Реферат: Преимущества эс. Задачи эс

СОДЕРЖАНИЕ


Введение




Основные области исследований по искусственному интеллекту




Преимущества ЭС. Задачи ЭС.




Структура экспертных систем.




Состав знаний экспертной системы




Семантические сети




Фрейм




Управление выводом во фреймовых системах




Системы продукций




Управление выводом в продукционной системе




Этапы разработки ЭС




Инструментальные средства построения ЭС




Способы представления знаний и методы разработки




Примеры инструментальных средств ЭС




Этапы развития инструментальных средств




Классификация методов извлечения знаний




Аспекты получения знаний




Заключение






Введение


Экспертные системы – это первый «продукт» нового научного направления – искусственный интеллект. Сам термин «интеллектуальная система», казавшийся до этого весьма абстрактным, обрёл своё практическое значение.

В практических интеллектуальных системах наибольшее внимание специалистов привлекают два блока : база знаний и решатель задач. Имеется единодушное мнение, что качество работы экспертной системы в значительной мере определяется тем, как устроены эти блоки и насколько удачно организовано взаимодействие между ними. Специалисты по разработке экспертных систем встречаются с трудностями по представлению знаний в виде формальных моделей, отражающих связи между ними.

Выбор модели представления знаний связан с видом зависимостей знаний с описанием тех или иных процессов во времени, прогнозом этих процессов.

Другой проблемой в построении экспертных систем является выбор инструментального средства и его реализация. Идея «пустых» экспертных систем просуществовала недолго . Это связано с встроенной стратегией в решатели задач, которая оказалась неэффективной при переходе от одной предметной области к другой.

Эти трудности породили другой тип инструментальных средств – оболочки (или шеллы), в которых способы представления знаний и способы рассуждений варьируются в определенных пределах. Именно такие системы являются наиболее популярными.

Третьей и наиболее сложной проблемой остается извлечение знаний от экспертов. Этот процесс до сих пор остается неформализуемым, так как во многом определяется человеческим фактором. Поэтому рассматриваемые аспекты приобретения знаний (психологический, лингвистический, гносеологический) имеют важное значение при построении экспертной системы.

Знание и решение этих проблем для специалистов в области информационных технологий должны стать основой для построения экспертных систем второго поколения, производство которых характерно для двадцать первого века.


^ ОСНОВНЫЕ ПОНЯТИЯ ЭКСПЕРТНЫХ СИСТЕМ, ИХ НАЗНАЧЕНИЕ И ХАРАКТЕРИСТИКИ.


Лекция 1


ОСНОВНЫЕ ОБЛАСТИ ИССЛЕДОВАНИЙ ПО ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ.


План лекции:

1.Этап исследований в области ИИ.

2.Суть 2 этапа исследования ИИ.

3.Задачи 3 этапа исследования ИИ.

4.Интеллектуализация ЭВМ.


Ключевые слова:

Исчисление высказываний, искусственный интеллект, эвристические методы, формальные представления, математическая логика, искусственные среды, интегральные роботы, человеко-машинные системы, интеллектуализация ЭВМ, Экспертные системы.


Начало исследований в области искусственного интеллекта (ИИ) (конец 50-х годов) связывают с работами Ньюэла, Саймона, Шоу, исследовавших процессы решения различных задач. В результате появились такие программы как ЛОГИК-ТЕОРЕТИК, “Общий решатель задач”, предназначенных для доказательства теорем исчисления высказываний.

При описании программ Ньюэл и Саймон писали, что их программы моделируют человеческое мышление. Эти работы положили начало первому этапу исследований в области искусственного интеллекта, связанному с разработкой программ, решающих задачи на основе разнообразных эвристических методов. Трактовка эвристических методов как сугубо человеческой деятельности обусловила термин ИИ.

