摘要现代化的建设需要信息技术的支持，专家系统是一种智能化的信息技术，它的应用改变了过去社会各领域生产基层领导者决策的盲目性和主观性，缓解了我国各领域技术推广人员不足的矛盾，促进了社会的持续发展。
但传统专家系统只能处理显性的表面的知识，存在推理能力弱，智能水平低等缺点，所以本文引入了神经网络技术来克服传统专家系统的不足，来试图解决专家系统中存在的关系复杂、边界模糊等难于用规则或数学模型严格描述的问题。
本文采用神经网络进行大部分的知识获取及推理功能，将网络输出结果转换成专家系统推理机能接受的形式，由专家系统的推理机得到问题的最后结果。
最后，根据论文中的理论建造了棉铃虫害预测的专家系统，能够准确预测棉铃虫的发病程度，并能给用户提出防治建议及措施。
有力地说明了本论文中所建造的专家系统在一定程度上解决了传统专家系统在知识获取上的“瓶颈”问题，实现了神经网络的并行推理，神经网络在专家系统中的应用具有较好的发展前景。
关键词神经网络专家系统推理机面向对象知识获取AbstractModern construction needs the support of IT, expert system is the IT of a kind of intelligence, its application has changed past social each field production subjectivity and the blindness of grass-roots leader decision-making, have alleviated the contradiction that each field technical popularization of our country has insufficient people, the continued development that has promoted society. But traditional expert system can only handle the surface of dominance knowledge, existence has weak inference ability, intelligent level is low, so this paper has led into artificial neural network technology to surmount the deficiency of traditional expert system, attempt the relation that solution has in expert system complex, boundary is fuzzy etc. are hard to describe strictly with regular or mathematics model. This paper carries out the most of knowledge with neural network to get and infer function , changes network output as a result into expert system, inference function the form of accepting , the inference machine from expert system gets the final result of problem. Finally, have built the expert system of the cotton bell forecast of insect pest according to the theory in this thesis, can accurate forecast cotton bell insect become sick degree, and can make prevention suggestion and measure to user. Have proved on certain degree the expert system built using this tool have solved traditional expert system in knowledge the problem of " bottleneck " that gotten , the parallel inference that has realized neural network, Neural network in expert system application has the better prospect for development.Key words Neural network Expert system Reasoning engineObject-orientation Knowledge acquisition目录摘要 (I)Abstract (II)第1章绪论 (1)1.1 论文研究的背景 (1)1.1.1 国内外研究现状 (1)1.1.2 专家系统在开发使用中存在的缺点 (2)1.1.3 神经网络的局限性 (3)1.2 论文研究的主要内容 (3)1.3 论文研究的目标及意义 (4)1.4 论文的组织结构和安排 (4)第2章神经网络和专家系统的基本理论 (5)2.1 神经网络的基本理论 (5)2.1.1 神经网络的概述及工作原理 (5)2.1.2 神经网络的基本特征及优点 (6)2.1.3 BP神经网络模型 (8)2.1.4 BP网络结构设置 (10)2.2 专家系统的基本理论 (12)2.2.1 专家系统的功能 (12)2.2.2 专家系统的基本结构及组成 (13)第3章基于神经网络专家系统的研究 (16)3.1 神经网络专家系统整体设计 (16)3.1.1 神经网络专家系统总体结构 (16)3.1.2 神经网络专家系统的组成及功能 (16)3.2 知识表示 (17)3.2.1 传统知识表示方法 (18)3.2.2 面向对象知识表示方法 (19)3.2.3 本论文采用的知识表示方法 (20)3.3 知识获取 (21)3.3.1 知识获取的基本方法 (22)3.3.2 神经网络知识获取方法 (23)3.4 推理机 (25)3.4.1 专家系统推理机制 (25)3.4.2 神经网络专家系统的推理机制 (26)3.5 知识存储与维护更新 (26)3.5.1 神经网络知识存储 (26)3.5.2 神经网络知识维护更新 (27)3.6 用户界面 (27)第4章基于神经网络专家系统的应用 (29)4.1 例子的建造背景 (29)4.2 例子的建造过程 (30)4.2.1 特征因子选择 (30)4.2.2 网络参数配置 (30)4.2.3 样本数据处理 (31)4.2.4 训练网络 (31)4.2.5 网络训练结果分析 (34)4.2.6 专家建议 (34)4.3 例子的结果分析 (34)结论 (36)致谢 (37)参考文献 (38)附录1 外文资料中文翻译 (40)附录2 外文资料原文 (45)第1章绪论1.1 论文研究的背景专家系统(Expert System，缩写ES)是人工智能领域应用研究最活跃的领域之一，日益得到广泛的应用。
它是一个具有大量专门知识与经验的程序系统，应用人工智能技术，根据某个领域里一个或多个人类专家提供的经验和知识进行推理，模拟人类专家的决策过程，解决那些需要专家解决的复杂问题。
1.1.1 国内外研究现状国内早在1988年，戴汝为院士便提出了综合智能系统模型的设想。
综合主义思想的直接成果首先是人工神经网络专家系统的产生，其实质是用神经网络去构造传统专家系统的各个部件，这在实际中是可行的，并在解决许多实践问题中发挥了作用。
北京科技大学与安阳钢铁集团公司共同开发研制的高炉冶炼神经网络专家系统成功地应用于鞍钢2号300立方米高炉。
安徽省地震局研制的“基于模糊神经网络和符号推理的地震预报专家系统”以模糊神经网络作为专家系统前端，通过分析杂乱无章的数据，得到有关知识[1]。
国外在八十年代末到九十年代初，将专家系统和人工神经网络结合起来的综合主义思想开始产生，国外有cher等人的Neural Network和Connectionist Expert Systems。
同时S.L.Gallat推出的用于医疗诊断的连接主义专家系统，开创了神经网络与专家系统相结合的先例。
1989年DIETZ 等创建了喷气和火箭发动机故障诊断神经网络专家统，DAVID.A.HANDELMAN 继承人工神经网络与专家系统用于智能机器人的研究。
1.1.2 专家系统在开发使用中存在的缺点（1）知识获取的“瓶颈”。
通常专家系统的知识获取主要靠人工移植，由知识工程师将领域专家的知识总结为规则加入到知识库中，这种知识获取是间接的，因而效率低；另外，领域专家的某些经验知识往往只能意会，不能言传，很难用一定的规则或者数学模型来严格描述，而这些经验知识在问题求解过程中是相当重要的，这就是专家系统设计开发中的“瓶颈”问题。
（2）另一种知识获取的困难就是多个领域专家的知识之间相互矛盾的处理。
是在这些知识之间作某种折中处理，还是只取其中的某一种，作为非领域专家的知识工程师在这种情况下也束手无策。
（3）知识“窄台阶”。
目前，一般的专家系统只能在相当窄的专业知识领域内求解专门性问题，对于那些可以用相应经验知识完整描述的问题能够得到正确结论，但是一旦问题超出系统所拥有的专业领域经验知识，出现系统未预计到的情况，即使问题所涉及到的知识只与现有专业领域知识有细微偏差，系统就得不出结论甚至还可能得到错误的结果。
所以存在知识的“窄台阶”，即只有浅层的、表面的、经验性的知识，缺少深层的、本质的、理性的知识。
（4）推理能力弱。
由于推理方法简单，控制策略不灵活，所以容易出现“匹配冲突”、“组合爆炸”及“无穷递归”等问题，推理速度慢，效率低。
（5）智能水平低。
专家系统的知识存储是一一对应的，且限定没有冗余性，因而就失去了灵活性。
一般的专家系统一般不具备自学习能力和联想记忆功能，不能在运行过程中自我完善、发展和创新，不能用联想记忆、识别和类比等方式进行推理。
这样，系统就不能在实践中不断自我完善，就不能从环境变化中发展和创新知识。
系统的功能取决于系统最初的知识和能力，它的本领只是输入知识的总和[2]。