關(guān)鍵詞： 智能混合系統(tǒng) 自然智能 神經(jīng)網(wǎng)絡(luò) 專家系統(tǒng) 模糊邏輯
人工智能的核心任務(wù)是模擬自然智能。而自然智能表現(xiàn)在不同的層次和不同的方面，因此仿智的方法有多種，如模擬抽象思維層次的符號主義，模擬形象思維層次的聯(lián)接主義，模擬智能行為層次的行為主義等。雖然各種智能信息處理方法與概念都已提出，并取得不少成果，但相關(guān)的研究工作還處在較低的水平，在單獨模擬人類智能活動時，尚存在各種局限性。生物物理、心理認知學(xué)的研究表明，智能信息處理能力是包括上述各種智能處理能力的綜合集成。可以相信，今后智能本質(zhì)和智能綜合集成方面的系統(tǒng)研究將是非常重要的研究領(lǐng)域。
盡管自然智能覆蓋面廣，但人是萬物之靈，應(yīng)將對人的智能的研究作為重點，并輔以對其他自然智能的研究，從而最終解開智能的奧秘。同時，在研究智能綜合集成方面，由于抽象思維和形象思維是人類最主要的二種思維形式，并且符號主義和聯(lián)接主義學(xué)派的方法和理論較為充實，因此，應(yīng)重點進行上述二者的集成研究，然后將其原理和方法推廣到其他廣義人工智能的綜合集成中。
1 四類典型的智能混合系統(tǒng)
智能混合系統(tǒng)主要涉及專家系統(tǒng)(Expert System，ES)、神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)和模糊邏輯（Fuzzy Logic，F(xiàn)L）三種技術(shù)。神經(jīng)網(wǎng)絡(luò)易于表達感性知識，專家系統(tǒng)易于表達理性知識，而理性知識中又含有大量的模糊知識，因此需要使用模糊邏輯來描述。于是，不同技術(shù)的組合，便構(gòu)成了不同類型的智能混合系統(tǒng)，主要有四種(如圖1所示)。
1.1 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合
神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)主要有三種結(jié)合方式，下面分別予以介紹。
(1)基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)
這類系統(tǒng)又稱聯(lián)接專家系統(tǒng)，其全部或部分功能由神經(jīng)網(wǎng)絡(luò)實現(xiàn)，實現(xiàn)方式有兩種。
①從神經(jīng)網(wǎng)絡(luò)中抽取規(guī)則構(gòu)造專家系統(tǒng)
這種方式希望將神經(jīng)網(wǎng)絡(luò)的隱式“黑箱”知識表示為顯式規(guī)則形式，并用于推理或解釋神經(jīng)網(wǎng)絡(luò)的行為。在訓(xùn)練前不需要了解領(lǐng)域知識的結(jié)構(gòu)，也不需要將領(lǐng)域知識的結(jié)構(gòu)強加于神經(jīng)網(wǎng)絡(luò)，關(guān)鍵是通過神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)來獲得易于人類認識、理解的領(lǐng)域知識。
?、谝?guī)則知識編碼于神經(jīng)網(wǎng)絡(luò)系統(tǒng)
這種方式比較簡單，實質(zhì)是利用神經(jīng)網(wǎng)絡(luò)將己有的領(lǐng)域知識進行優(yōu)化求精，所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在形式上直接對應(yīng)于專家系統(tǒng)的推理網(wǎng)絡(luò)，可以直接用于推理和解釋神經(jīng)網(wǎng)絡(luò)的結(jié)論和行為。
上述兩種方法的區(qū)別在于：前者在對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之前無需將領(lǐng)域知識的結(jié)構(gòu)強加于神經(jīng)網(wǎng)絡(luò)，所學(xué)得的神經(jīng)網(wǎng)絡(luò)難以進行自我解釋，神經(jīng)網(wǎng)絡(luò)中的知識只有抽取出來并表示為規(guī)則知識后才成為易于理解的顯式知識；后者在對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練之前需要將領(lǐng)域知識的結(jié)構(gòu)編碼于神經(jīng)網(wǎng)絡(luò)中，所學(xué)得的神經(jīng)網(wǎng)絡(luò)己將知識進行了顯式表示，因而具有自我解釋能力。
