ترکیب سیستمهای خبره و شبکه های عصبی

تهیه کنندگان:علیرضا ربیعی کاشانکی

امیر هدایتی کیا

مقدمه شبکه های عصبی علیرغم مفید بودن محدودیتهایی

هم دارند به وسیله اطالعات موجود مورد آموزش قرار می

گیرند ای شبکه ها با استفاده از ورودی و خروجی متناظر

اطالعات آموزشی، خروجی میدهند لذا قدرت استدالل و یا توضیح عملکرد خود را ندارند

یک سیستم خبره می تواند شبکه های عصبی را بهگونه ای آموزش دهد که ای سیستم قابلیت انطباق

پذیری پیدا کرده و با تغییر موقعیتها به روز شود.

استفاده از شبکه های عصبی در تعمیم دانش خبره

در یک سیستم خبره مبتنی بر قاعده دانش بهوسیله قواعدی به شکل عمومی زیر هستند

نمایش داده میشوند:

استفاده از شبکه های عصبی در تعمیم دانش خبره

را میتوان MYCINبه عنوان مثال یک قاعده تولید تعریف کرد:

استفاده از شبکه های عصبی در تعمیم دانش خبره

سیستم های خبره براساس شبکه های عصبی

در سیستم خبره هر قاعده نشان دهنده یک زوج(X,y است که رابطه خاصی بین متغیرهای )

وابسته و مستقل نشان میدهد مشکل استفاده از شبکه های عصبی پس انتشار

استاندارد در درونیابی این است که با داشتن مجموعه ای از داده های یادگیری ،نتایج نهایی مه توسط شبکه ارائه میشود ممکن است غیر قابل

پیش بینی باشد برای حل این مشکل از مدل تابع شبکه های

عصبی یکنواخت استفاده میکنیم

شبکه های عصبی یکنواخت

برای ایجاد یک منحنی منظم که از تعداد معدودی از نقاطعبور کند مدل تابع شبکه ی عصبی یکنواخت بوجود آمده

است دالیل استفاده از شبکه های عصبی یکنواخت در سیستم

های خبره :یکنواختی یکی از خصوصیات مهم توابع عضویت فازی است1.توابع عضویت فازی عموما در سیستمهای خبره مبتنی بر 2.

CFقاعده مورد استفاده قرار گرفته و به وسیله مقادیر نشان داده می شوند.

اعمال شبکه های عصبی درد سیستمهای خبره

تعمیم قواعد تولیدی

قواعد تولید منفرد1.

متغیرهای وابسته چند گانه2.

قواعدی با شرط نا معادله3.

قواعدی با نتایج احتمالی4.

توابع درونیابی غیریکنواخت5.

دانش متضاد6.

قواعد تولید منفرد-1

یک قاعده تولیدی منفرد که ساختار علت و معلولی آن باسایر قواعد مشابهت نداشته باشد میتواند به وسیله

شبکه عصبی تعمیم یابد:مثال

درست باشد x2 درست باشد و x1اگر درست استyآنگاه

این قاعده در شبکه های عصبی آموزش دیده وبصورت زیر نشان میدهند

X1=1,x2=1,y=ymax یک خروجی از پیش تعیین شده برای ymaxبطوری که

شبکه عصبی است

متغیرهای وابسته چند گانه-2 وقتی تعداد متغیرهای وابسته بیش از یکی باشد قواعد به

صورت زیر درمی آیندx2=ai2 و x1=ai1: اگر iقاعده آنگاه

Xp=aip وy1=ci1.…

Yp=ciq عصب خروجی استفاده qدر این حالت شبکه عصبی از

میکند

قواعدی با شرط نا معادله-3

در این حالت ممکن است برای شبکه ای که بر اساساین قاعده کار میکند نقاط آموزشی منفصل تولید شود و

باز هم شرایط یکنواختی حفظ شودمثال:y=c آنگاه b<x<aاگر

در این حالت شبکه عصبی یک خط تقریبا مستقیم ایجاد میکند

- قواعدی با نتایج احتمالی4منظور همان قواعد فازی است

y=c1 آنگاه x=a1اگر ....

y=ci آنگاه x=aiاگر c مقادیر احتماالت که بصورت تابع توزیع تجمعی در می :

آیند تمام توابع توزیع یکنواخت هستند

- توابع درونیابی غیریکنواخت5 گاهی ممکن است رابطه(x,y یکنواخت نباشد )مثال رابطه بین قلب و فشار خون یکنواخت نیست نقطه عطف منحنی ===> رابطه یکنواخت

- دانش متضاد6 دانش متضاد بصورت تابع فوق فازی نمایش داده

میشود شبکه عصبی استفاده میکند2عمال از فاصله بین دو تابع نهایی ===> درجه تناقض اطالعات استفاده از تابع عضویت میانی: نتیجه شبکه عصبی میتوانند جایگزین تمام قواعد تولیدی در

سیستم خبره شوندیعنی پایگاه دانش

- دانش متضاد6

روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی

... قواعد تولیدی به صورت جمالت صریح » اگرآنگاه ...« بیان می شوند، در حالی که قواعد شبکه

های عصبی به فرم ریاضی بیان می شوند. قواعد شبکه های عصبی بر اساس قواعد تولیدی

تعمیم می یابند و روابط فازی زیادی را بین شرایط و نتایج ایجاد می کنند.

طی فرآیند استنتاج، عدم قطعیت نتایج میانی به وسیلهCF مشخص می شود که این نتایج میانی هر کدام به

ترتیب شرایط قواعد شبکه های عصبی بعدی خواهند بود.

استدالل رو به عقب نمتواند در سیستمهای خبره مبتنیبر شبکه های عصبی مفید باشد زیرا:

مقادیر فاکتورهای قطعیت نتایج نمی تواند از پیش تعیین 1.شود

برای استداللهای تقریبی زیاد پاسخگو نیست.2.

روش استنتاج در سیستمهای خبره بر اساس شبکه های عصبی

خالصه و نتیجه گیری

شبکه های عصبی، ماشینهای یاد گیرنده ای که رفتار فردخبره را تقلید می کنند.

توسعه مدلهایCF برای قواعد تولیدی به دلیل عدم اطمینان در روابط علت و معلولی

تعمیم قواعد تولیدی به وسیله شبکه های عصبی واستفاده آنها برای انجام استنتاجهای تقریبی در

سیستمهای خبره

منابع ،اصول و مبانی سیستم های خبره با فصولی درباره«

شبکه های عصبی مصنوعی، تئوری مجموعه های  مهدی غضنفری، زهره کاظمی، دانشگاه علم و صنعت فازی«،

1382ای�ران، Wang. S. "Neural networks in Generalizing Expert Knowledge"

Computers indo Engng Vol. 32, No.1, pp. 67-76, 1997 Krishnamurthi 92). M. Krishnamurthi and D. T. Phillips. An

Expert System Framework for Machine Fault Diagnosis. Computers Ind. Engng 22(1), 67-84 (1992)

(Buchanan 94). B. G. Buchanan and E. H. Shortliffe. Rule-Based Expert Systems.

Addison-Wesley, Reading, MA (1985) . (Wang 94). S. Wang. Generating Fuzzy Membership Functions a

Monotonic Neural Network Model. Fuzzy Sets Systems 61(1), 71-81 (1994).