В начале 60-х годов появилось течение противоположное работам Ньюэла и Саймона, направленных на формальные математические представления на основе математической логики и символики. К ним относились Минский, Мак-Карти, Рафаэль, Бобров, Бенерджи и др. (Массачусетский технологический институт и Стенфордский университет). Основное внимание в исследованиях по ИИ переместилось на разработку машинно-ориентированных методов решения задач. Термин “ИИ” претерпел изменения. Под “Искусственным интеллектом” стали понимать программы, способные решать человеческие задачи, а не программы моделирующие способы мышления человека. Функциональный подход сохранился и до настоящего времени. Исследовательскими полигонами стали всевозможные игры, головоломки, математические задачи. Некоторые из них стали классическими (задача о Ханойских башнях, игра в 15 и др.). Выбор таких задач был связан с простотой и ясностью проблемной среды, возможностью подбора метода. Эти среды породили для моделирования более сложных процессов решения с небольшими затратами человеческих и машинных ресурсов.

В начале 70-х годов стали делаться попытки применения разработанных методов не в искусственных средах, а в реальной проблемной среде. Однако эти исследования натолкнулись на трудности, связанные с описанием внешнего мира (описание знаний, хранение, поиск, обновление).

Исследования переключились на конкретную предметную область - создание интегральных роботов. Исследовался и реализовывался необходимый спектор “Интеллектуальных решений” (восприятие внешнего мира, целенаправленное поведение, общение с человеком, обучение и т.д.).Модель проблемной среды – это совокупность сведений, необходимых и достаточных для решения данного класса задач. В систему знаний робота закладывались алгоритмы, позволяющие производить мысленные преобразования среды, строить планы очередной задачи, выполнять данный план, оценивать ожидаемые и полученные результаты. Работы по созданию интегральных роботов знаменуют второй этап исследований по ИИ. Проведение экспериментов с роботами показало необходимость решения вопросов по представлению знаний о среде; проблем, связанных со зрительным восприятием, с общением с роботами на естественном языке.

В середине 70-х годов начался 3-й этап исследований по ИИ. Его характерной чертой явилось смещение центра внимания с автономно-функционирующих систем (роботов) на человеко-машинные системы, позволяющие объединить в единое целое интеллект человека и способности ЭВМ для достижения общей цели – решение задачи, поставленной перед системой.

Такое смещение объяснялось двумя причинами:

Алгоритмы задач в искусственной среде не подходят к задачам в реальных условиях.

Возможности человека можно значительно расширить с помощью вычислительных машин.

Развитие исследований в этом направлении обусловилось также резким ростом средств вычислительной техники (ВТ).

Все это привело к тому, что в настоящее время термин «искусственный интеллект» подразумевает развитие возможностей ЭВМ в направлении обеспечения совместно с пользователем решение задач из любого класса человеческой деятельности.

Научные исследования 70-80 годов направлены на совершенствование средств общения человека с ЭВМ. В традиционной технологии пользователь при общении с машиной должен знать алгоритмические языки, или использовать различные диалоговые системы с «меню». Эти системы получили широкое распространение, но они имеют недостаток – сопровождение программы для каждого конечного пользователя. Т.е. пользователь только пользуется результатами программы, сам же не участвует в её решении. Программист занимается разработкой программного обеспечения и вынужден заниматься сопровождением для пользователя. Новая информационная технология призвана обеспечить решение проблемы взаимодействия пользователя с ЭВМ, т.е. дать возможность пользователю видеть программное обеспечение (ПО), выделить объект и связи, и с помощью ЭВМ решить нужную ему задачу. Эта проблема получила название – обеспечение интеллектуального интерфейса или интеллектуализация ЭВМ.

Интеллектуальный интерфейс – это система программных и аппаратных средств, позволяющих пользователю-непрограммисту использовать ЭВМ для решения задач.

