专家系统

在智能科学技术发展早期，比较典型的综合性应之用成果一，就是专家系统。专家系统是利用人工智能方法与技术开发的一类智能程序系统，主要是模仿某个领域专家的知识经验来解决该领域特定的一类专业问题。其基本原理是通过利用形式化表征的专家知识与经验，模仿人类专家的推理与决策过程，从而解决原本需要人类专家解决的一些专门领域的复杂问题。 

构造专家系统关键在于知识的获取、表示和利用。一般传统专家系统中的知识主要指支持智能推理的必要信息。因此，专家系统所要表征的知识，具有符号知识的特点：（1）基本的符号单元；（2）满足复合律；（3）可变换操作性。而对知识的获取、表示与利用，关键是知识表示。

所谓知识表示就是关于支持智能专家系统的各种信息集合的组织和操作方法。这里组织是指从静态内容结构的角度看待知识表示，称之为结构性知识、叙述性知识；而操作则是指从动态处理功能的角度看待知识表示，称之为过程性知识、程序性知识。对于一种成熟的知识表示方法，组织与操作这两个方面缺一不可，并且往往是相互关联的。

迄今为止，在符号逻辑计算框架内业已发展出众多的方法来表示知识，归纳起来主要有：状态空间、与或图、谓词逻辑、产生式、语义网、框架、脚本、对象、信念网、知识网、概念依存网等等。这些方法的共同之处都注意到知识之间千丝万缕的联系，强调知识之间的关联性。不同方法的差异则主要体现在表示知识复杂性维度、表示知识的范围、表示知识的精度、面向编程实现的程度以及知识表示的风格等之上。

早期人工智能较有影响的一种结构知识表示模型就是语义网模型。语义网是一种直接面向概念及其关系的知识网络结构，便于编程实现。最初用于以自然方式模拟人类理解和使用自然语言而设计的，强调知识概念之间丰富的相互连接结构，知识的每个元素都是处在各种不同的关系之中。

除了语义网之外，早期用于自然语言处理的知识表示方法还有框架和脚本等图式之类的知识表示方法。这些知识表示方法的共同之处就是他们同样基于知识的联合性质，将相关要素汇成知识结构。目前这类知识结构单位往往被称为对象，均是面向编程的知识表示方法。

除了面向知识内容结构的表示方法，在早期知识表示方法的研究中，也还有面向功能过程的知识表示方法。这种表示将知识表示为一组处理算子或规则，这些算子或规则又往往在一定的状态条件下才能起用，结果则改变当前的状态条件。例如，众所周知的产生式系统就是这类知识表示方法的典范。

构建专家系统

自从美国斯坦福大学于1965年开发出第一个化学结构分析专家系统DENDRAL以来，各种专家系统层出不穷，已经遍布了几乎所有专业领域，成为应用最为广泛、最为成功、也最为实效的智能系统。

专家系统主要有这样一些特点：（1）专家系统主要是运用专家的经验知识来进行推理、判断、决策，从而解决问题，因此可以启发帮助大量非专业人员去独立开展原本不熟悉的专业领域工作；（2）用户使用专家系统不仅仅可以得到所需要的结论，而且可以了解获得结论的推倒理由与过程，因此比直接与一些古怪的人类专家咨询来得更加方便、透明和信赖；（3）作为一种人工构造的智能程序系统，对专家系统中的知识库的维护、更新与完善更加灵活迅速，可以满足用户不断增长的需要。

                                            专家系统基本结构图 

在专家系统中，核心问题是知识的表示、获取与运用问题。在经典人工智能研究中，知识的表示方法主要状态空间、产生式、脚本、语义网络、框架、逻辑表达式、依存关系等；知识获取方法主要是各种机器学习策略决定的，经典的有归纳学习、示教学习、实例学习、顿悟学习，以及非经典的各种软计算方法；至于知识的运用，则主要取决于推理引擎的构建策略，大致有前向驱动、后向驱动以及混合驱动等。