сии_шпора

10. Понятие «экспертная система». Основные модели представления знаний в экспертных системах.

Экспертная система (ЭС) – ПО, выполняющее функции эксперта при решении задач в узкой предметной области. ЭС оперирует знаниями. Знания, нужные для работы экспертной системы, определенным образом формализованы и представлены в виде базы знаний.

Модели представления знаний в ЭС:

1)Логические модели. Логика изучает правила формирования неопровержимых рассуждений. Главная часть рассуждений - вывод рассуждения из посылок. Логическое представление: система описывается сложными высказываниями и логическими связками между ними.

2)Продукционные модели. Знания представляются в виде предложений, называемых продукциями, типа «Если (условие), то (действие)». Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в БЗ, а под «действием»– операции, выполняемые при успешном исходе поиска.

3)Семантические сети. Знания представляются в виде ориентированного графа, вершины которого отображают некоторые понятия, а дуги – отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.

4)Фреймовые модели. Частный случай сетевой модели. Фрейм – это абстрактный образ для представления некоего стереотипа информации.

11. Логические модели представления знаний. Модель, основанная на логике высказываний

Основная идея подхода при построении логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Высказыванием называется предложение, смысл которого можно выразить значениями: истина (Т) или ложь (F).

Например, предложения «лебедь белый» и «лебедь черный будут высказываниями. Из простых высказываний можно составить более сложные: «лебедь белый или лебедь черный» или «если лебедь не белый то лебедь черный» и т.д. В свою очередь высказывания можно разделить на частичные, которые связаны между собой с помощью слов: и, или, не, если – то (т.е. в логическом типе ¬ ۸ ۷ → ↔ ) Элементарными называются высказывания, которые нельзя разделить на части. Логика высказываний оперирует логическими связями между высказываниями, т.е. она решает вопросы типа: «Можно ли на основе высказывания А

получить высказывание В?» При этом семантика высказывания не имеет значения. Элементарные высказывания рассматриваются как переменные логического типа, над которыми разрешены следующие логические операции:

¬отрицание(унарная операция); ۸конъюнкция(логическое умножение); ۷ дизъюнкция (логическое сложение); → импликация (если – то); ↔ эквивалентность.

Операция импликации должна удовлетворять следующим требованиям.

1.Значение результата импликации зависит от двух операндов.

2.Если первый операнд (А) – истинный, то значение результата совпадает со значением второго операнда (В).

3.Операция импликации не коммутативна.

4.Результат импликации совпадает с результатом выражения ¬А۷В. Значения результатов логических операций над переменными А и В, являющимися элементарными высказываниями, приведены в табл.

А ¬А В А۸В А۷В А→В А↔В

Исчисление высказываний позволяет формализовать лишь малую часть множества рассуждений, поскольку этот аппарат не позволяет учитывать внутреннюю структуру высказывания, которая существует в естественных языках.

12. Логические модели представления знаний. Модель, использующая исчисление предикатов

Основная идея подхода при построении логических моделей представления знаний — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Предикат (лат. praedicatum — заявленное, упомянутое, сказанное) — это утверждение, истинность которого зависит от значения переменных, входящих в него. При конкретном наборе переменных предикат превращается в обычное высказывание, о котором можно сказать истинно оно или ложно.

Модели представления знаний, использующие исчисление предикатов и теорию нечетких множеств, называют логико-лингвистическими моделями представления знаний. Это адаптивные логико-лингвистические МПЗ, приспосабливающиеся к изменению свойств и условий функционирования объекта, а также отображающие возникающие при этом разнообразные текущие и полные ситуации.

Все многообразие моделей представления знаний можно разбить на 2 типа: логические и эвристические.

Недостатками этих моделей представления знаний являются их слабая наглядность и ограниченная выразительность.

13. Продукционная модель представления знаний. Структура экспертных систем продукционного типа.

Продукционная модель – это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие»

В общем случае продукционную модель можно представить в следующем виде: N=<A,U,C,I,R>, где N – имя продукции; A – сфера применения продукции; U – условие применимости продукции; C – ядро продукции; I – постусловия продукции, актуализирующиеся при положительной реализации продукции; R – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний; Системы обработки знаний, использующие продукционную модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.

Существуют два типа продукционных систем с «прямыми» и «обратными» выводами. Прямые выводы реализуют стратегию «от фактов к заключениям». При обратных выводах выдвигаются гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Существуют также системы с двунаправленными выводами.

Основные достоинства систем, основанных на продукционных моделях, связаны с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее: отличие от структур знаний, свойственных человеку; неясность взаимных отношений правил; сложность оценки целостного образа знаний; низкая эффективность обработки знаний.

