该规则中的条件是“该动物能飞，该动物能产卵”，结论就是“它是鸟类”。如果我们当前所掌握的信息与条件项相匹配，那么规则就会被触发，我们就能根据这条规则得出结论。因此，要使这条规则生效，需要两个条件：我们试图分类的那个动物能飞，而且能产卵。如果我们确实掌握了这两条信息，那么规则成立，我们就能得出结论，该动物是鸟类。这个结论为我们提供了更多的信息，这些信息又可以用在后续的规则中，用以获取更多的信息，如此层层推进。通常，专家系统以咨询的形式与用户交互，用户负责向系统提供信息，并且回答系统提出的问题。
图5所示的就是一个典型的专家系统结构，其中，知识库包含系统所拥有的知识——那些规则。工作存储器则包含了系统拥有的，有关当前正在解决的问题信息(例如“该动物有毛发”)。最后，推理机则是专家系统的一个重要组成部分，它负责在解决问题的时候应用系统内存储的知识。
图5 经典专家系统结构
只要给定知识库，比如上文举例的动物分类知识，推理机就能够以两种方式运行：第一种，用户向系统提供他们所知道的有关问题的信息(以动物分类为例，用户向系统描述该动物是否有条纹、是否食肉等)，推理机会根据用户提供的信息，应用规则去获取尽可能多的新信息，这个过程叫作规则触发。然后，推理机将触发规则以后获得的新信息添加到工作存储器中，继续查看是否有新的规则被触发，然后不断重复这个过程，直到彻底无法通过已知信息应用更多规则得出更多新信息为止。这种方法被称为正向推理：从数据推理到结论。
另一种方式是反向推理，即我们从想建立的结论开始，反向推理出数据。例如，我们想确定这个需要被分类的动物是否为肉食动物，规则告诉我们，如果动物吃肉，就是肉食动物，因此，我们可以尝试确定动物是否吃肉。因为没有任何规则的结论是动物是否吃肉，系统只能向用户直接询问这个问题。
MYCIN：一个经典的专家系统
在20世纪70年代出现的第一代专家系统中，最具代表性的可能就是MYCIN系统了(这个系统名称来源于抗生素的英文词后缀“mycin”)[32]。MYCIN系统首次证明，人工智能在某些重要的领域表现可以优于人类专家，它为后来无数的专家系统提供了模板。
MYCIN本来是用于辅助医疗的系统，为人类血液疾病的诊断提供专业建议。它是由斯坦福大学的一个研究小组开发的，包括布鲁斯·布坎南(BruceBuchanan)领导的人工智能实验室专家组和特德·肖特利夫(TedShortliffe)领导的斯坦福医学院专家组。事实上，这个项目成功的一大要素就在于，专家系统是由真正的人类专家参与建设的。后来有许多专家系统都宣告失败，因为它们缺乏了相关领域人类专家的必要支持。
跟我们在前文提到的动物分类规则相比，MYCIN关于血液疾病的知识则是用稍微丰富一些的规则来表示的。典型的MYCIN规则(用自然语言表述)如下：
如果：
·该有机体不会被革兰氏染色法染色，并且
·该有机体的形态是杆状，并且
·该有机体是厌氧的
那么：
有可能(60%)该有机体是类杆菌
这是用实际的人工智能语言表述的MYCIN规则：
RULE036:
PREMISE: ($AND (SAMECNTXTGRAMGRAMNEG)
(SAMECNTXTMMORPHROD)
(SAMECNTXTAIRANAEROBIC))
ACTION: (CONCLUDECNTXTIDENTITYBACTEROIDESTALLY0.6)
研究人员大概用了5年的时间对MYCIN的知识库进行编码和补充，在它的最终版本里，知识库已经包含了数百条规则。
MYCIN之所以被称为最具代表性的专家系统，是因为它包含了后来的专家系统必不可少的所有关键特性。
哦豁，小伙伴们如果觉得倾城文选不错，记得收藏网址 或推荐给朋友哦~拜托啦 (>.<)
传送门： 人工智能全传 人工智能全传 电子书 人工智能全传下载