一种新型的无搜索求解策略

D0I:10.13374/j.issm1001-053x.1995.04.012 第17卷第4期 北京科技大学学报 Vol.17 No.4 19958Journal of University of Science and Technology Beijing A吧.15 一种新型的无搜索求解策略 郑德玲 谭跃华 北京科技大学自动化工程学院，北京100083 摘要提出一种基于模糊逻辑和神经网络的专家系统.它是一种集信息表达，生成与求解为-一体 的新型求解系统.本系统的核心一学习推理网，网络的知识表达是分布的，可实现并行推 理，不需要进行搜索和匹配， 关键词专家系统，模糊逻辑/神经网络，求解策略 中图分类号P18,TP27乃 New Kind of Non-Searching Solving Strategy Zheng Deling Tan Yuehua College of Automation and Information Engineering.USTB,Beijing 100083.PRC ABSTRACT A expert system based on fuzzy logic and neural network is proposed.It is a new solving strategy which incorporates a system of representation of knowledge,generating and solving.The representation of knowledge in the system is distributive.The knowledge infer- ence is going on in parallelism and completed without searching continuely for the knowledge base and matching. KEY WORDS expert system,fuzzy logic /neural network,solving strategy 以专家知识为基础、产生式系统为基本结构的实时控制专家系统已成功地应用于过程控 制等领域中，与传统的、以数学模型为基础的控制系统比较，提高了系统的灵活性，鲁棒性 和实用性·但这种系统也有重要缺点，产生式的串行结构，运行速度很慢，知识获取费时费 力，这使人工神经网络技术用于控制领域，显示出了巨大的潜力·但它需大量实例进行训 练，难处理事先未训练的异常情况·因而需要把专家系统与人工神经网技术结合，).本文将介 绍基于模糊逻辑和神经网络的新型推理求解机制· 1推理、学习网 系统主要由人机接口、模糊识别及推理、学习网组成，推理、学习网络是整个系统的核 心，网络结构见图1，该网把信息存贮和信息处理合二为一，主要完成知识获取及知识推理 的功能· 整个网络分为5层：第1层为输入节点层·在这一层上的每1个节点对应着实际的1个 1995-03-27收稿 第一作者女54岁教授 ◆国家自然科学基金资助项目

第 卷 第 期 北 京 科 技 大 学 学 报 望巧 年 月 苗 巧 川 。 公 。 嗯 望巧 一种新型 的无搜索求解策 略 ’ 郑德玲 谭跃华 北京科技大学 自动化工程 学院 ， 北 京 佣 摘要 提 出一种基于模糊逻辑和神经 网络的专家系统 它是 一种集信息表达 ， 生成与求解 为一体 的新 型 求解 系 统 本系 统 的核 心 — 学 习 推理 网 ， 网络 的 知识 表 达是 分布 的 ， 可 实 现并 行推 理 不需要进行搜索和 匹 配 关健词 专家系统 ， 模糊逻辑 神经网络 ， 求解策略 中圈分类号 开 ， 们陀 卜殆 儿 ’ 一 知纳 饱 吻 了 ” 毓 《褪界 以 即 团日 吻拙面 ， ， 肠」吨 佣 ， 刃卫 ， 石习 创 狱 明 魄 加 印。 