14. Механизм логического вывода в продукционных системах. Примеры логического вывода

Процедура логического вывода в системах, основанных на продукционных моделях,как правило, включает следующие части:

-рабочую память (базу данных) – фактические данные, описывающие возможное и текущее состояние предметной области – хранящуюся в оперативной памяти;

-базу продукционных правил, содержащую все допустимые зависимости между фактами предметной области и хранящуюся в долговременной памяти;

-механизм логического вывода.

Механизм логического вывода обеспечивает формирование заключений, воспринимая вводимые факты как элементы правил, отыскивая правила, в состав которых входят введенные факты, и актуализируя те части продукций, которым соответствуют введенные факты. Теоретической основой построения механизма логического вывода служит теория машины Поста.

Механизм логического вывода выполняет функции поиска в базе правил, последовательного выполнения операций над знаниями и получения заключений. Существует два способа проведения таких заключений – прямые выводы и обратные выводы.

Прямым выводам (прямой цепочке рассуждений) соответствует движение от посылок к следствиям. Обратным выводам (обратной цепочке рассуждений) соответствует движение от цели (факта, который требуется установить) к предпосылкам.

Так, например, если на экзамене некий студент на “отлично” ответит два вопроса билета, а третий будет оценен на “хорошо”, рекомендуется задать ему дополнительный вопрос. Если на него дается отличный ответ, общая оценка — “отлично”; хороший или удовлетворительный ответ — “хорошо”; неудовлетворительный ответ — “удовлетворительно”.

15. Управляющий компонент продукционной экспертной системы.

Управляющий компонент определяет порядок применения правил, а также устанавливает, имеются ли еще факты, которые могут быть учтены в случае продолжения работы.

Управляющий компонент выполняет 4 функции:

1.Сопоставление - образец правила сопоставляется с имеющимися фактами;

2.Выбор - если в конкретной ситуации могут быть применены сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию. Это называется разрешение конфликта;

3.Срабатывание - если образец правила при сопоставлении совпал с фактами из рабочей памяти, то срабатывает правило;

4.Действие - рабочая память подвергается изменению путем

добавления в нее заключение сработавшего правила (при прямой цепочке рассуждений).

Интерпретатор работает циклически. В каждом цикле он просматривает все правила, чтобы выявить те посылки, которые совпадают с известными на данный момент фактами из рабочей памяти. После выбора правило срабатывает и заключение записывается в рабочую память. Затем цикл повторяется сначала. Действие заключения правила может менять критерий выбора правил.

16. Компоненты базы знаний продукционной системы, их взаимодействие в процессе логического вывода.

Компоненты базы знаний продукционной системы:

1)база правил;

2)рабочая память (БД);

3)механизм вывода;

Подсист.

Механизм вывода

Рабочая

Подсист. общения

память (БД)

с пользователем

Подсист. приобр. знаний

Процеcc логического вывода в системах включает следующие части:

-рабочую память (базу данных) – фактические данные, описывающие возможное и текущее состояние предметной области – хранящуюся в оперативной памяти;

-базу продукционных правил, содержащую все допустимые зависимости между фактами предметной области и хранящуюся в долговременной памяти;

-механизм логического вывода.

Механизм логического вывода обеспечивает формирование заключений, воспринимая вводимые факты как элементы правил, отыскивая правила, в состав

которых входят введенные факты, и актуализируя те части продукций, которым соответствуют введенные факты. Механизм логического вывода выполняет функции поиска в базе правил, последовательного выполнения операций над знаниями и получения заключений.

Существует два способа проведения таких заключений – прямые выводы и обратные выводы.

1)прямой - от фактов к заключению;

2)обратный, предполагает сначала выдвижение гипотезы, а потом заключение просматривается пока не обнаружатся факты подтверждающие гипотезу.

Пример. Пусть база правил содержит следующие правила:

R1 – если двигатель не заводится и фары не горят, то неисправен аккумулятор. R2 – если указатель бензина на нуле, то двигатель не заводится.

Правило может сработать только 1 раз.

Если фары не горят и бензин на нуле, то циклическая проверка и следует , что аккумулятор неисправен.

17.Основные проблемы, решаемые при помощи искусственных нейронных сетей.

Искусственная нейронная сеть (ИНС) — математическая модель, её программная или аппаратная реализация, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Такое определение произошло при изучении и попытке смоделировать процессы, протекающие в мозге. ИНС представляют собой систему соединённых и взаимодействующих между собой искусственных нейронов, при этом каждый нейрон сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим нейронам. Нейронные сети не программируются , а они обучаются, и возможность обучения является одним из главных преимуществ нейронных сетей перед другими алгоритмами. Обучение заключается в нахождении коэффициентов связей между нейронами. Нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, выполнять обобщение. Сеть сможет вернуть верный результат на основании данных, которых не было в обучающей выборке.(Рис. Входные нейроны, скрытые нейроны, выходной нейрон.)