Интеллектуализация ЭВМ – это выполнение машинных функций, которые до последнего времени считались прерогативой человека, т.е. функции анализа, планирования, контроля и т.д. Для обеспечения этих функций необходимо организовать работу со знанием их представления, хранения, преобразования.
^ Интеллектуальный интерфейс должен выполнять три группы функций: Обеспечение для пользователя возможности постановки задачи для ЭВМ путем сообщения только условий, не задавая программы решения. Обеспечение для пользователя возможности самостоятельного формирования операционной среды решения с использованием понятий из предметной области пользователя и на естественном языке, и проведение диалога на естественном языке. ^ Возможность изменения, по желанию пользователя, структуры диалога, обмен произвольными сообщениями, наличие подсказок в процессе решения задачи. Эти идеи новой технологии обработки информации приводят к изменению в подходах к процессу. При традиционном подходе процесс – это выполнение программы – изменение состояний переменных. При новой технологии процесс обработки информации определяется как получение требуемых данных, что выступает как единственная цель процесса обработки. Это свойство, по существу, характеризует ЭС – класс систем искусственного интеллекта, в составе которых обязательно наличие базы знаний и некоторой схемы распределения. ^ В состав ЭС обязательно входят следующие компоненты: Совокупность средств, выполняющих программы (исполнительная система). Совокупность средств интеллектуального интерфейса (система общения, решатель). База знаний. Занимает центральное положение. Знания, содержащиеся в БЗ, независимо от обрабатывающих программ образуют целостную систему. БЗ для вычислительных систем целесообразно строить как двухуровневую структуру: концептуальную базу знаний (верхний уровень) и базу данных (нижний уровень). Для представления знаний на каждом уровне БЗ существуют языки представления знаний – ЯПЗ. В отличие от других систем искусственного интеллекта ЭС содержит систему приобретения знаний и систему пояснения решений и предназначена для узкой области применения.

Контрольные вопросы:

Суть первого этапа исследований в области ИИ.

Что составляет основу второго этапа исследований в области ИИ.

Что являлось объектов исследований третьего этапа развития ИИ.

Что обозначает термин «интеллектуализация ЭВМ»

Компоненты ЭС

Отличие от других дисциплин ИИ.



Лекция 2. ПРЕИМУЩЕСТВА ЭС. ЗАДАЧИ ЭС.


План лекции:

1.Сравнение человеческой и искусственной компетектности

2.Характеристики ЭС

3.Задачи,решаемые ЭС


Ключевые слова:

Искусственная омпетентность,обучение,документирования,устойчивость,умелостьробастность,символьные рассуждения,глубина рассуждений,интерпретация,прогноз,планирование,управление,диагностика,мониторинг.


Существуют веские доводы в пользу применения искусственной компетентности.

Таблица 2.

Человеческая компетентность

Искусственная

компетентность.

1. Непрочная

Постоянная

2. Трудно передаваемая

Легко передаваемая

3. Трудно документированная

Легко документированная

4. Непредсказуемая

Устойчивая

5. Дорогая

Приемлемая по затратам




Первым достоинством ЭС является постоянство профессионального уровня. У эксперта же любой значительный перерыв в деятельности серьезно отражается на профессиональном уровне.

Передача знаний от одного человека к другому – дорогостоящий процесс, называемый обучением. Передача же искусственной экспертизы – это простое копирование содержимого знаний.

Человеческая компетентность документируется с трудом и занимает слишком много времени. Документировать же искусственную компетентность не трудно, так как существует прямое отображение представления искусственной компетентности на представление на естественном языке.

В различных ситуациях эксперт может принимать неодинаковые решения (это связано с эмоциональными качествами человека). Человек может в экстремальной ситуации забыть нужную формулу или правило, ЭС не в каких ситуациях не подведет.

Эксперты, особенно высококвалифицированные, очень ценятся, следовательно, обходятся дорого. Разработка ЭС обходится дорого, а эксплуатация – дешево.




ЭС достигать экспертного уровня решения


Должна быть умелой

обладать

компетентностью иметь адекватную робастность


представлять данные в

символьном виде

символьными рассуждениями

переформулировать

символьные знания


работать в ПО, содержащей

трудные задачи

глубиной использовать сложные правила

исследовать свои действия

самосознанием объяснять свои действия.