很多學(xué)者進行了這方面的研究和開發(fā)工作。Gallant[1]首次提出并建立了聯(lián)接專家系統(tǒng)，Caudill[2]提出了建立額外的小型規(guī)則系統(tǒng)用于解釋神經(jīng)網(wǎng)絡(luò)行為的方法等。
這類混合系統(tǒng)優(yōu)勢在于自學(xué)習(xí)和自適應(yīng)能力，可以有效克服專家系統(tǒng)在知識獲取方面所遇到的困難，開發(fā)時間較短；缺點在于對神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)、非線性活動函數(shù)及各種參數(shù)的選擇缺乏系統(tǒng)的指導(dǎo)原則，應(yīng)用領(lǐng)域較窄，其解釋能力方面也有待進一步研究。
(2)基于知識的神經(jīng)網(wǎng)絡(luò)系統(tǒng)
這類系統(tǒng)也稱為專家網(wǎng)絡(luò)，是由專家系統(tǒng)作為神經(jīng)模塊構(gòu)成的事件驅(qū)動網(wǎng)絡(luò)。在該系統(tǒng)中，神經(jīng)元包括“與”、“或”、“非”等邏輯神經(jīng)元和前提、結(jié)論神經(jīng)元，它們之間的聯(lián)接權(quán)代表專家系統(tǒng)中的確定性因子，故可將專家系統(tǒng)規(guī)則集表達為專家網(wǎng)絡(luò)。
這方面的研究成果主要有：Kuncicky[3]提出的專家網(wǎng)絡(luò)，Towell[4]提出的一種基于知識的人工神經(jīng)網(wǎng)絡(luò)?？梢钥闯觯瑢＜揖W(wǎng)絡(luò)的缺點是學(xué)習(xí)時只改變權(quán)值，而不能改變網(wǎng)絡(luò)的拓撲結(jié)構(gòu)，因而不能向不完全的初始規(guī)則集增加新的符號規(guī)則。為了使專家系統(tǒng)具備學(xué)習(xí)能力，以期根本解決知識獲取的瓶頸問題，對專家系統(tǒng)進行合理描述并且開發(fā)有效的學(xué)習(xí)算法將是十分重要的研究方向。
(3)基于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的混合系統(tǒng)
這類系統(tǒng)的基本出發(fā)點是將復(fù)雜系統(tǒng)分解成各種功能子系統(tǒng)，分別由神經(jīng)網(wǎng)絡(luò)或?qū)＜蚁到y(tǒng)實現(xiàn)，研究的主要問題包括混合專家系統(tǒng)的結(jié)構(gòu)框架和選擇實現(xiàn)功能子系統(tǒng)方式的準則兩方面的問題。這兩個問題的研究相輔相成，不可分割。混合方式有兩種：①從應(yīng)用的角度出發(fā)，對易于獲取其產(chǎn)生式規(guī)則的子系統(tǒng)使用專家系統(tǒng)技術(shù)，其余的功能由神經(jīng)網(wǎng)絡(luò)來實現(xiàn)，此時系統(tǒng)的結(jié)構(gòu)由實際問題來決定。②從功能的角度出發(fā)，可以用神經(jīng)網(wǎng)絡(luò)實現(xiàn)專家系統(tǒng)的規(guī)則推理、知識獲取等功能，專家系統(tǒng)則負責(zé)知識的顯式表示和神經(jīng)網(wǎng)絡(luò)結(jié)論的驗證和解釋工作。
基于此，Suddarth[5]提出將復(fù)雜系統(tǒng)分解為功能子系統(tǒng)的混合系統(tǒng)結(jié)構(gòu)，Tirri[6]則另辟蹊徑，用神經(jīng)網(wǎng)絡(luò)實現(xiàn)專家系統(tǒng)規(guī)則集前提條件。
雖然神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)結(jié)合兼有二者之長，但同時也帶來了單一技術(shù)不曾遇到的問題：①神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的信息交互問題；②學(xué)習(xí)過程所引發(fā)的系統(tǒng)可信度問題。前者的解決依賴于神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)知識表示的轉(zhuǎn)換機制或同時適合兩者的公共知識表示體系，后者的解決有賴于不同體制下的知識的公共表示和統(tǒng)一的參數(shù)學(xué)習(xí)機制。顯然，解決上述兩個問題己成為實現(xiàn)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)相結(jié)合的當(dāng)務(wù)之急。
1.2 模糊神經(jīng)網(wǎng)絡(luò)