馏 泛七 目 ， 。 卫 七 笼七 的记 邓 七 倒阮 粉此谊 朝 ﹃︸ 吸 叭 邓 ， 伪石 ， 让名 以 专家知 识 为基础 、 产 生式 系 统 为基本结 构 的实时控制 专家系 统 已 成功地应用 于过程 控 制等领 域 中 与传统 的 、 以数学模 型 为基 础 的控制 系 统 比较 ， 提 高 了系 统 的灵活性 ， 鲁棒性 和 实用性 但这种 系 统也有 重 要缺 点 ， 产 生式 的 串行结构 ， 运行速度很慢 ， 知识获取费 时费 力 这使人工 神 经 网 络 技 术 用 于 控 制 领 域 ， 显 示 出 了 巨 大 的潜力 但它需 大量 实例进行训 练 ， 难处理 事先 未训 练 的异 常情况 因而需要把专家系 统 与人工神 经 网技术结合 ’ ， 本文将介 绍基 于模糊 逻辑 和 神经 网络 的新 型 推理求解 机制 推理 、 学习 网 系 统主要 由人机接 口 、 模糊识别及 推理 、 学 习 网组成 推理 、 学 习 网络是整个系统的 核 心 ， 网络结构见 图 该 网把信息存贮和信息处理合 二 为 一 ， 主 要 完 成 知 识 获取 及 知 识 推理 的功能 整个 网络分为 层 第 层 为输人节点层 在 这 一 层上 的每 个节 点对应着 实际 的 个 卯 一 一 收稿 第一作者 女 岁 教授 国家 自然科学基金资助项 目 DOI ：10．13374／j ．issn1001—053x．1995．04．012

·366 北京科技大学学报 1995年No.4 输入变量，第2层把生产数据转换成 为输入的数值表达，由于要处理不确定 性知识问题，在此要通过隶属函数来进 第5层 (输出节点) 行变换.第3层为规则节点层.这层上的 第4层 节点及连接用来表示规则及规则强度· (输出模物 第2层到第3层的连接用来表示规则前 项节点) 件，第3层到第4层的连接用来表示规 第3层 (规则节点) 则后件，而节点则完成逻辑“与”功能， 第2层 (输入模柳 第4层与第2层功能刚好相反，它将数 项节点) 值表达转换成可被人理解的实际生产数 第1层 (输人节点)儿 据，这将通过反隶属函数来实现，第5 层为输出节点层，用来表示输出变量， 图1学习网络模型 对应于每1个输出变量，都有2个输出 节点，1组节点，如：y,2,…,yn,用来表示在学习阶段时，馈送回网络的输出；另1个节 点，如：少'，y2',…，y’，用来表示在工作阶段时，输给实际生产的控制信号. 2知识表示 本系统采用与传统系统完全不同的思想，是将某一问题的若干知识在同一网络中表 示，并分布在节点及弧中).知识库是动态的，它通过自动获取而形成，当有新的学习样本 时，则通过网络训练，获得表现更多知识与经验的新的网络参数分布· 2.1事实表示 在很多工业控制过程中，大部分知识具有模糊不确定性，假设F为定义在论域U上的1 个模糊集，隶属函数4。使得其值区间为[0,1]，则在论域U上的模糊集F,可表示为1组有序 对.每1对元素由基本元素w及隶属度构成.这样，对于论域U上的1个输人变量x,可 通过隶属函数集合M(x)={M,M,·,M},映射到模糊集合Tx)={T,T,…,T}所以， 对于一输入向量X和一输出向量Y,可分别定义为： X={(x,4,{T,T,…,T},{Mg,M经，…，Mg})i=1,2,…,n} Y={y,4,{T,T,…,T头}，{M,M,…,M})i=1,2,…,m} 在本系统中，网络的第2层，对应于每1个输人节点，都含有1组节点.规定每1个节 点表示1个模糊集，而对应的节点输出则为隶属度，对输出变量，也可以作同样的规定· 2.2规则的表示 由于神经网的基本单元一神经元，是一种多输人单输出的非线性元件，因此，在表 达多条件多结论的时候，必须先经过变换，把复合式规则化成简单规则（多条件单结论） 表示