Рис.1. Основные характеристики ЭС.


Компетентность – достижение в конкретной предметной области того же уровня профессионализма, что и у экспертов-людей.

Умелость – применять знания для получения решений эффективно и быстро, используя различные приёмы.

Робастность – подразумевает не только глубину, но и ширину охвата предмета.


Экспертная система должна иметь следующие характеристики:

Компетентность, ЭС должна демонстрировать такой же уровень профессионализма в конкретной предметной области, что и эксперты-люди. Она должна быть умелой, т.е. применять знания для получения решений эффективно и быстро. Для того, чтобы по-настоящему подражать поведению эксперта-человека, ЭС должна быть робастной. Это подразумевает не только глубокое, но и широкое понимание предмета (т.е. при некорректных или неполных знаниях уметь рассуждать, используя общие знания и методы нахождения решений).

Символьные рассуждения. Эксперты решают задачи, используют эвристики с помощью символов и составляющих из них понятий. Знания в основном содержат символьную информацию, соответствующую содержанию некоторого понятия реального мира. Кроме того, ЭС должна уметь манипулировать этими понятиями в произвольной форме, для того чтобы получить самое рациональное решение.

Глубина. ЭС должна иметь глубокие знания в узкоспециализированной предметной области, содержащей трудные задачи. Поэтому правила должны быть сложными. Рекомендации, методы представления знаний, организация знаний, необходимых для нахождения решений часто связаны с объёмом и сложностью пространства поиска. Пространство – это много промежуточных и окончательных решений задачи.

Самосознание. ЭС имеют знания, позволяющие им рассуждать о своих действиях, и структуру, упрощающую эти рассуждения. Например, если ЭС основана на правилах, то ей легко рассмотреть цепочки выводов, которые она порождает, чтобы прийти к решению задачи. Если заданы ещё и специальные правила, указывающие, что можно сделать с этими цепочками, то можно использовать эти знания для проверки точности, устойчивости решений задачи. Эти знания системы о том, как она рассуждает, называются метазнаниями, т.е. знаниями о знаниях. У большинства ЭС существует так называемый механизм объяснения. Большинство объяснений включает демонстрацию цепочек выводов, объясняющих, на каком основании было применено каждое правило в цепочке. Это нужно для того, чтобы:

Пользователи больше доверяли результатам.

Ускорить развитие системы.

Предположения становились явными, а не подразумеваемыми.

Легче предсказать и выявить влияние изменений.


ЭС решают следующие задачи:

Интерпретация – построение описаний ситуаций по наблюдаемым данным. Применение: распознавание и понимание речи, анализ изображений, определение химической структуры вещества.

Прогноз – вывод вероятных следствий из заданной ситуации. Прогноз погоды, дорожно-транспортных происшествий, будущего урожая, военной обстановки.

Диагностика – заключение о нарушениях в системе исходя из наблюдений.

Проектирование – построение конфигурации системы при ограничениях.

Планирование – проектирование плана действий.

Мониторинг – сравнение наблюдений с критическими точками плана.

Отладка – выработка рекомендаций по устранению неисправностей.

Ремонт – выполнение плана применения выработанной рекомендации.

Обучение – диагностика, отлаживание и исправление поведения ученика.

Управление – интерпретация, прогноз, ремонт и мониторинг поведения системы.

Примерами решения вышеприведенных задач могут быть:

Диагностика – в медицине, электронных схемах, в системах ПО.

Проектирование – синтез и компоновка электронных схем, проектировка зданий, составление бюджета и т.д.

Планирование – относится к объектам, способным выполнять некоторые функции.

Мониторинг – (предупредительные системы) важны для успешного планирования. Выявление опасных мест плана.

Система отладки – дает рекомендации относительно ликвидации плохого функционирования системы.

Ремонт – системы строят и выполняют планы исправления некоторых обнаруженных дефектов. Встречаются в машинной промышленности, эксплуатации инженерных сетей, авиации, работе компьютеров.

