[发明专利]一种基于场景的半监督式轻量级专家系统

说明书

本发明公开了一种基于场景的半监督式轻量级专家系统，本系统包括两个子系统，分别为：正向运行系统：根据使用者的输入数据进行分析，得到任务分配的方案，并根据分配的方案从模型库里寻找合适的模型，得到对应该输入数据的输出结果；反向训练系统：针对特定的应用场景并分别标记为SC1，SC2，SC3，SC4，…SCn，将事先已经预备好的具有一定规范分布规律的用于训练的数据组(I1，L1)，(I2，L2)，(I3，L3)，(I4，L4)，…(In，Ln)，依次交给具备该场景解决能力的算法模型M1，M2，M3，M4，…Mn。本发明，具有算法模型资源合理分配、算法模型性能最大化，得到综合提升、算法模型性能实时动态评估，得到客观评估的优点，克服了现有技术的缺陷。

技术领域

本发明涉及人工智能技术领域，具体为一种基于场景的半监督式轻量级专家系统。

背景技术

专家系统是20世纪60年代初期产生并发展起来的一门新兴的应用科学，而且正随着计算机技术的不断发展而日臻完善和成熟。至今，世界各国已经在地质勘探、医疗诊断、化学工程、图像处理、语言识别、信号处理、军事、农业、交通等领域研制出了大量的实用专家系统，其中不少系统在性能上已经超过了同领域人类专家的水平，取得了很大的经济效益。总的来讲，专家系统的发展大致经历了5个阶段：基于规则、基于框架、基于案例、基于模型、基于神经网络。

这5个阶段说明如下：

1.基于规则的专家系统利用大量成功的案例直接模仿人类的心理过程，利用一系列规则来表示专家知识；

2.基于框架的专家系统可看作是基于规则的专家系统的一种自然推广，利用面向对象的编程思想来描述数据结构；

3.基于案例推理的专家系统是采用以前的案例求解当前问题，求解过程首先获取当前问题信息，接着寻找最相似的以往案例，如果找到了合理的匹配，就建议使用和过去所用相同的解，如果搜素相似案例失败，则将这个案例作为新案例，因此基于案例的专家系统会不断学习新的经验以增加系统求解问题的能力，简之，采用以前的案例求解当前问题的技术；

4.基于模型的专家系统是采用根据反映事物内部规律的客观世界的模型进行推理，通过模型清晰定义、设计原理概念和标准化知识库达到目的，如表示系统各部件的部分与整体关系的结构模型，表示各部件几何关系的集合模型，表示各部件的功能和性能的功能模型，表示各部件因果关系的因果模型等；

5.基于神经网络的专家系统也属于基于模型的专家系统，但是它与传统的生成式专家系统存在本质的区别，首先知识表示从显式变为隐式，其次，知识不是通过人的加工，而是通过算子自动获取，最后，推理机制不是传统的归纳推理，而是变为在竞争层对权值的竞争。

传统的专家系统的弊端说明如下：

1.传统的专家系统需要专家根据他们的专业知识与经验提出完备的规则，限制条件较多，且规则库过于复杂，需要大量的人力成本，在某些情况下，只能选取超大空间的列举属性，此时该属性值的选取需要大量的样本以及复杂的运算，而且实际中存在许多的场景没有真正的专家。

2.如何从案例库中寻找与当前问题条件最匹配的一个案例在实际的操作中是一个难点，需要人工去充分提取知识的语义信息，当案例库过大时会导致系统的搜索时间过长，影响用户的体验，而且这种专家系统不能智能的为当前问题条件匹配最理想的结果，它只是让当前问题与数据库中的每一个确定的案例进行比对，找到最相似的案例作为最后的结果，但是这种逐个比对的过程不仅耗时，而且因为缺少对知识进行深度的语义挖掘，最后找到的所谓的最相似的案例实际上可能并不是最相似的结果，这种暴力的方式会导致召回率偏低。

3.传统的专家系统还有一个很大的缺陷在于缺乏知识的重用性和共享性，对于数据库中的知识不能自动化的理解这些知识的语义信息，使得数据库中的各个知识点之间处于一种独立的状态，如此会导致系统过于臃肿且浪费算力资源，使得成本增加。

发明内容