一种电机智能cad神经网络专家系统

    刘振凯  贵忠华  蔡  青(西北工业大学西安710072)

    【摘  要】应用专家系统进行电机智能cad，存在着知识获取瓶颈和推理过程中的匹配冲突、组合爆炸、无穷递归等问题。文中提出了一种新的智能cad模型——神经网络专家系统，研究了它的基本原理，即基于神经网络的知识表示、推理机制和知识获取。针对电机设计的特点，提出了一种电机智能cad神经网络专家系统的结构。

1引  言

  专家系统(expert systern)作为人工智能的一个重要分支，广泛应用在许多领域，已发挥了巨大的作用。国内外学者近几年来应用专家系统进行电机智能cad的研究，取得了一定的进展。但是基于专家系统的智能设计系统存在如下的主要缺陷：

    (1)知识获取的瓶颈：通常专家系统的知识获取主要依靠人工移植，由知识工程师将领域专家的知识移植到计算中，它是间接的，因而不但费时而且效率低。

    (2)推理能力弱：由于推理方法简单，控制策略不灵活，所以容易出现匹配冲突、组合爆炸及无穷递归等，推理速度慢，效率低。

    电机智能cad专家系统也同样存在这两个问题。以非线性并行分布处理为主流的神经网络(neural network)理论的发展，为人工智能和专家系统的研究开辟了崭新的途径，人们可以利用神经网络系统的学习功能、联想记忆功能、分布式信息处理功能解决专家系统中的知识获取和并行推理，即建立神经网络专家系统。

    gallant于1988年采用前向神经网络研制了连接机制专家系统，satlo等人也于1988年建立了用于医疗诊断的神经网络专家系统。    本文研究了神经网络专家系统的基本原理，提出了一种电机智能cad的神经网络专家系统的结构，从而将电机智能cad引进一个新的领域。

2神经网络专家系统基本原理

    神经网络专家系统是神经网络和专家系统的集成，它利用神经网络的学习功能、联想记忆功能、分布式信息处理功能解决专家系统中某些不足，如知识获取和并行推理，结合实例介绍神经网络专家系统中基于神经网络的知识表示、推理机制和知识获取。

2．1基于神经网络的知识表示

    传统的知识表示不管是产生式系统，还是语义网络，都可以看作是知识的一种显示表示，而基于神经网络的知识表示可看作是一种隐式表示。在这里知识并不象产生式系统中那样独立表示每一规则，而是将某一问题的若干知识在同一神经网络中表示。

    例如，文献4的医疗诊断神经网络专家系统采用多层前馈网络表示知识，其中输入层有216个单元，每个单元对应于某个症状的某个提问的一个可能回答，病人所感受到的症状作为提问的回答被编码到输入单元。这216个单元覆盖所有疾病症状。输出层有23个单元。每个单元对应于一种疾病。中间隐含层有72个单元，每个隐含单元都收到来自各输入单元的信息，将其输出传送给所有输出单元。

2．2基于神经网络的推理机制

    基于神经网络的推理机制，与现有专家系统所用的基于逻辑的演绎方法不同，它的推理机制基本上是数值计算过程，主要由三部分组成：

    (1)输人逻辑概念到输入模式的变换，并根据论域的特点确定变换规则，再根据相应规则，将目前的状态变换成神经网络的输入模式。

(2)网络内的前向计算：根据神经元特征，其输入为x_i=σ_jw_ijw_ij为连接权值系数，yj为前层神经元的输出。本层神经元的输出y_i=f_i(x_i+θ_i)，其中θ_i为神经元的阈值，f_i为单调递增非线性函数，通过计算即可生神经网络的输出模式。

 (3)输出模式解释：随着论域的不同，输出模式的解释规则亦各异。解释的主要目的是将数值向量转换成高层逻辑概念。

例如，文献4中的神经网络专家系统采用前馈多层网络的结构，则基于神经网络的推理步骤为，将原始数据交给输入单元；计算隐含层神经元输出；计算输出层神经元输出。若输出值大于0．75，则可确诊神经元所对应的疾病。由于一个病人可能同时患有多种疾病，因此输出值大于0．75的输出单元可能不止一个。

从这个例子可以看出，神经网络的推理过程具有的特征：同一层处理单元(即神经元)是完全并行的，只是层间信息传递是串行l的，而一层中处理单元的数目要比网络的层数多得多，因此它是一种并行推理；在传统推理方法中，如果多条规则的前提均与某一事实相匹配，即出现冲突，从而使推理速度大为降低，但神经网络的推理过程不存在冲突；推理过程只与网络自身