Обучение – АОС – описывают знания обучаемых и планируют акт общения с обучаемыми с целью передачи им необходимых сведений.

Управляющие системы – управление воздушным транспортом, ж/д, телефонной связью, боем, деловой активностью. Обеспечивает адаптивное управление всей системой.



Контрольные вопросы:

В чем преимущество ИС?

В чем проявляется «умелость» ЭС?

Что такое робастность?

Что понимается под «самосознанием ЭС?

В каких областях решаются задачи мониторинга?

Какие самые сложные типы задач?



Лекция 3. СТРУКТУРА ЭКСПЕРТНЫХ СИСТЕМ.


План лекции:

1.Структура ЭС

2.База Знаний

3.Машина логического вывода

4.Подсистема обьяснения

5.Подсистема приобретения знаний


Ключевые слова:

База знаний, Машина логического вывода, подсистема обьяснений, редактор базы знаний, модуль приобретения знаний


Основоположниками ЭС стали Фейгенбаум, С. Осуга, Р. Форсайт. Экспертная система представляет собой неразрывную связь из ее частей:

База знаний – БЗ;

Машина логического вывода – МЛВ;

Подсистема объяснений – ПСО;

Редактор базы знаний;

Модуль приобретения знаний.

Одной из сложнейших задач построения ЭС является построение базы знаний системы и ее заполнение. Эти два этапа взаимонаправленны, возможно возвращение со второго этапа на первый, в связи с тем, что полученные знания от эксперта не укладываются в рамки первоначальной БЗ.

Машина логического вывода. Ее цель- согласованная обработка данных с объектами внешней среды. При этом используется БЗ для получения конечного результата. Под внешней средой понимается техническая система, информацию о которой ЭС получает через датчики или операторы. В итоге выдвигаются и проверяются гипотезы, вырабатываются новые данные, формируются запросы на ввод новых данных, формируются решения, носящие рекомендательный или управляющий характер.

ПСО служит в ЭС для объяснения пользователю логических действий системы, т.е. для обеспечения «прозрачности» ЭС. Этот блок имеет особое значение в процессе освоения ЭС пользователем, для обучающих и консультирующих ЭС. ПСО обеспечивает в любой момент времени:

полную выдачу данных о текущем состоянии системы;

по запросу пользователя сообщать результаты ранее выполненных действий.

Редактор базы знаний – РБЗ. Предназначен для помощи инженеру по знаниям при заполнении БЗ в процессе работы с экспертами. БЗ – это файловая система, и РБЗ представляет транслятор с некоторого подмножества естественного языка, используемого инженером по знаниям, в специальный код, ориентированный на МЛВ.

Редактор БЗ должен:

быть удобным для инженера по знаниям;

реализовывать любую структуру знаний, предусмотренную составом БЗ;

позволять корректировать элементы БЗ без изменения структуры;

обеспечивать «дружественный интерфейс» с инженером по знаниям.






Рис.2. Структура идеальной ЭС.


Модуль приобретения знаний служит для процесса извлечения знаний об узко специализированной предметной области. Эти знания носят эмпирический характер и приобретаются экспертом, работающим долго в данной области. Это узкое место при проектировании ЭС.


Контрольные вопросы к главе 1

1.В чем отличие ЭС от других программных продуктов?

2.Какие типы знаний содержатся в базе знаний?

3.Каковы особенности ЭС второго поколения?

4.Назовите основные типы задач, решаемых ЭС.

5.Основные достоинства ЭС.

6.Какая характеристика соответствует умелости ЭС?

7.Что понимается под термином «самосознание» ЭС?

8.Какие основные функциональные части ЭС?


Контрольные вопросы:

Какие знания хранятся в БЗ?

В какой подсистеме ЭС формируется решение?

Какая подсистема ЭС обеспечивает «прозрачность»?

Функция редактора БЗ.