模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）是模糊理論同神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)物。它匯集了神經(jīng)網(wǎng)絡(luò)與模糊理論的優(yōu)點，集學(xué)習(xí)、聯(lián)想、識別、自適應(yīng)及模糊信息處理于一體。近年來，F(xiàn)NN的理論及應(yīng)用得到了飛速發(fā)展，各種新的FNN模型的提出以及與其相適應(yīng)的學(xué)習(xí)算法的研究不僅加速了 FNN理論的完善，而且它們在實際中得到了非常廣泛的應(yīng)用。本文以此為基礎(chǔ)，進一步討論完整意義上的FNN的網(wǎng)絡(luò)模型、學(xué)習(xí)算法、模糊函數(shù)逼近性能和學(xué)習(xí)能力等關(guān)鍵問題，并對今后的研究提出自己的看法。
(1)FNN模型和算法
目前FNN模型絕大多數(shù)都是多層前向網(wǎng)絡(luò)結(jié)構(gòu)，主要區(qū)別在于隸屬度函數(shù)、模糊加權(quán)算子、模糊激勵函數(shù)和輸入輸出的形式，以及結(jié)構(gòu)與參數(shù)的設(shè)定和調(diào)整方法。
FNN可以分為單純型和混合型兩種：①單純型FNN：輸入輸出和連接權(quán)全部或部分采用模糊實數(shù)，計算結(jié)點輸出的權(quán)相加采用模糊算術(shù)算子，函數(shù)計算采用擴展原理；②混合型FNN：輸入輸出和連接權(quán)全部或部分采用模糊實數(shù)，計算結(jié)點輸出的權(quán)相加還采用了除模糊算術(shù)算子以外的模糊邏輯算子，函數(shù)計算采用擴展原理。這兩種模型既可以處理模糊信息，也可以處理非模糊信息，因為普通實數(shù)可以作為一種特殊的模糊數(shù)。
這方面成果很多，重要的有：Chen[7]針對基于模糊訓(xùn)練樣本的模式分類問題提出了多類FNN分類器，模糊自適應(yīng)諧振理論(ART)[8]成功解決了模糊信息的存儲和記憶問題。除此之外，還有不少文獻也都提出了各種各樣的FNN模型和算法，不再贅述。
(2)FNN的函數(shù)逼近問題
已經(jīng)證明普通多層前向NN和模糊系統(tǒng)(輸入輸出均為非模糊數(shù))是連續(xù)函數(shù)逼近器，并且系統(tǒng)之間可以等價互換，這為在輸入輸出非模糊的環(huán)境下設(shè)計模糊神經(jīng)網(wǎng)絡(luò)混合系統(tǒng)提供了扎實的理論基礎(chǔ)。雖然模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近問題取得了許多理論成果，但是己有結(jié)果僅僅是針對采用單值模糊產(chǎn)生器的模糊系統(tǒng)得到的，對于輸入輸出均為模糊數(shù)的FNN函數(shù)逼近問題的研究相對比較薄弱，而在設(shè)計FNN的同時論證設(shè)計模型的逼近性能有時非常必要。因此，F(xiàn)NN函數(shù)逼近問題的研究重點是：①尋找能夠作為連續(xù)模糊函數(shù)逼近器的FNN；②給出通用的作為連續(xù)模糊函數(shù)逼近器的FNN的構(gòu)造型定理。
在這方面Buckley[9]做了開創(chuàng)性的工作，定義了模糊函數(shù)、連續(xù)模糊函數(shù)和連續(xù)模糊函數(shù)逼近器等概念，并且證明如果FNN模型是單純型，則它不可能是一個連續(xù)模糊函數(shù)逼近器；如果FNN模型是混合型，則它可能是一個連續(xù)模糊函數(shù)逼近器。但是，這不是一個構(gòu)造型定理，它沒有給出設(shè)計連續(xù)模糊函數(shù)逼近器的FNN的方法。Feuring[10]在研究FNN的構(gòu)造方面做出了突出貢獻，給出了一種連續(xù)模糊函數(shù)逼近器的FNN的構(gòu)造方法。這些結(jié)果對實際系統(tǒng)設(shè)計中模糊函數(shù)的選取具有指導(dǎo)性的意義。
(3)關(guān)于FNN的學(xué)習(xí)能力
FNN的學(xué)習(xí)包括兩個方面：一是有效的學(xué)習(xí)算法，二是學(xué)習(xí)的精度和普適性。通常，由于模糊運算的復(fù)雜性和一些算子的不連續(xù)性，在多層前向NN中常用的BP算法和其他一些優(yōu)化算法不能直接用于多層前向FNN，而修改后的Fuzzy BP規(guī)則解決了此問題。為簡化學(xué)習(xí)算法，F(xiàn)NN的許多學(xué)習(xí)算法都采用經(jīng)驗學(xué)習(xí)公式或規(guī)則，盡管缺乏完備的理論，但效果顯著。