北 京 科 技 大 学 学 报 卯 年 输人 变 量 第 层 把 生 产 数据 转 换 成 为输人的数值表达 由于要处理 不 确定 性 知 识 问题 ， 在此要通 过隶属 函数来进 行 变换 第 层 为规则节点层 这层上的 节 点及 连接用来表示规则及规则强度 第 层到 第 层 的连接用来表示规则前 件 ， 第 层到 第 层 的连接 用来表示规 则后件 ， 而 节点则完成逻辑 “ 与 ” 功能 第 层 与第 层功 能 刚好相 反 ， 它将数 值表 达转换成可 被人理解 的实 际生产数 据 ， 这将 通过反 隶属 函数来实现 第 层为输 出节点层 ， 用来表示 输 出变量 对应于 每 个输 出变量 ， 都有 个输 出 第 层 翰 出节 点 第 层 翰出模 栩 项 节点 第 层 规则节点 第 层 抽人模枷 项 节点 第 层 翰 人节点 图 学习 网络模型 节点 组节点 ， 如 点 ， 如 ‘ ， 儿 ‘ ， ” ，， ， … ， 入 ， 用来表示 在学 习 阶段 时 ， 馈送 回 网络的输出 另 个节 ， 。 ’ ， 用来表示 在工 作阶段 时 ， 输给实际生 产的控制信 号 知 识表示 本系 统 采 用 与 传 统 系 统 完 全 不 同 的 思 想 ， 是 将 某 一 问题 的 若 干 知 识 在 同 一 网 络 中表 示 ， 并分布在节 点及 弧 中 知识 库是 动 态 的 ， 它 通 过 自动获取 而形 成 当有新 的学 习 样本 时 ， 则 通过 网 络 训 练 ， 获得表 现更多 知识 与 经验 的新 的 网络参数分布 事实表示 在很多工 业控制过程 中 ， 大部分知 识具有模糊不 确定性 假设 为定 义在论域 上 的 个模糊集 ， 隶属 函数 料 使得其值 区 间为【 ， ， 则在论域 上 的模糊集 ， 可表示 为 组有序 对 每 对元 素 由基本元素 及 隶属度构成 这样 ， 对于 论域 上 的 个 输 人 变 量 ， 可 通过隶属 函数集合 二 三 ， 了 ， … ， 广 ， 映射到模糊集合 双 双 ， 对 ， … ， 对 所以 ， 对于 一输人 向量 和 一 输 出 向量 ， 可分别定 义 为 ， ， 。 ‘ ， ， 对 ， ， … ， 劝 ， 支 ， 之 ， … ， 匀川 一 ， ， … ， 。 ，‘ ， ‘ ， 弓 ， 对 ， ， … ， 丸 ， ， ， 了 ，， … ， ， ， ， … ， 在本 系 统 中 ， 网络 的第 层 ， 对应于 每 个输 人节 点 ， 都含有 组节 点 规定每 个 节 点表示 个模糊集 ， 而 对应 的节点输 出则 为隶属度 对输 出变量 ， 也 可 以 作 同样 的规定 规则 的表示 由于 神 经 网 的基本单元 —神经元 ， 是 一种 多 输入单输 出的 非 线 性 元 件 因此 ， 在 表 达多条件多 结论 的 时候 ， 必 须 先 经 过 变 换 ， 把 复 合 式 规则 化 成 简单 规则 多 条件 单结 论 表示

Vol.17 No.4 郑德玲等：一种新型的无搜索求解策略 .367. 对于多输入多输出系统(MMO),设规则库R={RMo,RmMo,,RmMo}·其中 RMO为： F(x1是Tx)∧为∧…∧x,(是Tx》THEN(y(是T,)Vy2VVy,(是Tg》, Ro的条件构成一个模糊笛卡尔集T,×T,×…×T,结论可看成q个独立输出的集 合，则规则又可表示为一个模糊蕴含关系Ro:(T×T×Tp)→(T,+T,+…+Tg) 其中“+”表示独立变量的“并”. 网络表示规则时，有其独特特点·首先是分布性，一条条规则分布并融合在网中).其 次，是动态性，很难从网中看出明显的规则来，事实上，不存在F一THEN这样明显的语 句，只有一条条连接不同节点的连线及权重值，这种特性，使得系统在表示新的规则时很容 易，当有新的规则存在时，只需增添新的规则节点或调节网络连接及权重， 3动态推理 推理技术是问题求解的重要手段，就是使问题从初始状态转移到目标状态的方法和途 径，传统的推理方法，大多采用搜索匹配，由于“组合爆炸”和推理的复杂性，使其速度很 慢，甚至断链.