人工智能試題20xx(編輯修改稿)
2024-08-31 12:57 本頁面
【文章內(nèi)容簡介】 點,因而取得了一定成功。20世紀90年代,國外在軍用水壓系統(tǒng)、電力供應網(wǎng)絡(luò)等方面進行了應用。但是,對于復雜系統(tǒng),所觀測到的癥狀與對應的診斷之間的聯(lián)系是相當復雜的,通過歸納專家經(jīng)驗來獲取規(guī)則有著相當?shù)碾y度,且診斷時只能對事先預想到的并能與規(guī)則前提匹配的事件進行推理, 存在知識獲取的瓶頸問題。 基于模型的診斷專家系統(tǒng)在基于模型的診斷專家系統(tǒng)中,領(lǐng)域?qū)＜业膶I(yè)知識包含在建立的系統(tǒng)模型中,這種基于模型的診斷更多地利用系統(tǒng)的結(jié)構(gòu)、功能與行為等知識。相比基于規(guī)則的診斷專家系統(tǒng),這種診斷方式能夠處理預先沒有想到的情況,并且可能檢測到系統(tǒng)存在的潛在故障。這類系統(tǒng)的知識庫相對容易建立并且具有一定的靈活性,已應用于航天器動力燃燒系統(tǒng)故障診斷等方面。但是,基于模型的診斷專家系統(tǒng)仍然依賴于專家的專業(yè)領(lǐng)域知識,在實時診斷中還將消耗巨大的計算資源,限制了其應用范圍。 基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)神經(jīng)網(wǎng)絡(luò)只要求專家提出范例及相應的解,就能通過特定的學習算法對樣本進行學習而獲取知識。在基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)中,知識表示不再是獨立的一條條規(guī)則,而是分布于整個網(wǎng)絡(luò)中的權(quán)和閾值。專家知識及經(jīng)驗的獲取是利用領(lǐng)域?qū)＜医鉀Q實際問題的實例(樣本)來訓練獲取,在同樣輸入條件下神經(jīng)網(wǎng)絡(luò)能夠獲得與專家給出的方案盡可能相同的輸出?；谌斯ど窠?jīng)網(wǎng)絡(luò)的專家系統(tǒng)在知識表示、知識獲取、并行推理、適應性學習、理想推理、容錯能力等方面顯示了明顯的優(yōu)越性。同時,實際應用中的大多數(shù)被診斷對象往往是復雜的非線性系統(tǒng),無法得到其精確模型,甚至無法建模,由于神經(jīng)網(wǎng)絡(luò)的構(gòu)建與訓練不要了解被診斷對象的精確模型,因而對于非線性被診斷對象,神經(jīng)網(wǎng)絡(luò)也具有明顯優(yōu)勢。目前,基于人工神經(jīng)網(wǎng)絡(luò)的診斷專家系統(tǒng)已成為研究的熱點,已經(jīng)應用于在線故障診斷、引擎自動管理系統(tǒng)、軍艦動力系統(tǒng)故障診斷等方面。然而,神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)也存在固有的弱點。首先,系統(tǒng)性能受到所選擇的訓練樣本集的限制,訓練樣本集選擇不當,特別是在訓練樣本集很少的情形下,很難獲得較好推理能力。其次,神經(jīng)網(wǎng)絡(luò)沒有能
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1