一種電機智能cad神經網絡專家系統

    劉振凱  貴忠華  蔡  青(西北工業大學西安710072)

    【摘  要】應用專家系統進行電機智能cad，存在著知識獲取瓶頸和推理過程中的匹配沖突、組合爆炸、無窮遞歸等問題。文中提出了一種新的智能cad模型——神經網絡專家系統，研究了它的基本原理，即基于神經網絡的知識表示、推理機制和知識獲取。針對電機設計的特點，提出了一種電機智能cad神經網絡專家系統的結構。

1引  言

  專家系統(expert systern)作為人工智能的一個重要分支，廣泛應用在許多領域，已發揮了巨大的作用。國內外學者近幾年來應用專家系統進行電機智能cad的研究，取得了一定的進展。但是基于專家系統的智能設計系統存在如下的主要缺陷：

    (1)知識獲取的瓶頸：通常專家系統的知識獲取主要依靠人工移植，由知識工程師將領域專家的知識移植到計算中，它是間接的，因而不但費時而且效率低。

    (2)推理能力弱：由于推理方法簡單，控制策略不靈活，所以容易出現匹配沖突、組合爆炸及無窮遞歸等，推理速度慢，效率低。

    電機智能cad專家系統也同樣存在這兩個問題。以非線性并行分布處理為主流的神經網絡(neural network)理論的發展，為人工智能和專家系統的研究開辟了嶄新的途徑，人們可以利用神經網絡系統的學習功能、聯想記憶功能、分布式信息處理功能解決專家系統中的知識獲取和并行推理，即建立神經網絡專家系統。

    gallant于1988年采用前向神經網絡研制了連接機制專家系統，satlo等人也于1988年建立了用于醫療診斷的神經網絡專家系統。    本文研究了神經網絡專家系統的基本原理，提出了一種電機智能cad的神經網絡專家系統的結構，從而將電機智能cad引進一個新的領域。

2神經網絡專家系統基本原理

    神經網絡專家系統是神經網絡和專家系統的集成，它利用神經網絡的學習功能、聯想記憶功能、分布式信息處理功能解決專家系統中某些不足，如知識獲取和并行推理，結合實例介紹神經網絡專家系統中基于神經網絡的知識表示、推理機制和知識獲取。

2．1基于神經網絡的知識表示

    傳統的知識表示不管是產生式系統，還是語義網絡，都可以看作是知識的一種顯示表示，而基于神經網絡的知識表示可看作是一種隱式表示。在這里知識并不象產生式系統中那樣獨立表示每一規則，而是將某一問題的若干知識在同一神經網絡中表示。

    例如，文獻4的醫療診斷神經網絡專家系統采用多層前饋網絡表示知識，其中輸入層有216個單元，每個單元對應于某個癥狀的某個提問的一個可能回答，病人所感受到的癥狀作為提問的回答被編碼到輸入單元。這216個單元覆蓋所有疾病癥狀。輸出層有23個單元。每個單元對應于一種疾病。中間隱含層有72個單元，每個隱含單元都收到來自各輸入單元的信息，將其輸出傳送給所有輸出單元。

2．2基于神經網絡的推理機制

    基于神經網絡的推理機制，與現有專家系統所用的基于邏輯的演繹方法不同，它的推理機制基本上是數值計算過程，主要由三部分組成：

    (1)輸人邏輯概念到輸入模式的變換，并根據論域的特點確定變換規則，再根據相應規則，將目前的狀態變換成神經網絡的輸入模式。

(2)網絡內的前向計算：根據神經元特征，其輸入為x_i=σ_jw_ijw_ij為連接權值系數，yj為前層神經元的輸出。本層神經元的輸出y_i=f_i(x_i+θ_i)，其中θ_i為神經元的閾值，f_i為單調遞增非線性函數，通過計算即可生神經網絡的輸出模式。

 (3)輸出模式解釋：隨著論域的不同，輸出模式的解釋規則亦各異。解釋的主要目的是將數值向量轉換成高層邏輯概念。

例如，文獻4中的神經網絡專家系統采用前饋多層網絡的結構，則基于神經網絡的推理步驟為，將原始數據交給輸入單元；計算隱含層神經元輸出；計算輸出層神經元輸出。若輸出值大于0．75，則可確診神經元所對應的疾病。由于一個病人可能同時患有多種疾病，因此輸出值大于0．75的輸出單元可能不止一個。

從這個例子可以看出，神經網絡的推理過程具有的特征：同一層處理單元(即神經元)是完全并行的，只是層間信息傳遞是串行l的，而一層中處理單元的數目要比網絡的層數多得多，因此它是一種并行推理；在傳統推理方法中，如果多條規則的前提均與某一事實相匹配，即出現沖突，從而使推理速度大為降低，但神經網絡的推理過程不存在沖突；推理過程只與網絡自身