混合系统

    鉴于上述传统的专家系统主要是采用符号计算方法来建构，其共同弱点就是知识更新很难自动完成。系统一经形成，其中的知识（规则）无法自动更改以适应不断变化的环境。于是人们开始运用各种智能计算方法来综合考虑专家系统的构造。这些方法除了符号逻辑之外，还有称为软计算的模糊逻辑、神经网络和演化计算。将这些方法混合起来构造的智能系统，就称为混合智能专家系统。

自80年代以来，在美国科学家赫普费尔（Hopfield，1980）的创导下，人工神经网络研究再度兴起，并很快波及到了几乎人工智能研究的方方面面，产生了广泛的影响。将人工神经网络方法引入到智能系统的构建之中，并与传统的符号逻辑方法相结合，便形成了神经专家智能系统。

    所谓人工神经网络指的是一种由大量计算单元按一定结构互联而形成的一种大规模并行分布式计算系统，用以完成不同的智能处理任务。这是一种非线性动力学系统，通过动态调节计算单元之间的联接权值来实现学习功能。如图给出了人工神经网络的示意模型。其中每个单元都与上一层的所有单元连接。这里没有侧向连接或反向连接。其中的“内部表达单元”常被称为“隐单元”。

                                               神经网络学习原理

在人工神经网络中，每个单元将收到的输入刺激的模式变换为一个输出反应并把它传输到其他单元。一般这一过程分两步完成。第一步，把每个输入刺激乘于所在连线上的权值，再把所有这些加权输入结果相加，获得一个称为总输入的数值；第二步，一个单元使用某种输入－输出函数将总输入变换为输出反应。最普通的人工神经网络是由三层单元组成的。一层是输入单元，其与隐单元层（也称内部单元层）相连接，而隐单元又连接到输出单元层。

一般构造出完成某种特定任务的人工神经网络需要进行如下步骤：

   （1） 选择一种合适的问题表达式，使得单元的输出与问题的解彼此对应起来；

   （2）构造出一种能量函数,使其最小值点对应于问题的最佳解；

   （3）由能量函数去构造合适的连接权值及误差标准的确定方法；

   （4）通过一定的学习策略来动态调节权值及误差等参数，使得最终形式的人工神经网络正好是对给定问题的解模型。

有了具体的神经网络，那么剩下的任务就是要教会（训练）神经网络去完成某个特定任务。此时，首先向网络提供一些训练实例数据，经过训练后神经网络的权值矩阵都将确定到一组最佳值，通过不断判断输出与期望输出的符合程度并及时通过反馈修正，可以很好地完成训练任务。然后就可以用其来解决该神经网络原先所从事的任务了。当然任务完成的好坏取决于训练结果是否反映实际情况。因此有时也采用边学习边工作的方式来动态承担任务的实现。

综合智能系统

这种多层次智能系统方略：通过上述综合智能系统的研究，

本书作者认为可以预见未来的智能专家系统一定是一种多层次综合型构造系统，如上图所示。