知识工程

知识工程
knowledge engineering
    在计算机上建立专家系统的技术。知识工程这个术语最早由美国人工智能专家E.A.费根鲍姆提出。由于在建立专家系统时所要处理的主要是专家的或书本上的知识，正像在数据处理中数据是处理对象一样，所以它又称知识处理学。其研究内容主要包括知识的获取、知识的表示以及知识的运用和处理等三大方面。
   费根鲍姆及其研究小组在20世纪70年代中期研究了人类专家们（而不是万能博士们）解决其专门领域问题时的方式和方法，注意到专家解题的4个特点：①为了解决特定领域的一个具体问题，除了需要一些公共的知识，例如哲学思想、思维方法和一般的数学知识等之外，更需要应用大量与所解问题领域密切相关的知识，即所谓领域知识。②采用启发式的解题方法或称试探性的解题方法。为了解一个问题，特别是一些问题本身就很难用严格的数学方法描述的问题，往往不可能借助一种预先设计好的固定程式或算法来解决它们，而必须采用一种不确定的试探性解题方法。③解题中除了运用演绎方法外，必须求助于归纳的方法和抽象的方法。因为只有运用归纳和抽象才能创立新概念，推出新知识，并使知识逐步深化。④必须处理问题的模糊性、不确定性和不完全性。因为现实世界就是充满模糊性、不确定性和不完全性的，所以决定解决这些问题的方式和方法也必须是模糊的和不确定的，并应能处理不完全的知识。总之，人们在解题的过程中，首先运用已有的知识开始进行启发式的解题，并在解题中不断修正旧知识，获取新知识，从而丰富和深化已有的知识，然后再在一个更高的层次上运用这些知识求解问题，如此循环往复，螺旋式上升，直到把问题解决为止。由上面的分析可见，在这种解题的过程中，人们所运用和操作的对象主要是各种知识（当然也包括各种有关的数据），因此也就是一个知识处理的过程。
    基本概念   知识工程作为一门学科有以下几个最基本的概念。
   ①数据。定义为客观事物的属性、数量、位置及其相互关系等的抽象表示。而且要特别强调这些属性、数量、位置及其相互关系等都可能是模糊的。如“20岁左右”、“大约20”、“很年轻”、“不太高”、“点A与点B靠得很近”等等词语中虽包含着数量，但这些数量是模糊的。此外，因为任何一张图（精确的或模糊的）都在某种意义上可认为是表示一些对象之间的某种关系，所以在知识处理中也可以把它认为是一种数据。由此可见在知识处理中数据的范围是很广的。但是，不管什么样的数据，它只表示一种数量及关系概念，具体涵义是没有的。
   ②信息。定义为“数据所表示的涵义（或称数据的语义）”。因此也可以说信息是对数据的解释，是加载在数据之上的涵义。所以反过来可称“数据是信息的载体”。如“5”在一种具体场合可以解释为“5个苹果”，而在另一种特定场合又可以解释成“5种思想”、“5个X”等。对模糊的数据也一样，例如“20左右”这个模糊数，既可能代表年龄“20岁左右”，也可代表日期“20日前后”等。可见信息是带具体涵义的数据。
   ③知识。以各种方式把一个或多个信息关联在一起的信息结构。如果把“不与任何其他信息关联”也认为是一种特殊的关联方式（不关联），则单个的信息也可以认为是知识的特例，我们称之为“原子事实”。例如“天很阴且闪电频繁”，“天要下雨”等都是一些孤立的信息或“原子事实”。然而，如果把这两个信息用“如果，则”这种因果关系联系起来就成了一条知识：如果“天很阴且闪电频繁”则“天要下雨”（多半如此）。以上陈述中的“频繁”、“多半如此”等都表示一些模糊概念。
   ④智力。指运用知识解决问题的能力。知识可以存储在书本里，或计算机的磁盘和磁带中等，它是一种静止的死东西。它本身并不会再生知识。然而智力却是一种动态概念。“智力”与“知识”有着密切的关系，但“知

[1] [2] [3]  下一页

本站所有内容资源来自互联网收集,版权归原创作者或原单位公司所有。联系：kpzsnet#126.com (#改为@)