В какой части ЭС организуется диалог с пользователем?

Кто использует модуль приобретения знаний?



^ БАЗЫ ЗНАНИЙ


Лекция 4. СОСТАВ ЗНАНИЙ ЭКСПЕРТНОЙ СИСТЕМЫ.


План лекции:

1.Интерпретируемые знания

2.Неинтерпритеризированные знания

3.Методы представления знаний

4.Модели представления знаний


Ключевые слова:

Интерпретируемые знания, знания о представлениях, предметные знания ,операционные знания, управляющие знания ,вспомогательные знания, поддерживающие знания, декларетивные методы представления знаний ,логические методы, процедурные методы ,концептуальные знания, фактуальные знания, семантическая модель, фреймовая модель, продукционная модель.


С точки зрения архитектуры экспертной системы знания в базе знаний имеют следующую структуру.


Рис.3. Структура знаний.


Интерпретируемые знания – это знания, которые использует интерпретатор–решатель.

Неинтерпретируемые знания – все остальные знания, которые решателю неизвестны. Одни хранят информацию о лексике и грамматике языка общения, о структуре диалога (вспомогательные), другие используются для создания системы и при выполнении объяснений (поддерживающие). Поддерживающие знания делятся на технологические, которые содержат сведения о времени создания знаний, авторе создания и т. д., и семантические, которые содержат описание этих знаний, причины ввода знаний, назначение, смысл использования знаний. Поддерживающие знания имеют описательный характер.

Интерпретируемые знания можно разделить на предметные, управляющие и знания о представлениях.

^ Знания о представлениях содержат информацию о том, каким образом, в каких структурах в системе представлены интерпретируемые знания.

Предметные знания содержат данные о предметной области, способах преобразования этих данных при решении поставленных задач. В предметных знаниях можно выделить описатели и собственно знания.

Описатели содержат информацию о предметных знаниях: коэффициент определенности правил и данных, меры важности и сложности.

^ Собственно знания – разбивают на факты и операционные знания. Факты определяют возможные знания сущностей и характеристик предметной области. Операционные содержат информацию о том, как можно изменять описание предметной области в ходе решения задач, т. е. задают процедуры обработки.

^ Управляющие знания разделяются на фокусирующие и решающие.

Фокусирующие описывают, какие знания следует использовать в той или иной ситуации (содержат сведения о гипотезах и о знаниях, которые нужно использовать из базы знаний).

^ Решающие знания содержат информацию, используемую для выбора способа интерпретации знаний, выбора стратегий или эвристик для решения данной задачи.

Управляющие и представляющие знания являются метазнаниями по отношению к предметным знаниям.


^ .СТРУКТУРА ЗНАНИЙ И МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.


В основу систем искусственного интеллекта положены знания. Знания, относящиеся к любой специальности, существуют в двух видах: общедоступные и индивидуальные. Общедоступные – это факты из теории и справочников ПО. Индивидуальные, личные знания состоят из эмпирических правил, которые называют эвристиками. Эвристики помогают выдвигать разумные предположения, эффективно работать при неполных данных. Эти эвристические знания приобретают особую роль в системах ИИ по нескольким причинам:

для большинства трудных проблемных задач нет четких алгоритмических решений, то есть задачи неформализуемые или слабоформализуемые;

люди-специалисты достигают высоких результатов благодаря своим познаниям. И если машинные программы будут аккумулировать эти знания, а не формальные методы рассуждений, то они достигнут высокого уровня работы;

знания необходимо воспроизводить, уточнять, пополнять – это богатство общества. Традиционные способы передачи знаний новичкам связаны с длительным временем. Извлечение знаний у специалистов и придание им формы, позволяющей использовать в ЭВМ, существенно убыстряет сроки обучения и удешевляет их применение.

Системы ИИ отличаются от систем обработки данных тем, что задачи, как правило, неформализованы (неоднозначные, неполные данные, большая размерность, динамически меняющиеся данные и т. д.), и в них используется символьный вывод и эвристический поиск решения, а не готовое решение.


^ . МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.


Под термином «знания» понимается вся совокупность информации, необходимой для решения задачи в конкретной предметной области, включающей информацию:

о системе понятий ПО, в которой решается задача;

о системе понятий формальных моделей, на основе которых решается задача;

о связи понятий 1 и 2 пункта;

о текущем состоянии предметной области;

о методах решения задач.

При этом система знаний должна быть организована в ЭВМ таким образом, чтобы обеспечить взаимодействие вычислительной системы с пользователем в системе понятий и терминов предметной области. Чтобы быть реализованным на ЭВМ метод представления знаний должен быть формальным, то есть описываться конечным набором четких правил. В конкретной предметной области можно построить формальный метод, позволяющий представить все необходимые знания.

Представление знаний – это выражение на некотором формальном языке – ЯПЗ – язык представления знания – свойств объектов и закономерностей для задачи.

Традиционно выделяют 2 группы методов представления знаний: декларативные и процедурные.

В декларативных методах – знания – это данные, так или иначе структурированные. Средства представления не зависят от конкретной системы и определяются только синтаксисом и семантикой ЯПЗ.

В процедурных методах – знания – это также структуры данных, но с элементами структур ассоциируются специализированные выполнимые процедуры. Опыт применения процедурных методов показал, что этого метода недостаточно для построения больших баз данных. Но элементы процедурного подхода успешно используются в декларативных методах.


В базе знаний независимо от используемых методов представления знаний можно выделить две части:

концептуальная (интенсиональная);

фактуальная (экспансиональная).

Концептуальная содержит обобщенное описание ПО и метазнания. Концептуальное описание имеет целью представить структуру, свойства и поведение классов объектов ПО. Кроме общих описаний в БЗ имеется информация о свойствах конкретных объектов ПО. Эта информация образует фактуальную часть БЗ. Выделение концептуальной и фактуальной частей БЗ как непересекающихся компонент не совсем точно. Их связь зависти от конкретной задачи. Отдельным элементам интенсионального описания можно поставить в соответствие множеств экстенсиональных описаний.

Выделение этих двух компонент связано с проблемой физической организации БЗ. Размер фактуальной части >> больше размера концептуальной части.


^ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.


Модели представления знаний можно разбить на 2 типа: логические и эвристические.

В основе логических моделей представления знаний лежат понятия формальной системы (теории), задаваемой четверкой:
S = (1)
B – алфавит теории S, последовательности из символов составляют выражения теории S;

F – подмножество выражений, называемых формулами;

А – выделенное множество формул, называемых аксиомами, то есть априорно истинных формул;

R – конечное множество отношений между формулами, называемое правилами.

Наиболее распространенной формальной логической системой является исчисление предикатов – использование математической символики: знаков кванторов {, }, знаков пунктуации { ( , ) . }, связок { , , ,  } и т. д. С их помощью можно строить различные выражения – формулы.

Например: «Михаил дал книгу Владимиру».

На языке предикатов можно записать: Источник (х, Михаил) адресат (х, Владимир) объект (х, книга) или ДАТЬ (Михаил, Владимиру, книгу).

Основным достоинством использования исчисления предикатов является единообразие форм представления. Однако при доказательстве эвристик этим методом воспользоваться нельзя. Недостатком также является их монотонность, отсутствие средств для структурирования используемых элементов, недопустимость противоречий.

В отличие от логических моделей эвристические модели имеют разнообразный набор средств, передающих специфику проблемной области. Именно поэтому эвристические модели превосходят логические и по адекватности представления и по эффективности использования правил. К эвристическим относятся сетевые, фреймовые и продукционные модели. Рассмотрим способы представления знаний в этих моделях.

^ Семантическая сеть – это ориентированный граф, вершины которого соответствуют объектам, а дуги описывают отношения между вершинами.


Рис.4. Фрагмент семантической сети.