Известные применения: 1) Распознавание образов и классификация (В качестве образов могут выступать различные по своей природе объекты: символы текста.). 2) Принятие решений для управления (Эта задача близка к задаче классификации. Классификации подлежат ситуации, характеристики которых поступают на вход нейронной сети. На выходе - появляется признак решения, которое она приняла). 3) Кластеризация. (разбиение множества входных сигналов на классы, при том, что ни количество, ни признаки классов заранее не известны. Такая сеть способна определять, к какому классу относится входной сигнал. Также определяют классы новые, отсутствующие в обучающей выборке данных.). 4) Прогнозирование (Следуют из её способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. Сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и (или) каких-то существующих в настоящий момент факторов. Возможно только тогда, когда предыдущие изменения действительно предопределяют будущие. 5) Аппроксимация(Нейронные сети могут аппроксимировать непрерывные функции. При правильном выборе структуры может достаточно точно аппроксимировать функционирование любого непрерывного автомата.) 6) Сжатие данных и Ассоциативная память. (Выражение данных больших размеров более компактно, если данные тесно взаимосвязаны друг с другом. Обратный процесс — восстановление исходного набора данных из части информации — называется ассоциативной памятью. Восстанавливает сигнал из поврежденных вх данных.)

18. Биологический прототип искусственных нейронных сетей.

Первой попыткой создания и исследования ИНС считается работа Дж. Маккалока (J. McCulloch) и У. Питтса (W. Pitts) «Логическое исчисление идей, относящихся к нервной деятельности» (1943 г.), в которой были сформулированы основные принципы построения искусственных нейронов и нейронных сетей, которые всё ещё актуальны. Элементы ИНС можно организовать в соответствии с анатомией мозга, демонстрируя такие свойства, как • обучение на основе опыта • обобщение предыдущей инф. на новые случаи • выявление существенных особенностей из входных данных с избытком инф. ЦНС имеет клеточное строение. Единица - нейрон. Отростки, по которым нейрон получает возбуждение, называются дендритами (по которым передает – аксонами). Аксон у каждого нейрона один. Место соединения аксона нейрона с дендритом - синапс. Основная функция нейрона состоит в передаче возбуждения из дендритов в аксон. Но сигналы, поступающие из разных дендритов влияют на сигнал в аксоне. Нейрон выдаст сигнал, если суммарное возбуждение превысит некоторое предельное значение, которое в общем случае меняется в некоторых границах (в противном случае нейрон не ответит на возбуждение). У этой схемы много осложнений и исключений, но тем не менее большинство НС моделируют именно эти простые свойства. Свойства нейрона • принимает участие в обмене веществ и рассеивает энергию. Меняет внутреннее состояние со временем, реагирует на входные сигналы, формирует выходные воздействия (является активной динамической системой); • имеет множество синапсов (контактов для передачи инф.). Подходы к созданию ИНС: Информационный подход: безразлично, какие механизмы лежат в основе работы ИНС, важно лишь, чтобы при решении задач инф. процессы в НС были подобны биологическим. Биологический: при моделировании важно полное биоподобие. Интенсивность сигнала, который получает нейрон (а следовательно и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет длину, специальные химические вещества передают сигнал вдоль него.

Например, будучи построенный из очень большого числа совсем простых элементов, мозг способен решать чрезвычайно сложные задачи.

19. Понятие и основные идеи коннекционизма

Коннекционизм — один из подходов в области искусственного интеллекта. Наиболее общие формы коннекционизма, используют нейросетевые модели. Попытка объяснить интеллектуальные способности человека, используя искусственные нейронные сети.

Главный принцип коннекционизма состоит в предположении, что ментальные явления могут быть описаны сетями из взаимосвязанных простых элементов. Форма связей и элементов может меняться в зависимости от модели. Например, элементы в сети могут представлять нейроны, а связи — синапсы. Другая модель может считать каждый элемент в сети словом, а каждую связь признаком семантического подобия и т. п.

Идеи коннекционизма:.

1.Однородность системы – сами элементы просты, всё определяется структурой связи м/у элементами.

2.Устойчивые и надёжные нейросистемы могут создаваться и из ненадёжных элементов, имеющих значительный разброс параметров.

3.Использование элементов, работающих на аналоговом сигнале

(«аналоговый ренессанс»).