尤其是对大型复杂系统，更是如此， 本系统的网传递参数，而不传递逻辑概念，加之网络的并行性，使得其推理过程简单， 获取的知识，不存在于固定知识库中，而是分布在整个网络中，规则形成与推理是同时进 行的，无需搜索匹配，提高了推理速度.自学习分2个阶段进行：第1个阶段，通过自组织 学习算法，确是隶属函数及规则节点，第2个阶段，通过BP学习算法来确定最佳隶属函 数和调节权重， 31网络规则动态形成 在自组织阶段，通过竞争学习来确定4， 给定训练输入数据X:(t),i=1,2,,n.本系统隶属函数为钟型分布， 首先确定隶属函数，用Kohonen的特征映射算法来调节隶属函数中心m,: lX(t)-me(t)=i()-m(t C:Closest (1) m c(t+1)=mc(t)+a(t)[X(t)-mc(t)] (2) 当m:≠mc时，m(t+1)=m(t) (3) 式中K=T(x)引，x(t)为一递减学习算子. 当隶属函数中心确定后，可通过N最近邻确定隶属函数的宽度σ：·设目标函数为： E=吉，名（-， N:Nenearest (4) 式中r为重迭算子，调节σ：使目标函数最小，由于第2阶段还要调节m和σ，所以只需 按第1近邻简单确定σ：为： oi=I m-mcl/r (5)

、 郑 德玲 等 一种 新 型 的无 搜 索求解 策略 · 肠 对于 多 输 人多 输 出 系 统 ， 设规则 库 。 ， 漏 。 ， … ， 漏 。 其中 加 为 ， 提 ， 八 花 八 … 八 ， 提 几 》 呢 兀 … 。 是 爪 。 》 ， 杨叫。 的条件构成一 个模糊 笛 卡 尔集 ， … 几 ， 结论可 看 成 个 独 立输 出的集 合 ， 则规则 又可 表 示 为 一 个 模 糊 蕴 含 关 系 硫 。 几 界 十 二 几 其 中 “ 十 ” 表示 独 立 变量 的 “ 并 ” 网络表示规则 时 ， 有其独特特点 首 先是分布性 ， 一条条规则分布 并融合在 网 中 其 次 ， 是 动态性 ， 很难从网 中看 出明显 的规则来 事实上 ， 不存在 一 这 样 明显 的语 句 ， 只有 一条条连接不 同节点 的连线及权重值 这种特性 ， 使得 系 统在表示新 的规则 时很容 易 当有 新 的规则存在 时 ， 只需增添新 的规则节点或调节 网络连接及权重 动态推理 推理技 术是 问题求解 的重要 手段 ， 就是 使问题从初始 状态 转 移 到 目标状态 的方法 和 途 径 传 统 的推理方 法 ， 大多采用 搜索匹 配 由于 “ 组合爆 炸 ” 和 推理 的复杂性 ， 使其速度很 慢 ， 甚 至 断链 尤其是 对大型 复杂 系 统 ， 更是如 此 本系 统 的 网传递参数 ， 而 不传递逻辑概念 ， 加之 网络 的并行性 ， 使得其推理过程 简单 获取 的知 识 ， 不 存在于 固定 知 识库 中 ， 而 是分布在 整 个 网络 中 ， 规则 形 成 与 推 理 是 同 时进 行 的 ， 无需 搜 索 匹 配 ， 提 高 了推理速度 自学 习分 个 阶段进行 第 个 阶段 ， 通过 自组 织 学 习算法 ， 确是 隶属 函数及规则节点 第 个 阶 段 ， 通 过 学 习算 法 来 确 定 最 佳 隶 属 函 数和调 节权重 、尹 、了、，了 网络规则动态形 成 在 自组织 阶段 ， 通过竟 争学 习来 确定 给定 训 练输人数据 ‘ ， ， ， … ， 本系 统隶属 函数为钟型分布 首先确 定 隶 属 函数 ， 用 的特征 映射算法来调 节隶属 函数 中心 ， ， 一 ， 碧户乳 一 川 ， 【 一 ， 。 】 当 ‘ 笋 时 ， ‘ ‘ 式 中 ， 为一 递减 学 习算子 当隶属 函数 中心 确 定后 ， 可通 过 最 近邻确 定 隶属 函数 的宽度 。 ‘ 设 目标 函数为 咨 一 艺 一升 夕 尽 “ 品 卫生卫生 ‘ 、 ， ， ， 卜殆 雌 污 式 中 为重 迭 算子 调 节 。 ‘ 使 目标 函数最小 按第 近邻 简单确 定 。 ‘ 为 。 ‘ ‘ 一 ， 。 由于第 阶段 还要调 节 。 和 。 ， 所 以 只 需

