论文摘要
专家系统是人工智能研究方向的一个重要分支,是一种对特定领域的问题求解并给出解释的一种智能软件系统。它模拟的是现实中某一领域专家解决问题的方法和推理。现实中的专家能解决某一领域的各种问题,提出最优的解决方案,那么专家系统也应该能解决相关领域的问题,到达该领域专家的水平,提出该领域内专家级别的建议和解决方案。智能是生物的一种本能,尤其在人类表现的更为突出。社会的发展促进了各个领域知识的汇集,从而有了各个领域的专家,代表了该领域知识的高端集成。人类专家的推理是一种高端智能的表现形式,传统专家系统已经在各个方面得到比较广泛的实用。但是传统专家系统还有其不完善的地方,把比较成熟的智能方法融入到专家系统的推理过程中去,让专家系统能够解决更加复杂的问题,能够更睿智的思考,是一个重要的挑战。合理的组织和利用现在比较流行的智能方法,让这些算法参与计算机专家系统的决策过程中是专家系统研究的一个重点。传统的各种专家系统普遍存在着知识表达困难,推理步骤准确等方面的缺陷。本文通过传统知识表示和神经网络运行机制,肯定了神经网络学习良好的知识表示能力和推理能力。再结合神经网络和专家系统各自的特点提出了对应用于专家系统的B-P型神经网络的改进RE-BP算法。在算法的提出过程中,提出了一种高效而、容易求得最值的排序方法,端定位排序方法,通过对比算法验证该算法的优势。文所做的主要工作有:1分析现有的人工神经网络和专家知识的结合以及其应用。2结合专家系统和神经网络算法的特点提出了RE-BP算法。3在提出2中算法的时候需要对大量的数据进行一个排序,在研究现存数据排序方法的基础上提出了一种新的排序方法-端定位排序方法。4在分析遗传算法的基础上,让其应用于神经网络,对神经网络的权值调整做了改进和应用,并把提出的算法进行实验以证明其可行性。