- •Государственное образовательное учреждение высшего профессионального образования таганрогский государственный радиотехнический университет
- •Содержание Введение
- •Введение
- •1 Основы построения банков данных
- •1.1 Информация и ее свойства. Данные
- •Определение 2. Информация – это изменение степени незнания об объекте (по Шеннону).
- •1.2 Два аспекта рассмотрения банков данных
- •1.3 Терминология
- •1.4 Эволюция концепций баз данных
- •1.5 Требования к банкам данных
- •1.6 Структура банка данных
- •Инициализация передачи
- •1.7 Архитектура банка данных и этапы проектирования баз данных
- •2 Инфологическое проектирование баз данных
- •2.1 Сущность инфологического подхода к проектированию баз данных
- •2.2 Модель типа «сущность-связь»
- •2.3 Построение модели локальных представлений
- •2.4 Объединение моделей локальных представлений
- •3 Модели данных
- •3.1 Сетевая модель данных (смд)
- •3.2 Иерархическая модель данных (имд) (древовидная структура)
- •3.3 Реляционные модели данных
- •3.4 Нормализация реляционных отношений
- •4 Физическая организация баз данных
- •4.1 Способы физической организации и хранения данных
- •4.2 Последовательные структуры данных (псд)
- •4.3 Индексно-последовательный метод доступа
- •4.4 Индексно-произвольный метод доступа
- •4.5 Инвертированный метод доступа
- •4.6 Прямой метод доступа. Хеширование
- •5 Установление связей между объектами в информационной системе
- •5.1 Установление функциональных связей (фс) между объектами
- •5.2 Установление структурных связей (сс) между объектами
- •6 Сравнительный анализ современных субд
- •7 Распределенные базы данных
- •7.1 Проектирование распределенных баз данных
- •7.2 Обработка запросов в распределенной базе данных
- •8 Базы знаний
- •8.1 Модели представления знаний
- •Vху (Знакомы (х,у)→Приятели (х,у) V Сослуживцы (х,у))
- •Vху Обработана (х,у).
- •Модели специального типа 09.12.2009
- •8.2 Модели вывода решений
- •Заключение
- •Тесты для проверки полученных знаний по дисциплине
- •Глоссарий по дисциплине “Базы данных”
- •Библиографический список
Vху (Знакомы (х,у)→Приятели (х,у) V Сослуживцы (х,у))
Следует отметить, что в системах искусственного интеллекта, как правило, используется многотиповой язык предикатов. Это означает, что переменные могут принимать значения из различных множеств.
Например, для любой детали х существует станок у, на котором она может быть обработана:
Vху Обработана (х,у).
Здесь х принимает значения из множества деталей, у – их множества станков.
Язык предикатов в настоящее время широко используется в экспертных системах различного направления.
Процедурные модели
Проблема процедурного представления знаний тесно связана с разработкой специальных языков представления знаний. Часть этих языков называется языками программирования задач искусственного интеллекта. Отдельные элементы и механизмы для представления знаний были разработаны и встроены в языки программирования высокого уровня, которые называются метаязыками (LISP, SNOBOL, РЕФАЛ, ПРОЛОГ). С помощью таких языков была решена целая группа задач, позволяющих вести диалог с пользователем на естественном языке (играть в шахматы и другие). Приобретенный при этом опыт был использован в разработке языков представления знаний 1-го поколения (PLANNER, SAIL). Особенностью этих языков является реализация в них некоторых процедур, которые являются характерными для систем искусственного интеллекта.
Основной целью языка представления знаний является представление такого набора примитивов (элементарных основ), который был бы удобен для решения задач искусственного интеллекта. Эти примитивы не должны быть очень низкого уровня, т.к. язык становится неудобным для пользователя. С другой стороны, уровень примитивов не должен быть слишком высоким, т.к. это ухудшает приспосабливаемость языка к различным приложениям.
