在人工智能和知识工程的研究应用系统的开发中,专家系统是一个极为活跃的分支领域,其在许多领域中都有成功的应用。随着发展的深入和要求的提高,有关知识获取以及如何处理知识的不确定性等问题逐渐显现出来。粗集理论是1982年由波兰数学家Z.Pawlak教授提出来的,它是一种处理不完整、不确定信息的新型数学工具。由于粗集理论是利用数据集上的等价关系对知识的不确定程度进行度量,而无需提供所需处理的数据集合之外的任何先验信息,这样就避免了对知识的主观评价所带来的误差。所以用粗集理论来处理专家系统中的不确定知识的获取,更新与推理具有十分广泛的应用前景。本文所做的主要工作有给出了一个基于粗集理论的专家系统的基本模型结构,并对模型中的知识获取机制、知识更新机制以及知识推理机制进行了详细的研究。在知识的获取中,主要介绍了几种传统的知识获取算法,为改进这些算法的缺点,给出了几种知识获取的改进算法;在知识的更新机制中,提出了一种新的增量式学习算法,并且对减量式学习的情况进行了讨论;在知识的推理中,简单介绍了几种常用的不确定推理的方法,对其进行改进,给出一种含主观因素的不确定性推理方法,并对不完备知识的推理进行了讨论。本文的主要创新点在于:(1)对传统专家系统的模型结构进行了改进,给出了一个基于粗集理论的专家系统的基本模型结构(如图1.3.1)。(2)对传统的属性约简算法进行了改进,在约简过程中加入了对权重系数和主观因素的考虑。(3)扩展了传统规则约简定义方法,该方法可用于不一致规则的约简。给出一个基于Apriori性质和支持度的规则约简算法。(4)当向决策表中增加新例子时,相应的极小决策规则集也会发生相应的变化,本文根据新例子与原极小决策规则集之间的关系,对新例子所有可能的情况进行了划分,并在该划分的基础上给出一个新的增量式学习算法。(5)对于从知识库中删除例子后相应极小决策规则集的变化情况进行了研究。(6)在知识的推理中,加入了对新对象中各属性重要性的主观因素的考虑,给出了一种含主观因素的不确定性推理方法。(7)在不完备知识的推理中,对传统新对象匹配集的概念进行了扩展,并在该基础上,研究了不完备知识推理的方法。本文对于一些传统的知识获取、更新及推理算法进行了改进,但在某些方面还存在一些缺点。例如:本文所给的知识获取算法效率仍然较低,且存在较大误差;在知识的简单性和完整性的权衡问题上缺少一个有效的评价标准;改进后的增量式学习算法虽然大大减少了重新计算的必要性,但当增加新例子后导致属性约简变化时,该算法的时间复杂度较传统算法略有增加;在含主观因素的不确定推理中主、客观因素所占的比重是由用户决定的,如何更客观地决定推理中主客观因素的比重,这些问题都还有待于进一步的研究。