xiàn)實(shí)中，有很多復(fù)雜的任務(wù)需要一個(gè)群體(一些專家) 來(lái)協(xié)同解決問(wèn)題，當(dāng)單個(gè)專家系統(tǒng)難于有效地求解問(wèn)題時(shí)，使用分布協(xié)同式專家系統(tǒng)求解是一個(gè)有效的途徑[32]。

5? 結(jié)束語(yǔ)
專家系統(tǒng)是從20世紀(jì)末開(kāi)始的重大技術(shù)之一，是高技術(shù)的標(biāo)志。專家系統(tǒng)的近期研究目標(biāo)是建造用于代替人類進(jìn)行智能管理與決策的系統(tǒng)，而遠(yuǎn)期目標(biāo)是實(shí)現(xiàn)具有更新概念、更佳技術(shù)性能和更高智力水平的決策與咨詢系統(tǒng)。
本文總結(jié)了專家系統(tǒng)發(fā)展的歷史和現(xiàn)狀，對(duì)目前比較成熟的專家系統(tǒng)模型進(jìn)行分析，指出各自的特點(diǎn)和局限性。隨著專家系統(tǒng)研究的不斷深入與發(fā)展，必將進(jìn)一步推動(dòng)科技發(fā)展和社會(huì)進(jìn)步。