《第十部分智慧型决策支援系统.ppt》由会员分享，可在线阅读，更多相关《第十部分智慧型决策支援系统.ppt（44页珍藏版）》请在三一文库上搜索。
1、第十章 智慧型決策支援系統,本章大綱,第一節 導論 第二節 人工智慧的概念 第三節 第一代智慧型DSS 第四節 第二代智慧型系統 第五節 結論,學習目標,智慧型DSS的概念 人工智慧與專家系統的概念與應用 類神經網路技術與應用 基因演算法技術與應用 案例推理技術與應用,表10-1 兩代IDSS系統的 比較,智慧應包括的能力,觀察外界環境的能力 對環境作彈性反應 與外界環境或其他事物溝通 瞭解不同因素的相對重要性 擁有內部知識 能夠異中求同或同中求異 設定目標並達成目標 創造力 學習能力,人工智慧的兩種觀點,實用觀點 AI是電腦科學中的一支，其目的在創造電腦程式來執行以往由人類所進行的工作；偏重
2、實用性。 科學觀點 AI是一套方法，其目的在探討許多難解的問題，如人類智慧；偏重學術性。,圖10-1 AI重點的演變,圖10-2 AI家族的成員,機器人,自動學習,專家系統,定理證明,遊戲程式,自然語言瞭解,影像辨識,聲音辨識,第一代智慧型DSS,是運用專家系統技術的系統 專家系統概念解析 專家 專才 專家系統的要求 為何需要專家系統 專家系統與傳統DSS之不同,專家,能夠比其他絕大多數人更有效地解決某些特定問題的人。,專才,專家所賴以解決問題的知識，其通常包括知識與經驗 可以由它的形式和本質兩方面來探討 就形式而言，知識包括了經驗和法則 就知識的本質而言，可以分為表面知識與深度知識 表面知識
3、是指與某個特定問題有關的知識，它只與該問題的解決有關。 深度知識則是指和許多問題都有關聯，而且可以加以一般化的知識。,專家系統的要求,專才 一個專家系統必須擁有足夠水準的專才，以表現出專家的水準，並且有充分的穩定性。 符號推理 符號是指敘述性的文字。 知識深度 專家系統必須要能夠運用複雜的深度知識，以解決困難的問題，否則便難稱為專家系統。,專家系統的要求（續）,自我充實 另一項專家系統的重要要求則是能夠檢討自己的推理思考過程，解釋自己的建議，並自經驗中學習改進，達到自我充實的要求。,表10-2 人類專家與專家系統的優劣,專家系統與傳統DSS之 不同,系統目標：取代 vs. 支援 系統重心：知識
4、移轉 vs. 決策過程 交談方向：系統主導 vs. 用戶主導 知識表達：敘述性知識和符號 vs. 數學模式 決策方法：經驗 vs. 數學演算法 適用問題：狹窄而特定 vs. 非結構化 解釋能力：可以 vs. 困難,專家系統的實例,美國史丹佛大學開發的MYCIN傳染病系統 Coopers & Lybrand開發的Exper Tax稅務規劃與管理系統 DEC電腦公司開發的XCON系統，其可協助銷售及技術人員選購恰當的迷你電腦組合 Cognitive systems, Inc.開發的La-Courtier財務規劃系統,第二代智慧型系統,第二代的專家系統又加入了學習能力，故稱為智慧型系統 具有下列幾項
5、特質 更瞭解專業領域的知識 明確地陳述問題 找出適當的解決之道 解釋結果 自我成長,第二代智慧型系統之發展技術,類神經網路 是一種以電腦來模擬人類腦神經細胞網路的科學。 基因演算法 一種模擬人類基因演化的模型。 案例推理 以案例為基礎的推理系統，可以收集解決舊問題的案例，加以整理，並用來找出解決未來問題的方法。,圖10-3 類神經網路的類神經元,圖10-4 單層感知機模型,倒傳遞網路學習模式,輸入層 由問題之自變數所構成，將變數的資料輸入到類神經網路中進行計算。 隱藏層 藉以表示輸入與輸出處理單元間之交互影響，而隱藏層之層數、單元數目前並無標準方法可決定，通常以試誤法(trial and er