Модели специального типа 09.12.2009
Реляционные модели
В основе этих моделей лежит представление информационных связей между различными понятиями в виде отношений (таблиц).
Нечеткие модели
Эти модели применяются в тех случаях, когда нет возможности дать четкое представление об объекте или каких-то его характеристиках. Например, множество высоких людей, множество способных студентов.
Наибольшее распространение получили нечеткие алгоритмы, которые условно можно разделить на три группы:
алгоритмы идентификации;
поведенческие алгоритмы;
алгоритмы выбора решений – наиболее часто используемые в экспертных системах.
Приведем пример нечеткого алгоритма идентификации. Допустим, в базе знаний необходимо хранить понятие ОВАЛ. Применяют такой алгоритм:
10 Если Т незамкнутая кривая, то это не овал.
20 Если Т самопересекающаяся кривая, то Т не овал.
30 Если Т невыпуклая кривая, то Т не овал.
40 Если Т не имеет двух более или менее ортогональных осей симметрии, то Т не овал.
50 Если одна ось симметрии значительно не превышает по длине другую, то Т не овал.
60 Т овал.
Т.о., нечеткий алгоритм идентификации заключается в замене одного нечеткого понятия другим.
Семантические сети
Они представляют собой граф. При этом вершинами являются некоторые объекты (понятия), а дугами – семантические отношения.
Выделим ряд характерных особенностей, которые присущи сетям.
1) В семантических сетях часто используются отношения ISA – отношения иерархии, поддерживающие механизм наследования свойств. Отношение ISA с формальной точки зрения является симбиозом отношений (принадлежность) и (включение). Оно используется для различных обобщений или абстракций.
isa – есть некоторый
isa
isa
isa
2) Для представления в семантических сетях событий и действий используются дополнительные понятия:
act – ДЕЙСТВИЕ,
rec – РЕЦИПИЕНТ
где ДЕЙСТВИЕ – объект, который действует,
РЕЦИПИЕНТ – объект, на который направлено действие.
Отметим, что сами действия могут выступать как в виде объектов, так и в виде связей.
3) Для представления семантических отношений большой арности можно вводить фиктивные элементы.
Например, Петр читает книгу:
act rec
В семантических сетях допускается введение фиктивных вершин или узлов, которые называются СЛОТ (дыра).
Например,
Слот А принимает значение:
<Лев> - А - грива,
isa - когти,
- клыки,
- глаза.
Выводы: С увеличением числа вершин сложность сетей возрастает, резко ухудшается наглядность сетей. Поэтому семантические сети наибольший интерес представляют в методическом плане. В тоже время в большинстве случаев семантические сети могут быть переложены на язы предикатов. Это позволяет работать с боле объемными моделями. Основные операции над семантическими сетями обычно заключаются в создании или удалении элементов этих сетей, а также в определении принадлежности к классу.
Сети фреймов Frame (каркас, скелет).
Фрейм – это фрагмент семантической сети. Основоположником фрейма является Минский. По его определению фрейм представляет собой некоторую структуру для представления стереотипной ситуации. Для описания фрейма используются слоты. Слот – пустая ролевая позиция (вращающийся вал, цилиндр).
Фрейму может сопоставляться ситуация: что следует ожидать, что сделать, если ожидание не оправдалось.
Например, Фрейм «ДАТА»
ГОД: 2002
МЕСЯЦ: ДЕКАБРЬ
ЧИСЛО: 20
Фрейм «ВСТРЕЧА»
КТО: МИША
С КЕМ: МАША
ГДЕ: БИБЛИОТЕКА
ЦЕЛЬ: КОНСУЛЬТАЦИЯ
КОГДА: дата (фрейм «ДАТА»)
ДЕНЬ: СУББОТА
В данном случае в качестве подфрейма для фрейма «ВСТРЕЧА» используется фрейм «ДАТА».
Языки представления знаний (KRL, WRL, QLISP) в качестве моделей представления знаний используют сети фреймов.