**基于产生式规则的动物识别系统正反向混合推理（Python）** **基于产生式规则的动物识别系

产生式系统把一组领域相关的产生式（或称规则）放在一起，让它们互相配合、协同动作，一个产生式生成的结论一般可供另一个（或一些）产生式作为前提或前提的一部分来使用，以这种方式求得问题之解决，这样的一组产生式被称为产生式系统
产生式系统的构成一组规则
每条规则分为左部（或称前提、前件）和右部（或称结论、动作、后件）。通常左部表示条件，核查左部条件是否得到满足一般采用匹配方第 3 页法，即查看数据基DB（Data Base）中是否存在左部所指明的情况，若存在则认为匹配成功，否则认为匹配失败。一般说来，匹配成功则执行右部所规定的动作，例如：添加、修改和删除等。
数据基
DB 中存放的数据既是产生式作用的对象，又是构成产生式（或称规则）的基本元素。
一个推理程序（Engine）
它负责整个产生式系统的运行，包括：规则左部与 DB 匹配；从匹配成功的规则中，选出一条将在下一步执行的规则 R*，执行 R*右部规定的动作；掌握时间结束产生式系统的运行。
知识库 【**基于产生式规则的动物识别系统正反向混合推理（Python）**】R1：如果某动物有毛发（F1）则该动物是哺乳动物（M1）
R2：如果某动物有奶（F2）则该动物是哺乳动物（M1）
R3：如果某动物有羽毛（F3）则该动物是鸟（M4）
R4：如果某动物会飞（F4），且下蛋（F5）则该动物是鸟（M4）
R5：如果某动物吃肉（F6）则该动物是食肉动物（M2）
R6：如果某动物有锋利的牙齿（F7），且有爪（F8），且眼睛盯着前方（F9）则该动物是食肉动物（M2）第 10 页
R7：如果某动物是哺乳动物（M1），且有蹄（F10）则该动物是有蹄类哺乳动物（M3）
R8：如果某动物是哺乳动物（M1），且反刍（F11）则该动物是有蹄类哺乳动物（M3），且偶蹄类
R9：如果某动物是哺乳动物（M1），且是食肉动物（M2） ,且黄褐色（F12），且有暗班（F13）则该动物是豹（H1）
R10：如果某动物是哺乳动物（M1），且是食肉动物（M2），且黄褐色（F12），且有黑色条纹（F14）则该动物是虎（H2）
R11：如果某动物是有蹄类哺乳动物（M3），且有长脖（F15），且有长腿（F16），且有暗斑（F13）则该动物是长颈鹿（H3）
R12：如果某动物是有蹄类哺乳动物（M3），且有黑条纹（F14）
则该动物是斑马（H4）
R13：如果某动物是鸟（M4），且不会飞（F17），且有长脖子（F15），且有长腿（F16），且是黑白色（F18）则该动物是鸵鸟（H5）
R14：如果某动物是鸟（M4），且不会飞（F17），且会游泳（F19），且是黑白色（F18）则该动物是企鹅（H6）
R15：如果某动物是鸟（M4），且善飞（F20）则该动物是信天翁（H7）

文章图片

正向推理：在产生式系统运行过程中，要不断地用 GDB 中的数据和产生式进行匹配。正向推理一定能推理出问题的结果，但是正向推理过程在推理过程中比较盲目，可能会执行向很多无用的方向探索，类似于宽度优先搜索，当搜索结构比较深时，还可能产生指数爆炸。
反向推理：向后（反向，逆向，反向链，目标驱动）推理时，要把子目标和GDB 中的数据或产生式右部匹配。与数据匹配成功者生成叶节点；与
产生式右部匹配成功者，则使该产生式左部成为新的子目标。反向推理也一定能找到目标，并且在寻找目标时候目的性很强，类似于深度优先搜索。但是这个过程依赖于初始目标的选择，算法的优劣性取决于初始目标选择的好坏。
混合推理：算法描述：
算法初始给定每个层次一个深度，最底层为1，依次向上递增，首先选出深度最小的一些属性，通过改进的正向搜索（不考虑与或关系，只要能向底层搜索就一直搜索，直到目标），每次搜索到目标，就给该目标的反向搜索优先级加一。然后根据目标优先级执行反向搜索直到推理出结果。
混合推理算法步骤：
S为初始GDB，H记录了每个属性的深度，R为规则集，G为目标集
1：从S中搜索出最小深度h
2：对于S中最先深度的属性通过改进的正向推理，计算出目标集反向推理的优先级
3：根据计算的优先级依次进行反向推理，直到推理出结果