6、ror)決定。 輸出層 問題之因變數，也是網路計算結果的輸出。,圖10-6 倒傳遞神經網路 模型,類神經網路應用基本步驟,蒐集足夠數量且輸入及輸出結果均已知的訓練案例，來訓練該神經網路。 選定隱藏層的數量及各層中神經元的數量。 選擇適當的轉換函數，並決定學習率(learning rate)及動力(momentum)。 經長時間的學習調整，直到其誤差的變化逐漸收斂為止。,類神經網路在國內的應用,國內銀行業者台新銀行 醫學界忠孝醫院 股市投資,類神經網路的優點,類神經網路可以建構非線性的預測及分析模型。 類神經網路有良好的推廣性，對於未知的輸入亦可得到正確的輸出。 類神經網路可以接受不同種類的變數
7、作為輸入，適應性強。 類神經網路可因應新增案例而機動調整。,類神經網路的缺點,類神經網路以逐漸趨近的方式更新鍵結數值與臨界門檻值，計算量大，相當耗費電腦資源。 類神經網路的解有無限多組，無法得知哪一組的解為最佳解。 類神經網路訓練的過程中無法得知需要多少神經元個數，太多或太少的神經元均會影響系統的準確性，因此往往需以試誤的方式得到適當的神經元個數。,基因演算法,基因演算法是一種模擬人類基因演化的模型 在這種模型中，問題的解答被巧妙地安排成一串數值，模擬基因中的一串染色體。大量的基因經過演化、突變與交配等等運算不停地產生新的基因，並淘汰不良的基因，最後演化出問題的最佳解答。 它是一種最佳化空間搜
8、尋法，其主要目的如下 以嚴密而具象的科學方法解釋自然界物競天擇、適者生存的演化過程。 將生物界中遺傳演化重要機制以資訊科學軟體實作模擬。由達爾文進化論的觀點來看，物種靠不斷地演化而產生最適合生存的下一代。,圖10-7 基因演算法求解函數值之例,基因演算法的運作步驟,定義基因組以及適配函數，創造第一代的基因組 藉由選擇、交配及突變三個運算元，來改良起始群體 重複步驟2，直到這個群體不再進步為止,圖10-8 基因演算過程三個運算元選擇運算元,基因死亡,基因分裂,基因存活,(a)選擇,第m代,第m+1代,圖10-8 基因演算過程三個運算元交配運算元,基因交配位置,(b)交配,圖10-8 基因演算過程
9、三個運算元突變運算元,(c) 突變,基因演算法過程的三個運算元,選擇 選擇類似於自然界中的天擇，最適者可以將其遺傳因子遺傳給下一代。在計算過程中，母群體的數量是保持恆定的，也就是整個群體不致滅種。 交配 交配也發生在自然界中，將兩組基因組原有的某部分與另一組互換，產生了新的2組基因組。,基因演算法過程的三個運算元（續）,突變 最後一種運算元的因素是突變，親代在繁衍後代時，基因編碼產生了錯誤所致，這在自然界中極少發生。,表10-4 經過選擇作用後的適配值,表10-6 經過選擇和交配過程所得的組成,表10-7 選擇交配和突變後的組成,基因演算法的優點,產生的結果容易瞭解 可以處理不同類型的資料 可以用在複雜的最佳化問題求解 可以和類神經網路及其他技術整合,基因演算法的缺點,許多問題編碼的困難 不保證最佳化 運算成本極高 可以運用的商業套裝軟體不多,案例推理的流程,為新案件製作索引 找出類似案例 修改解決方法 評估與測試 方案應用 解釋、修正和測試 歸類和儲存結果,圖10-9 案例推理流程圖,圖10-10 案例的三種型態,案例推理的應用,應用案例式推理系統有幾個主要重點需要克服 案例的表達 相似性函數 修正的知識,案例推理的應用（續）,案例推理的應用 規劃或需要判斷的問題 勞資談判或法官判案 高階管理舞弊診斷系統 醫學領域 商業領域 教育輔導領域,