·368· 北京科技大学学报 1995年No.4 隶属函数参数确定后，网络的第2层及第4层节点参数就确定了，根据竞争学习算 法，可确定模糊逻辑规则.假设规则层节点输出为O,第4层输出为O、W,表示第3层规则 节点i到第4层节点j的权重值，则可用下式： W,=O(-W+O)来调节权值， 对所有样本进行竞争学习以后，则第4层权重表示规则强度.可按下述原则来别除、 修改规则节点及连接， ()若某一规则节点到第4层节点的连接中，存在最大权重值的连接，则保留此连 接，而其余的则副除，因此，对应此规则节点，只存在1个模糊逻辑规则结论， (2)若所有的连接权值都很小，则说明此规则节点影响输出变量很小，可删除此规则 节点及其连接，同时，按下述原则组合规则节点.设一组规则节点具有：①相同结论；②某 些前件相同；③其它不相同的前件的”并”构成输入变量的模糊项集，则可用1个新的规 则节点来代替这一组规则节点·规则节点的前件为这一组规则节点相同的前件， 3.2推理求解 具体步骤如下： (1)将实际变量送人节点层，i=1,2,…,n. (2)由f=“;和a=f计算输人层节点的输出.其中u'为第1层输人信号，a()为激活 函数， (3)由f=M:,(m),o)=-(u-m)21o,和a=e计算第2层节点输出，u为输人 层节点的输出· (4)由f=min(u,4,…,u),a=∫计算规则层节点输出.41,42，…，4，为第2层节点 的输出。 )由∫-名W,,a=十计算第4层节点的输出。 (6)由∫=∑Wu=∑(mo)u,a=f/∑oyu计算第5层节输出.至此，求得问 题的解， 从以上看出，网络推理过程是一种正向推理，呈现如下特征： (1)同一层处理单元是完全并行的，只是层间信息传递是串行的，而一层中处理单元的 数目要比网络的层数多得多，因此，它是一种并行推理， (2)传统推理中，当多条规则的前题均与某一事实相匹配，会出现冲突问题，从而使其 推理速度大为降低·上述推理过程不存在冲突问题· (3)无需搜索，规则生成与推理一起生成· (4)推理过程只与网络自身的参数有关，其参数可通过学习算法进行自适应训练· 因而，它同时又是一种自适应推理， 4实验结果 将以上理论以一种新型产品一聚氨酯泡沫生产的配料为对象，进行验证

· · 北 京 科 技 大 学 学 报 男 年 隶 属 函 数参数 确 定 后 ， 网 络 的 第 层及 第 层 节 点 参数 就 确 定 了 根 据 竞 争 学 习 算 法 ， 可 确定模糊 逻辑规则 假设规则层节点输 出为 夕 ， 第 层输 出为 少 、 代， 表示第 层规则 节点 到 第 层节点 的权重值 则 可 用下 式 ‘， 少 一 城 ， 尹来调 节权值 对所有样本进行竞争学 习 以 后 ， 则 第 层 权 重 表 示 规则强 度 可 按 下 述 原 则 来删 除 、 修改规则节点及 连 接 若某 一 规则 节 点 到 第 层 节 点 的 连 接 中 ， 存 在 最 大 权 重 值 的 连 接 ， 则保 留 此 连 接 ， 而其余的则删 除 因此 ， 对应此规则节 点 ， 只存在 个模糊逻辑规则结论 若所有 的连接权值都很小 ， 则说明此规则节点影 响输 出 变量 很 小 ， 可 删 除 此 规 则 节点及其连接 同时 ， 按下 述原则组合规则节点 设一组规则节点 具 有 ① 相 同结 论 ② 某 些前件相 同 ③ 其它 不相 同的前件 的 尸 并 尸 构成翰人 变 量 的 模 糊 项 集 ， 则 可 用 个 新 的规 则节点来代替这一组规则节 点 规则节点 的前件 为这一组规则 节点相 同 的前件 推理求解 具体步骤如 下 将 实 际变量 送人节点层 ， ， ， … ， 由 二 犷 和 计算输人层节点的输出 其中 “ 为第 层输人信号 ， 为激活 函数 由 二 ‘ ‘，， 叮 ‘， 一 卜 。 ‘， ， ‘ ，， 和 计算 第 层 节 点 输 出 ， 为输人 层节点 的输 出 由 ， 。 ， … ， 。 二 ， 。 计算规则层节点输 出 。 ，， ， … ， 。 ， 为第 层节 点 的输 出 ‘，，由 ，一 客 二 ， 由 艺叫 题的解 ， 。 一 命 计算第 层 节点 的输 出 卜艺 ‘， 。 ‘， ， 一 艺 。 ‘， 计算第 层节输 出 至此 · 求得 问 从以上看 出 ， 网络推理过程是 一种 正 向推理 ， 呈 现如 下 特征 同一层处理单元是完 全并行 的 ， 只是层 间信息传递是 串行 的 而 一层 中处理 单元的 数 目要 比网络 的层数多 得多 ， 因此 ， 它 是 一种并行 推理 传统推理 中 ， 当多 条规则 的前题均 与某一事 实相 匹 配 ， 会 出现冲 突 问题 ， 从而 使其 推理 速度大为 降低 上述推理过程 不存在 冲 突 问题 无需搜索 ， 规则 生成 与推理一起 生成 推理过 程 只 与 网 络 自身的 参 数 有 关 ， 其 参 数 可 通 过 学 习 算法 进 行 自适 应 训 练 因而 ， 它 同时又是 一种 自适应 推理 实验结果 将 以上理论 以 一 种新 型产 品 — 聚氨酷泡 沫生产 的配料 为 对象 ， 进行验证

Vol.17 No.4 郑德玲等：一种新型的无搜索求解策略 .369 主要工作是：(1)当给定性能指标，要找一种最佳配料方案，使其满足要求；(2)在 生产中，当检测到性能指标不能满足要求时，要能很好地调节生产条件， 为了方便，只选择了表示泡沫的3个性能指标，即：压陷永久变型，拉伸强度，撕裂强度， 泡沫的标准数据为：压陷永久变形为：8%~20%，拉伸强度为：12~2.0kg/cm;撕 裂强度为：0.15~0.4kg/cm2. *XXXXKXK8KXXXK8K7K1K1KAK1K1K8K8K88 (1)静态指导配料.当用户提出性 9跟踪输入 金数调节 能指标，要求找到合适的生产条件，选择 输人参数 压陷永久变形(8%~20%)：21料比减少：0.3 “静态咨询”，则屏幕出现如图2画面. 拉伸强度(1.2~-20)： 15模祖减少：5 输入数据，经系统运算后，产生一最佳 撕裂强度(0.15~0.4)： 02料温减少：4 配料方案. 8偏 软 (2)动态指导生产.系统首先进行 XX材VYAXXXCK0K8303939K8K0X0X00838 8跟踪输入 参数调节 判断，若性能指标满足要求，则说明“正 输人参数 常”，不进行学习；若不满足要求，则 压陷永久变形(8%一20%)：7料比增大：02 拉伸强度(12~20)： 1.3 模温增大：6 进行学习推理.当选择“动态指导”， 撕裂强度(0.15~0.4)： 02 料温增大：58 则屏幕上出现图3的画面. XKYKYKYXYKYKYKYXYKYXYK材材X材材 ?限踪输人 参数调节 KKXXK0XK8K8K8K材城 输入参数 咨询 压陷永久变形(8%~20%)：12 拉伸强度(1.2~20)： 1.4 不变 请输人参数 撕裂强度(0.15~0.4)： 0.3 压陷永久变形(8%一20%)：138 拉伸强度(12~20)： 1.4； XXKKYKKKYXYKKKY材XXM材 撕裂强度(0.15~0.4)： 0.2； 图3动态跟踪 输出参数 料比 23° 100 (1) 模温 508 (2) 料温 238 80 形 图2静态咨询 40 用60组测试样本分别对网络学习样本数 的识别率作测试.图4为识别正确率相对学习 20 样本数的变化曲线.第1条曲线为利用本系 0 统的混合学习算法所得到的结果.第2条曲 0 204060 80 100 训练所用样本数 线为通常BP算法所得结果.对混合学习算法， 图4识别正确率与学习样本数的关系 只要输人约45个训练样本，识别正确率就可达 到98%左右；而对BP算法，则需输人约100个训练样本，识别正确率约为95%. 5结论 (1)本系统是一种集信息表达，生成与求解为一体的新型推理体系，它既可作为知识存 贮器，又可作为知识求解的结构. (2)网络的特点是表达模糊知识方便，并且知识表达是分布的，同时可实现并行推理，不

郑德 玲 等 一 种新 型 的 无 搜 索求 解 策略 · 主要 工 作是 当给定性 能指 标 ， 要 找一种最佳配料方案 ， 使其满 足要 求 在 生产 中 ， 当检测 到 性 能 指 标不 能满足要求 时 ， 要 能很好地调 节生 产条件 为 了方便 ， 只 选择 了表示 泡 沫 的 个性 能指标 ， 即 压 陷永 久 变 型 ， 拉伸强度 ， 撕 裂 强度 泡沫 的标准数 据 为 压 陷永 久 变 形 为 一 拉 伸 强 度 为 一 产 撕 裂强度 为 一 辛 心卜二绪 咭卜兄长心长咭 心 心含树 亏 亏含 亏含况卜兄含树 心 咭 心长心 褚 六八六人甘丫甘人，甘么 跟踪输人 参数调节 翰人参数 压 陷永久变形 加 料 比减少 拉伸强度 一 么 模温减少 撕裂强度 一 料沮减少 偏 软 八甘人入丫么 咭卜沉含沉长心卜衬含树含况 长心含沉含况卜尝心 心含心咭长心卜讨长心 心奋乙弓含心绪卜况 石跟踪输人 参数调节 石 枪人参数 压 陷永久变形 扮 拉伸强度 一 撕裂强度 一 谷 料 比增大 石 模沮增大 弓 料温增大 荟 八甘人丫盛 含况含右咭含右亏长心卜讨卜兄，况 心含右心含况 咭知今心李令心含 咭含令心》 之亏 心含兮李对卜讨八︿丫矗人﹀丫己 静态指 导配 料 当用 户提 出性 能指标 ， 要求 找到合适 的生产条件 ， 选 择 “ 静态咨询 “ ， 则屏 幕出现如 图 画 面 输人数据 ， 经系 统运算后 ， 产生一最佳 配料方案 动态指 导生产 系 统首先进行 判 断 若性 能指标满足要 求 ， 则说 明 “ 正 常 ” ， 不进行学习 若不 满足要求 ， 则 进行学 习推理 当选 择 “ 动态指 导 ” ， 则 屏幕上 出现 图 的画面 参数调 节 不变 弓，讨，‘绪 亏 咭 弓长弓伏咭 咭，况 绪 咭长悦 父 咨 询 请输人参数 压 陷永久变形 一 拉伸强度 一 撕裂强度 巧 输 出参数 料 比 模温 料温 仑跟踪翰人 仑 箱人参数 压陷永久变形 一 仑 拉伸强度 · 一 · 仑 撕裂强度 一 · 心 含树 心 咭含况 卜右心含 心，会心含令心卜 咭卜 心寺 弓 绪含况 卜令咭卜令咭拭咭 咭 咭 心含心心 图 动态跟踪 ︸石吹移日哥岁︸ 人八目门︿﹀︿丫丫八丫﹀人六血丫人人 长咭含树 含心弓 咭卜之弓含心咭 咭李心绪 咭 绪 咭李 弓卜之咭 图 静态咨询 用 组测 试样本分别对网络学 习样本数 的识别 率作 测 试 图 为识别 正 确率相 对学 习 样 本 数 的变 化 曲线 第 条 曲 线 为 利 用 本 系 统 的混 合 学 习 算 法 所 得 到 的 结 果 第 条 曲 线为通 常 算法所得 结果 对混合学 习算法 ， 只要 输人约 个训 练样 本 ， 识别 正 确 率就 可 达 厂耍二两 叮廿 片州一川讨 〕 一 训 练所用 样本数 圈 识别正确率与学习样本橄的关 系 到 左右 而 对 算法 ， 则需 输人 约 个训 练样本 ， 识别正 确 率约 为 结 论 本系 统是 一种集信息表 达 ， 生成 与求解 为一体 的新 型推 理体系 它 既可作 为知识存 贮器 ， 又 可 作 为 知识求解 的结 构 网络 的特点是 表 达模糊 知识方便 ， 并且 知识表达是分布 的 同时可实现并行推理 ， 不