- •Тема 1. Информационный процесс представления знаний.
- •1.1 Основные понятия дисциплины.
- •1.2 Классификация знаний.
- •I группа.
- •II группа.
- •III группа.
- •IV группа.
- •Тема 2.
- •2.1 Модели представления знаний в ис
- •2.2 Продукционная модель знаний.
- •Пример 2.1
- •2.3 Фреймы.
- •Пример 2.3.
- •2.4 Семантические сети
- •2.5 Формальные логические модели на основе исчисления предикатов
- •Пример 2.5
- •Пример 2.6
- •Пример 2.7
- •Пример 2.8
- •Тема 3. Язык Пролог.
- •3.1 Пролог с процедурной точки зрения.
- •Пример 3.1
- •Пример 3.2
- •Пример 3.3
- •3.2 Передача параметров и возврат значений в предикат.
- •Пример 3.4
- •Тема 4. Вычислительная модель Пролога.
- •4.1 Факты, запросы, переменные и правила.
- •4.1.1 Факты.
- •4.1.2 Запросы.
- •4.1.3 Переменные.
- •4.1.4 Правила.
- •Пример 4.1
- •Пример 4.2
- •4.2 Сравнение термов на равенство.
- •Тема 5. Дедуктивные системы. Логический вывод и логическое программирование.
- •5.1 Исчисления и дедуктивные системы.
- •5.2 Общая схема построения формальной системы.
- •5.3 Основные понятия логического программирования.
- •5.4 Простой абстрактный интерпретатор логических программ.
- •Пример 5.2
- •Пример 5.3
- •Тема 6. Экспертные системы (эс).
- •6.1 Понятие эс. Основные характеристики.
- •6.2 Области применения эс. Типы эс и подходы к их реализации.
- •6.3 Типы задач, решаемых эс.
- •6.4 Отличие эс от традиционных программ.
- •6.5 Типовая структура эс.
- •6.6 Инструментальные средства эс.
- •Тема 7. Технологии проектирования и разработки экспертных систем (эс).
- •1. Выбор проблемы.
- •2. Разработка прототипа эс.
- •3. Доработка коммерческой версии.
- •4. Оценка эс.
- •5. Стыковка системы.
- •6. Поддержка системы.
- •Тема 8. Вывод на знаниях.
- •8.1 Основные положения.
- •8.2 Стратегии управления выводом.
- •Пример 8.1
- •Тема 9. Представление нечетких знаний в ис.
- •Пример 9.1
- •Тема 10. Инженерия знаний.
- •10.1 Поле знаний.
- •10. 2 Стратегии получения знаний.
- •10.3 Теоретические аспекты извлечения знаний.
- •10.4 Структурирование знаний.
8.2 Стратегии управления выводом.
Стратегия вывода характеризует метод поиска решений, определяет порядок применения и срабатывания правил и, как следствие, эффективность поиска решений.
При разработке стратегии управления выводом важно ответить два вопроса:
1. Как получить начальное решение или выбрать начальные условия для поиска решения? От этого зависит метод осуществления поиска — в прямом или обратном направлении.
2. Какими методами можно повысить эффективность алгоритма поиска решения? Эти методы определяются выбранной стратегией перебора вариантов при поиске решения.
В данном случае могут быть применены следующие методы:
метод поиска в глубину (backtracking);
метод поиска в ширину;
сведение задачи к подзадачам;
эвристические методы и др.
Покажем на графе, как изменяется метод поиска в глубину/в ширину в зависимости от прямого/обратного вывода.
1) При обратном порядке вывода вначале выдвигается некоторая гипотеза, а затем машина вывода возвращается назад, переходя к фактам, пытаясь найти те, которые подтверждают гипотезу. Если она оказалась правильной, то выбирается следующая гипотеза, детализирующая первую и являющаяся по отношению к ней подцелью. Затем процесс повторяется. Обратный вывод применяется в тех случаях, когда цели известны и их сравнительно немного.
2) В системах с прямым выводом по известным фактам отыскивается заключение, которое из этих фактов следует.
Пример 8.1
Имеется фрагмент базы знаний из двух правил:
П1. Если «отдых — летом» и «человек — активный», то «ехать в горы».
П2. Если «любит солнце», то «отдых летом».
Предположим, в систему поступили факты:
1 - «человек активный»;
2 - «любит солнце».
I. Рассмотрим работу машины вывода при прямом выводе.
1-й проход.
Шаг 1. Последовательный просмотр БЗ: правило П1 не работает (не хватает данных «отдых — летом»).
Шаг 2. Правило П2 срабатывает, в базу поступает факт «отдых — летом».
2-й проход.
Шаг 3. Правило П1 срабатывает, активируется цель «ехать в горы», которая и выступает как совет, который дает ЭС.
II. Рассмотрим теперь алгоритм обратного вывода, требующий подтверждения выбранной гипотезы.
1-й проход.
Шаг 1. Гипотеза — «ехать в горы»: правило П1 не срабатывает, но факт «отдых — летом» становится новой целью, после чего ищется правило, где данная цель выступает в качестве условия.
Шаг 2. Цель «отдых — летом»: правило П2 срабатывает и подтверждает текущую цель, активируя ее.
2-й проход.
Шаг 3. Возвращение к П1, которое срабатывает, подтверждая выдвинутую гипотезу.
Работа машины вывода останавливается.
Тема 9. Представление нечетких знаний в ис.
Для количественного описания знаний предметной области использование традиционного математического аппарата (теория множеств, булева алгебра и др.) оказалось не вполне адекватным, т.к. многие объекты и понятия характеризуются такими отношениями, для которых трудно определить численную характеристику. Эти отношения обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию (например, «сильный», «красивый», «высокий», «кислый» т.п.).
Кроме того, при принятии решений некоторые высказывания не могут быть интерпретированы как полностью истинные или ложные. Существуют знания, достоверность которых выражается некоторой вероятностью.
Для решения таких проблем в начале 70-х американский математик Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики (fuzzy logic). Это направление получило широкое распространение в задачах искусственного интеллекта, распознавания образов, классификации реальных объектов.
Вычисления на основе нечеткой логики получили название мягкие вычисления (soft computing).
Одно из главных понятий в нечеткой логике — понятие лингвистической переменной.
Лингвистическая переменная (ЛП) — это переменная, значение которой определяется набором словесных характеристик некоторого свойства, образующих нечеткое множество (fuzzy set).
Например, ЛП «рост» задается множеством:
«рост» = {карликовый, низкий, средний, высокий, очень высокий}.
Нечеткое множество, характеризующее ЛП, определяется на некотором базовом наборе значений или базовой числовой шкале, имеющей размерность. При этом значение ЛП определяется как нечеткое множество.
Нечеткое множество в свою очередь определяется через некоторую базовую шкалу В и функцию принадлежности (x), хВ.
Допускается и такое математическое описание:
,
где хi - значение базовой шкалы.
Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству. Это отличает ее от вероятности.
Например, для двух экспертов определение нечеткого множества «Высокая» для ЛП «Цена ПК» в условных единицах может существенно отличаться в зависимости от социального и финансового положения.
1 эксперт = {50/1 + 25/0.8 + 10/0.6 + 5/0.4}
2 эксперт = (25/1 + 10/0.7 + 5/0.5}