Vol.18 No.2 郑德玲等：神经网络专家系统的状态识别、知识表示和求解策略 -161. (3)概念单元 以二元组DEF={name,value}表示.name表示概念的名称，vaue表示概念值.例如： name=jun-temp";value=1l50,表示均热段温度为1l50℃. 3B-B)BP算法及IMSBP算法 (B一B)BP算法主要解决知识单元间权重的修改网.它与BP算法不同.神经网块中的各层 神经元间的权值是不进行修改的.规则单元中的权重是通过多样本学习训练得到.由于BP算 法对多样本学习的收敛速度很慢，本文提出了改进的多样本BP学习算法IMSBP(Improved Multi-Sample BP).这是一种选择最佳步长的方法.MSBP用于对规则进行离线学习， 而(B-B)BP对事实进行在线学习，使系统能进行有效推理. 4神经网络的推理策略及解释功能 (1)神经网的反向推理 神经网的反向推理是系统执行解释性的推理，本系统被控制量为炉温，控制量为燃料 流量.通过被控量与期望值比较，计算出控制量 (2)正向推理 系统首先进行反向推理，计算出所需控制量，然后从控制量出发，正向推理，验证控制量 是否满足要求， 本系统可以回答传统符号推理系统中的“HOW”及“WHY"的询问，以对其推理行为做出 合理性解释，弥补单纯用神经网的不足. 5系统仿真 图2所示为BP多样本学习算法与IMSBP算法收敛速度的比较.实线为IMSBP算法，虚 线为普通BP算法.横、纵坐标分别表示学习步数和均方根误差.由图2可以看出，MSBP算法 将学习速度大大提高. 图3所示为从钢进人加热炉到已达到所需温度的加热过程的跟踪曲线.实线为设定曲 线，虚线为跟踪曲线.由图3可以看出，钢的最终温度已达到加热要求，并且在加热过程中 基本上能够跟踪给定曲线， 1400 1200 0.03 800 2:IMSBP --kB即 400 800 1600240032004000 【/mum 0.51.01.52.02.53.03.5 【/h 图2MSBP与BP多样本学习速度比较 图3钢还加热跟踪曲线郑德玲等 神经 网 络专家系 统 的状 态 识别 、 知识表示 和 求解 策略 概念单元 以 二 元 组 二 ， 表 示 表 示 概念 的名 称 ， 表 示 概 念 值 例 如 此 芍 一 招 “ ， 表 示 均 热段 温度 为 ℃ 仍 一 功 算法及 侧 算法 一 算法 主要解决知 识单元 间权重 的修改 它 与 算法不 同 神经网块 中的各层 神 经元 间的权值是 不进行修改 的 规则单元中的权重是通过多样本学 习训 练得到 由于 算 法 对多样 本 学 习 的 收 敛 速 度 很 慢 ， 本文 提 出 了 改 进 的多样 本 学 习算法 仃 一 这 是 一 种 选 择 最 佳 步 长 的方 法 用 于 对规则 进 行 离 线 学 习 ， 而 一 对事 实进行在 线学 习 ， 使 系 统能进行有 效 推理 神经 网络的推理策略及解释功能 神 经 网 的反 向推理 神 经 网 的反 向推 理 是 系 统 执 行 解 释 性 的推理 本系统被控制量 为炉 温 ， 控 制 量 为 燃 料 流量 通 过 被 控量 与期望值 比较 ， 计算 出控制 量 正 向推理 系统首先进行反 向推理 ， 计算出所需控制量 ， 然后从控制量 出发 ， 正 向推理 ， 验 证 控 制量 是否 满足要 求 本 系 统可 以 回答传 统符 号推理 系 统 中 的 “ ” 及 “ ” 的询 问 ， 以 对其推理 行 为 做 出 合理 性解 释 ， 弥补单纯用神经 网的不 足 系统仿真 图 所示 为 多样 本学 习算法 与 算法收敛速度的 比较 实线为 算 法 ， 虚 线为普通 算法 横 、 纵坐标分别表示学 习步数和均方根误差 由图 可以看出 ， 算法 将学 习速度 大大 提 高 图 所 示 为 从 钢 进 入 加 热 炉 到 已 达 到 所 需 温 度 的加 热 过 程 的跟 踪 曲线 实线 为设 定 曲 线 ， 虚 线 为跟 踪 曲线 由图 可 以看 出 ， 钢 的最 终温度 已 达到 加热要 求 ， 并且在 加 热过 程 中 基 本 上 能够跟 踪 给定 曲线 月 一 ， 仆心 队 一 趾 一 留 侧明残绷口︸ 刀】 图 协 与 多样本学 习 速度 比较 刀 图 钢坯加热跟踪 曲线