第
29
卷第
4
期
1999
年
7
月
东 南 大 学 学 报
JOURNALOFSOUTHEASTUNIVERSITY
Vol29 No4
July 1999
一种基于概率神经网络模型的胃病诊断专家系统
吴新根 柏 毅 罗立民
(东南大学生物科学与医学工程系,南京
210096
)
摘 要 给出了将神经网络与基于规则的专家系统结合起来的一种神经网络模型
.
在这种模型中,一方面,领域知识以显式方式表示,神经网络的并行推理过程是可以
理解和解释的;另一方面,由于通过贝叶斯后验概率指定权值,因此避免了神经网络
漫长的递归学习过程,提高了学习效率
.
实例表明这种神经网络模型不仅能够表示领
域知识,而且还能进行不确定性推理
.
关键词 神经网络;专家系统;信息论;不确定性推理
分类号
R256.3
收稿日期:
1998-10-08.
第一作者:男,
1966
年生,博士后,副教授
.
专家系统(
ES
)是人工智能(
AI
)最活跃的分支,但存在的主要问题有:知识获取费时、费
力,效率很低;推理速度慢,容易出现“匹配冲突”、“反复递归”、“组合爆炸”等问题,限制了它的
实时应用;对新问题的泛化能力差,在处理相近领域的边缘性问题时,表现得十分脆弱,缺少自
学习、自适应能力
.
近年来以非线性并行分布处理为主流的神经网络理论的发展,为
AI
和
ES
的研究开辟了崭新的途径
.
神经网络的自学习、联想记忆、信息分布存储、计算高度并行、容错
等功能在解决上述专家系统存在的问题上大有希望
.
然而,在目前的神经网络模型
[
1
,
2
]
中,知识
是以权值方式分布于整个网络的连接上,难以解释推理、决策过程,网络实际上是一个“黑箱”,
对那些必须给出推理、决策过程的领域,如医学、法律等领域显然是不够的
.
本文提出了一种混合的基于规则的神经网络模型,既能克服专家系统和神经网络各自的
缺点,又能拥有它们两者的长处
.
为压缩用于神经网络学习的规则数目,引入了熵函数以计算
每条规则的信息量,作为淘汰某些规则的依据,介绍了从精简的规则中集中自动构造神经网络
的结构,确定隐层结点数和连接权值,最后通过并行的贝叶斯后验概率估算出分类的输出概
率
.
1
基于规则的神经网络结构
本文所用的分类规则形式如下:
if E
i
then H
=
h
j
P
(
h
j
|
E
i
) (
1
)
式中,
E
i
是规则的前件,可以是各种证据的组合:
E
i
=
e
il
∧
e
i2
∧
…
∧
e
in
(
n
≥
1
),
H
为规则
的后件,是结论,它的值域为(
h
1
,
h
2
,…,
h
m
),
m
为分类数
.P
(
h
j
|
E
i
)是证据
E
i
为真时
h
j
的后
验概率
.
如: