Лекция: Методы представления знаний в экспертных системах
Наиболее общими методами представления знаний в ЭС являются: правила; семантические сети; фреймы. Возможно представление знаний в виде нечетких правил, а также в виде нейронных сетей.
Представление знаний в виде правил –является наиболее понятным и популярным методом представления знаний. Правила обеспечивают формальный способ представления рекомендаций, знаний или стратегий. Они чаще подходят в тех случаях, когда предметные знания возникают из эмпирических ассоциаций, накопленных за годы работы по решению задач в данной области. В ЭС, основанных на правилах, предметные знания представляются набором правил, которые проверяются на группе фактов и знаний о текущей ситуации (входной информации). Когда часть правила ЕСЛИ удовлетворяет фактам, то действия, указанные в части ТО, выполняется. Когда это происходит, то говорят, что правило срабатывает. Интерпретатор правил сопоставляет части правил ЕСЛИ с фактами и выполняет то правило, часть ЕСЛИ которого сходится с фактами, т.е. интерпретатор правил работает в цикле «сопоставить — выполнить». Процесс сопоставления с фактами частей ЕСЛИ порождает цепочку выводов. Эта цепочка выводов показывает, как система, используя правила, выводит заключение. Цепочки выводов ЭС могут быть предъявлены пользователю, что помогает понять, как система достигает свои заключения.
Правила, по сравнению с другими способами представления знания имеют следующие преимущества: модульность; единообразие структуры; естественность (вывод заключения в такой системе аналогичен процессу рассуждения эксперта); гибкость иерархии понятий, которая поддерживается только как связи между правилами.
Однако, такие системы не свободны от недостатков: процесс вывода менее эффективен, чем при других способах представления, так как большая часть времени затрачивается на непроизводительную проверку применимости правил; этот процесс трудно поддается управлению; сложно представить иерархию понятий.
При этом правила могут быть представлены в одном из двух видов:
1) Если в зависимости от возможных четких значений входных параметров делается вывод о значениях выходного параметра, то такая система называется системой L(1) – типа. Данная система представляется в виде:
, где m – число экспертных высказываний; Aj – четкое значение входного параметра; Bj – четкое значение выходного параметра или некоторое конкретное действие процесса проектирования.
2) В случаях, когда в зависимости от возможных значений выходной ситуации (Вj) экспертом делается предположение о возможной входной ситуации (Аj), система экспертных высказываний называется системой L(2) — типа и представляется в виде:
Представление знаний с использованием фреймов –является альтернативным по отношения к системам, основанным на правилах: оно дает возможность хранить иерархию понятий в базе знаний в явной форме.
Фреймом называется структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации и их значений.
Характеристики называются слотами, а значения — заполнителями слотов. Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одно или несколько правил, с помощью которых это значение можно найти.
В слот может входить не одно, а несколько значений. Иногда слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений.
Как уже отмечалось, помимо конкретного значения, в слоте могут храниться процедуры и правила, которые вызываются при необходимости вычисления этого значения.
Процедуры, располагающиеся в слоте, называются связанными процедурами. Чаще всего используются процедуры трех видов:
1. Процедура «если — добавлено» — выполняется, когда новая информация помещается в слот;
2. Процедура «если — удалено» — выполняется, когда информация удаляется из слота;
3. Процедура «если — нужно» — выполняется, когда запрашивается информация из слота, а он пустой.
Эти процедуры могут проверять, что при изменении значения производятся соответствующие действия.
Совокупность фреймов, моделирующая какую-нибудь предметную область, представляет собой ие-
рархическую структуру, в которую соединяются фреймы. На верхнем уровне иерархии находится
фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы
обладают способностью наследовать значения характеристик своих родителей, находящихся на более
высоком уровне иерархии. Значения характеристик фреймов могут передаваться по умолчанию фрей-
мам, находящимся ниже них в иерархии, но если последние содержат собственные значения данных ха-
рактеристик, то в качестве истинных данных принимаются именно они. Это обстоятельство позволяет
легко учитывать во фреймовых системах различного рода исключения.
Различают статические и динамические системы фреймов. В системах статических фреймы не мо-
гут быть изменены в процессе решения задачи, в динамических системах это допустимо.
Наиболее ярко достоинства фреймовых систем представления знаний проявляются в том случае,
если связи между объектами изменяются нечасто и предметная область насчитывает немного исключе-
ний. Значения слотов представляются в системе в единственном экземпляре, поскольку включается
только в один фрейм, описывающий наиболее общее понятие из всех тех, которые содержат слот с дан-
ным именем. Такое свойство систем фреймов дает возможность уменьшить объем памяти, необходи-
мый для их размещения в компьютере. Однако основное достоинство состоит не в экономии памяти, а в
представлении в базе знаний связей, существующих между понятиями предметной области.
Представление знаний с использованием семантических сетей -Термин «семантическая сеть» используется для описания метода представления знания, основанного на сетевой структуре. Этот метод является одним из наиболее эффективных методов хранения знаний. Семантические сети состоят из: узлов, соответствующих объектам, понятиям и событиям; дуг, связывающих узлы и описывающих отношения между ними.
Иными словами, семантическая сеть отображает совокупность объектов предметной области и отношений между ними. При этом, объектам соответствуют вершины сети, а отношениям — соединяющие их дуги.
В семантическую сеть включаются только те объекты предметной области, которые необходимы для решения прикладных задач. В качестве объектов могут выступать события, действия, обобщенные понятия или свойства объектов.
Вершины сети соединяются дугой, если соответствующие объекты предметной области находятся в каком-либо отношении. Наиболее распространенными являются следующие типы отношений: «является» — означает, что объект входит в состав данного класса; «имеет» — позволяет задавать свойства объектов.
Возможны также отношения вида: «является следствием» — отражает причинно-следственные связи; «имеет значение» — задает значение свойств объектов.
Основной недостаток такого способа представления знаний — сложность обработки исключений.
Представление знаний в виде нечетких высказываний –Методы построения математических моделей часто основаны хотя и не неточной, но в целом объективной информации об объекте. Однако возможны ситуации, когда при построении моделей решающее значение имеют сведения, полученные от эксперта, обычно качественного характера. Они отражают содержательные особенности изучаемого объекта и формулируются на естественном языке. Описание объекта в таком случае носит нечеткий характер.
Нейронные сети –Моделирование сложных систем требует большого числа знаний об объекте, в том числе экспериментальных и экспертных. Для их обработки в последнее время широко используются нейронные сети.
В основе теории нейронных сетей лежит желание воспроизвести функции мозга при решении конкретной задачи. Однако создающиеся системы не полностью воспроизводят функции мозга, а, скорее,
представляют математическую модель, воспроизводящую отдельные возможности человеческого мозга, по аналогии с которым искусственные нейтронные сети характеризуются следующими свойствами [8]:
– обучение (т.е. изменение поведения в зависимости от окружающей среды).
– обобщение (реакция сети после обучения будет, до известной степени, нечувствительна к малым
изменениям входящих сигналов).
– абстрагирование (способность выявления различий во входных сигналах).