FNN的學(xué)習(xí)精度和函數(shù)逼近性能密切相關(guān)。盡管訓(xùn)練樣本有限，但只要網(wǎng)絡(luò)足夠大，學(xué)習(xí)算法有效，達到高精度的學(xué)習(xí)目標(biāo)并非難事。然而訓(xùn)練樣本的有限性導(dǎo)致學(xué)習(xí)結(jié)果的普適性變差已成為學(xué)習(xí)的主要矛盾。目前關(guān)于FNN系統(tǒng)的普適性問題成果很少，因此，如何將非模糊學(xué)習(xí)機的普適性分析方法推廣到模糊學(xué)習(xí)機，成為FNN學(xué)習(xí)問題研究的關(guān)鍵。
盡管這幾年FNN成果不菲，但仍然存在如下問題：
?、貴NN模型的研究主要是NN的模糊化和FS的神經(jīng)網(wǎng)絡(luò)化，很少從人腦對模糊信息的處理機制上考慮問題。應(yīng)從智能問題本身創(chuàng)造性地設(shè)計FNN模型，體現(xiàn)新的解決智能問題的思想。②FNN的數(shù)值計算導(dǎo)致嚴重的計算量問題。因此，有必要建立語言層次上的計算理論。③反饋FNN可以有效地解決成組、約束和動態(tài)學(xué)習(xí)以及空間關(guān)系學(xué)習(xí)等許多單項FNN很難解決的問題。因此，要加強反饋FNN的研究。
1.3 模糊專家系統(tǒng)
專家系統(tǒng)中模糊性的一個最主要表現(xiàn)就是模糊概念的存在。很好地表達模糊概念并不等于問題的根本解決，還要解決其使用問題。也就是在這樣的專家系統(tǒng)中如何進行推理。這方面的成果不多，僅集中在專家系統(tǒng)中模糊概念的表達與推理方法的研究上。
1.4 模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)
專家系統(tǒng)的知識獲取及經(jīng)驗性知識處理需要融合神經(jīng)網(wǎng)絡(luò)的高質(zhì)量、高效率的學(xué)習(xí)能力與模糊邏輯出色的對于不完善知識的描述能力。發(fā)揮各自優(yōu)勢，能明顯提高專家系統(tǒng)的性能。
(1)知識表示問題
在實際問題中含有大量的模糊知識，僅用傳統(tǒng)的知識表示方法是不夠的。因此，模糊規(guī)則和隸屬函數(shù)的引入成為必然。
(2)信念傳播問題
推理期間可能有多條相同結(jié)論的規(guī)則同時滿足條件，在傳統(tǒng)的專家系統(tǒng)中，總是采用最大優(yōu)先級規(guī)則，誤差較大。為了解決這個問題，采用神經(jīng)網(wǎng)絡(luò)進行推理，結(jié)論的可信度是各條規(guī)則結(jié)論可信度的組合，權(quán)系數(shù)是通過訓(xùn)練網(wǎng)絡(luò)得到的。
(3)更有效的推理
由于推理是通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)的，減少了規(guī)則匹配過程，從而加快了推理速度。
(4)學(xué)習(xí)問題
利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力可容易地求精模糊規(guī)則，從而提高系統(tǒng)的適應(yīng)能力。
Zha[11]提出了一種神經(jīng)模糊專家Petri網(wǎng)模型，Li[12]開發(fā)了一個混合智能系統(tǒng)，還有不少文獻在這方面也作了相應(yīng)的研究工作。
綜上所述，以神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合、模糊神經(jīng)網(wǎng)絡(luò)、模糊專家系統(tǒng)以及模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)四種類型為主的智能混合系統(tǒng)成果頗多，代表了目前智能混合系統(tǒng)發(fā)展的主流方向。所涉及的技術(shù)主要有專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)和模糊理論三種。但是智能混合系統(tǒng)絕不僅限于此，還有許多智能技術(shù)，如粗糙集、遺傳算法、Petri網(wǎng)等也成為智能混合系統(tǒng)集成技術(shù)的研究熱點，不少文獻在這方面做出了突出的貢獻。
2 成果總結(jié)及進一步的研究方向
目前，智能混合系統(tǒng)己經(jīng)取得了許多成果，在眾多領(lǐng)域中得到了相當(dāng)成功的應(yīng)用，解決了許多單一智能系統(tǒng)不能解決的復(fù)雜問題，并且正在向著更深的研究層次挺進。這些成果集中表現(xiàn)在以下方面。
