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