import pandas as pd import numpy as np # encoding=utf8 #code by miao 2020.3.21 class Animal(): def __init__(self): self.dict_before = {'1': '有毛发', '2': '产奶', '3': '有羽毛', '4': '会飞', '5': '会下蛋', '6': '吃肉', '7': '有犬齿', '8': '有爪', '9': '眼盯前方', '10': '有蹄', '11': '反刍', '12': '黄褐色', '13': '有斑点', '14': '有黑色条纹', '15': '长脖', '16': '长腿', '17': '不会飞', '18': '会游泳', '19': '黑白二色', '20': '善飞', '21': '哺乳类', '22': '鸟类', '23': '食肉类', '24': '蹄类', '25': '金钱豹', '26': '虎', '27': '长颈鹿', '28': '斑马', '29': '鸵鸟', '30': '企鹅', '31': '信天翁'} print('''输入对应条件前面的数字: ******************************************************* *1:有毛发2:产奶3:有羽毛4:会飞5:会下蛋* *6:吃肉7:有犬齿8:有爪9:眼盯前方10:有蹄* *11:反刍12:黄褐色13:有斑点14:有黑色条纹15:长脖 * *16:长腿17:不会飞18:会游泳19:黑白二色20:善飞* *21：哺乳类22:鸟类23:食肉类24：蹄类* ******************************************************* *******************当输入数字0时!程序结束*************** ''') # 各个特征的深度 self.dict_depth = {'1': 3, '2': 3, '3': 3, '4': 3, '5': 3, '6': 3, '7': 3, '8': 3, '9': 3, '10': 3, '11': 3, '12': 2, '13': 2, '14': 2, '15': 2, '16': 2, '17': 2, '18': 2, '19': 2, '20': 2, '21': 2, '22': 2, '23': 2, '24': 2, '25': 1, '26': 1, '27': 1, '28': 1, '29': 1, '30': 1, '31': 1} # 规则集 self.rules = [[[1], 21], [[2], 21], [[3], 22], [[6], 23], [[4, 5], 22], [[7, 8, 9], 23], [[10, 21], 24], [[11, 21], 24], [[12, 23, 14, 21], 26], [[13, 15, 16, 24], 27], [[12, 13, 21, 23], 25], [[14, 24], 28], [[15, 17, 19, 22], 29], [[17, 18, 19, 22], 30], [[20, 22], 31]] # 动物逆向推理优先级 self.count = {'25': 0, '26': 0, '27': 0,'28':0,'29': 0 ,'30': 0 ,'31':0 } # 综合数据库 self.list_real = [] self.list=[] while (1): # 循环输入前提条件所对应的字典中的键 num_real = input("请输入：") if (num_real == '0'): break self.list_real.append(num_real) self.list.append(num_real) #print("\n") print("前提条件为：") # 输出前提条件 for i in range(0, len(self.list_real)): print(self.dict_before[self.list_real[i]], end=" ") print("\n") print("推理结果如下：") # 求深度最小的进行改进的正向推演 def min_depth(self): h = 100 for i in range(len(self.list_real)): if (h > int(self.dict_depth[self.list_real[i]])): h = int(self.dict_depth[self.list_real[i]]) return h # 判断是否与数据基的数重复 def judge_repeat(self, value): for i in range(0, len(self.list_real)): if (self.list_real[i] == str(value)): return 1 else: m=len(self.list_real) if (i != len(self.list_real) - 1): continue else: return 0 # 进行改进的正向推理 def forward(self, h): for j in range(len(self.list_real)): if(int(self.dict_depth[self.list_real[j]]) == 2): for i in range(len(self.rules)): if (int(self.list_real[j]) in self.rules[i][0]): if (self.rules[i][1] in range(25, 32)): self.count[str(self.rules[i][1])] = self.count[str(self.rules[i][1])] + 1 if (self.judge_repeat(self.rules[i][1]) == 0): self.list_real.append(str(self.rules[i][1])) # 在正向推理的基础上进行逆向推理 def backward(self, a): change = False for i in range(len(self.rules)): if (a == self.rules[i][1]): for j in range(len(self.rules[i][0])): change = False m=self.rules[i][0][j] if (str(self.rules[i][0][j]) in self.list): change = True if(j==len(self.rules[i][0])-1): return change else: change=self.backward(int(self.rules[i][0][j])) if(not change): break; return change #算法框架 def run(self): self.forward(self.min_depth()) self.count = sorted(self.count.items(), key=lambda d: d[1], reverse=True) for i in range(len(self.count)): if (self.backward(int(self.count[i][0]))): print("推理此动物为：", self.dict_before[str(self.count[i][0])]) return print("无法推理此动物") return #主函数 if __name__ == '__main__': anmial = Animal() anmial.run()

运行结果 1）无法推理出动物种类