由於人工智慧技術的突破，已使得其最重要的分支 ─ 專家系統有蓬勃的
發展，也成功地應用到各領域，而知識庫是專家系統的核心，成敗端賴於
此，因此知識擷取便成為建構一個專家系統最重要且最困難的階段。知識
擷取的工作包括如何將人類專家的知識和經驗一一過濾、分析和解釋後融
入知識庫以便推論，而它的困難度正在於專家很難將他從真實世界中所得
之經驗及知識正確地表達出來；並且即使已取得這些知識，則它們是否足
以代表同類的問題以及如何發揮最大的用處？知識擷取的方法有很多種，
最常用的是歸納法(又稱例子學習法)，也就是說系統從訓練者所提供的一
組範例中去歸納出一套一般化的法則，範例可由外界環境蒐集或是具備該
專業領域的專家提供，重要的是它們必須能夠涵蓋各種可能的狀況，則歸
納出的法則才具代表性。目前的困難即在於如何將這些已取得的範例資料
正確地分類，特別是計量的資料，由於具連續性，究竟應如何切割才具代
表性，足以去預測未來的資料。本文即是運用統計上的技巧，按照資料分
配的特性，並融入模糊的觀念使這些資料區間的分割能有一緩衝區，對於
計質的資料亦以其可能性分布來表示模糊程度；因其允許模糊的存在，故
能做概略性的推論而導出更合乎本質的結論；論文中也與統計的區別分析
及CRIS做了實際資料及電腦模擬資料的比較分析，以驗證其優缺及限制；
除了方法本身簡單以外，在對未知資料的分類及預測上亦能有相當不錯的
正確率，希望在專家系統的建構上能提供一正確且穩固的基石。
|