符號系統(tǒng)與神經(jīng)網(wǎng)絡相結合的知識求精技術研究.pdf

1、本文作為國家自然科學基金(70271002)《面向智能性管理決策的異構知識表示與知識管理研究》的系列研究之一，主要致力于這方面的研究，旨在進一步推動知識求精的研究進展。 在智能系統(tǒng)的開發(fā)過程中，如專家系統(tǒng)，通常面臨的一個問題是：知識庫中的知識經(jīng)常存在沖突、冗余或不一致的情況，從而影響知識的推理效率和精度，也阻礙了智能系統(tǒng)的發(fā)展，為此有專家學者提出知識求精的概念。 知識求精不僅可以簡化初始知識庫，還可以修正初始知識庫中的錯

2、誤知識、補充知識中不完整的知識，從而提高知識庫的推理效率和準確率，因此是開發(fā)智能系統(tǒng)過程中非常重要的一個步驟。由于其重要性，國外的許多學者都很重視這方面的研究，至今已提出許多重要的知識求精方法，例如，KBANN，KBCNN等，這些方法有的比較復雜、難于實現(xiàn)，有的求精后的規(guī)則其邏輯結構復雜，不易于理解和應用。鑒于此，提出一種新的符號系統(tǒng)與神經(jīng)網(wǎng)絡相結合的知識求精方法(簡稱KRSNN)，以解決上述方法的不足。 KRSNN首先將初始規(guī)

3、則庫翻譯成神經(jīng)網(wǎng)絡，然后采用訓練數(shù)據(jù)對網(wǎng)絡進行訓練，其中神經(jīng)網(wǎng)絡的誤差函數(shù)采用交叉熵；訓練完畢之后，對網(wǎng)絡進行剪枝，使得網(wǎng)絡在較少的連接情況下，網(wǎng)絡精度不降低，最后采用本文提出的SubsetⅡ算法抽取規(guī)則，從而達到知識求精的目的。為了方便不同的求精方法進行比較也方便評價知識庫的求精結果，提出了求精規(guī)則的質(zhì)量評價標準，從求精后規(guī)則庫的推理精度和推理效率兩個方面評價求精質(zhì)量。 通過大量的實驗工作，將求精方法用于兩個領域的知識庫求精，

4、從不同方面檢驗KRSNN的求精效果，以便驗證KRSNN的有效性。其一是基因工程領域的啟動子識別規(guī)則庫求精，由于以往的求精方法均以這一規(guī)則庫為例，因此為了方便與其他求精方法進行比較，將其做為一個實例，采用相同的初始規(guī)則庫、相同的訓練數(shù)據(jù)，比較不同的求精方法的求精結果。此外，以往的知識求精方法的試驗領域僅限于基因工程和醫(yī)療診斷等領域，為了擴展知識求精技術的應用領域，本文還將知識求精應用于個人消費貸款審批的規(guī)則庫求精。相關的試驗結果表明，KR