(1)利用神經(jīng)網(wǎng)絡(luò)優(yōu)良的自組織、自學(xué)習(xí)和自適應(yīng)能力初步解決了專家系統(tǒng)知識獲取的“瓶頸問題”。
(2)利用專家系統(tǒng)良好的解釋機能較好地解釋了神經(jīng)網(wǎng)絡(luò)的行為，彌補了神經(jīng)網(wǎng)絡(luò)中知識表達的“黑箱結(jié)構(gòu)”。
(3)神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)混合的系統(tǒng)通過融合模糊邏輯進行知識描述與推理，明顯地改善了專家系統(tǒng)的性能。
盡管智能混合系統(tǒng)的研究取得了許多矚目的成果，但其理論體系還很不完善，需從以下幾個方面進一步深入研究。
(1)立足于廣義人工智能，以模擬自然智能為目的，從思維科學(xué)的角度出發(fā)，研究人類認知過程中抽象思維與形象思維在功能、知識表達、思維活動等方面的內(nèi)在關(guān)系。
(2)智能混合系統(tǒng)需要統(tǒng)一的知識表示方法，需要研究接近于人類思維模式的知識表示機理。
(3)利用神經(jīng)網(wǎng)絡(luò)有效地進行知識獲取。
(4)研究實用的神經(jīng)網(wǎng)絡(luò)推理及結(jié)果解釋方法。
(5)將已取得的智能混合系統(tǒng)研究成果向其他智能形式的綜合集成中推廣，從而進行更廣泛的智能系統(tǒng)集成方法研究。
3 結(jié) 論
智能混合系統(tǒng)研究應(yīng)從人類智能行為本質(zhì)入手，著眼于知識在人腦中表示、存儲及實現(xiàn)各種人類思維方式的生理基礎(chǔ)。隨著對人類生物神經(jīng)系統(tǒng)、思維模式的進一步認識，研究各種新的集成系統(tǒng)模型，實現(xiàn)大腦思維過程的模擬，進而實現(xiàn)整個自然智能的模擬，從而最終揭開智能的奧秘。
參考文獻
1 Gallant I S.Connectionist expert systems.Communication of the ACM，1988；31(2)：152
2 Caudill M.Using neural nets：Hybrid expert networks.AI Expert，1990；5(11)：49
3 Kuncicky D C，Hruska S I，Lacher R C.Hybrid systems：the equivalence of rule-based expert systems and artificial neural network inference.Int.J.of Expert Systems，1991；4(3)：281
4 Towell G G，Shavlik J W，Noordewier M O.Refinement of approximate domain theories by knowledge-based neural networks.In：Proc.AAAI-90，August，1990：861
5 Suddarth S C，Holden A D C.Symbolic-neural systems and the use of hints for developing comples systems.Int.J. Pattern Recognition，1991；5(4)：503
6 Tirri H.Implementation expert system rule conditions by neural networks.New Generation Comput.，1991；10：55
7 Chen K H.A multiclass neural network classifier with fuzzy teaching inputs.Fuzzy Sets and Systems，1997；91：15
8 Carpenter G A，Grossberg A，Rosen D B.Fuzzy ART fast stable learning and categorization of analog patterns by an adaptive resonance systems.Neural Networks，1991；4：759
9 Buckley J J，Hayashi Y.Fuzzy neural networks：a survey. Fuzzy Sets and Systems，1994；66：1
10 Feuring T，Lippe W.The fuzzy neural network approximation lemma.Fuzzy Sets and Systems，1999；102：227