^ Фреймовые модели – представляют собой поименованную таблицу с некоторым количеством слотов–ячеек, имеющих свои имена и в процессе получающих некоторые значения. В качестве значения могут быть константы, ссылки на фреймы более высокого или более низкого уровня, а также некоторые вычислительные процедуры, например:

Фрейм

Имя–плащ

слоты

значения

входит в класс

верхняя одежда

принадлежит

Иванов

состояние

новый

воротник

стойка

рукава

реглан

размер

f (R, V, O, X)

f (R, V, O, X) – это вычислительные процедуры, вычисляющие размер Х по росту R, весу V, объему груди О.

^ Продукционные модели.

Представление знаний с помощью правил продукции – самая распространенная форма реализации БЗ. С помощью продукции можно описать практически любую систему знаний.

Правила продукций представлены в виде импликации:

pi : si  di ,

где pi - правило продукции,

si - условие применения правила,

di - результат применения правила.

Например: Если пациент болен гриппом И

стадия заболевания начальная, ТО

температура высокая с вероятностью 0.95, И

головная боль с вероятностью 0.85.

ТО – заключение,

В настоящее время наиболее используемыми являются фрейм-структуры и продукционные системы. Фрейм-структуры используются в предметной области с четко выраженной иерархической структурой, например в системах автоматизации проектирования (САПР).


Контрольные вопросы:

Какие знания являются метазнаниями в ЭС?

Цель управляющих знаний.

В каких знаниях содержатся сведения о разработчиках ЭС?

Какие знания поддерживают пользовательский интерфейс?

Какие знания содержат понятия предметной области?

Какие методы представления знаний используются в ЭС?



Лекция 5 СЕМАНТИЧЕСКИЕ СЕТИ.


План лекции:

1.Представление семантической модели

2.Поиск в семантических сетях

3.Примеры семантических сетей

4.Раздновидности семантических сетей


Ключевые слова:

Семантическая модель, процедурные сети, интерпритация сети, классифицирующие сети,сценарий.


Семантическая сеть – это один из способов представления знаний. Изначально семантическая сеть была задумана как модель представления долговременной памяти в психологии, но впоследствии стала одним из способов представления знаний в ЭС.

Семантика – означает общие отношения между символами и объектами из этих символов.

Простейший образец семантической сети представлен на рис. 5.

Вершины – это объекты, дуги – это отношения. Семантическая модель не раскрывает сама по себе каким образом осуществляется представление знаний. Поэтому семантическая сеть рассматривается как метод представления знаний и структурирования знаний. При расширении семантической сети в ней возникают другие отношения:

IS –A (принадлежит) и PART OF (является частью) отношение:

целое  часть.

Ласточка IS – A птица, «нос» PART OF «тело».





Рис.5. Фрагмент семантической сети Куллиана.


Могут быть и другие отношения: владеет. Тогда семантическая сеть расширяется иерархически (вершина имеет две ветви). Кроме того, можно расширить сеть и другим отношением:

период  «весна – лето».


Получается иерархическая структура понятия ЮКО (рис. 7). Ее можно разбить на подсхемы. Большой проблемой для семантических сетей является то, что результат вывода не гарантирует достоверности, так как вывод есть просто наследование свойств ветви is-a.

Для отображения иерархических отношений между объектами и введения единой семантики в семантические сети было предложено использовать процедурные сети. Сеть строится на основе класса (понятия); вершины, дуги и процедуры представлены как объекты.

Процедурами определяются следующие основные действия над дугами:

установление связи;

аннулирование связи;

подсчет числа вершин, соединенных дугой;

проверка наличия или отсутствия связи.






Рис.6. Решение в семантической сети.


Существуют и другие процедуры, такие как:

определение экземпляра класса;

проверка принадлежности экземпляра к классу и т. д.

Благодаря этим процедурам семантическими сетями можно представлять знания.

Особенностью семантических сетей является целостность системы, не позволяющей разделить базу знаний и механизм выводов.

Обычно интерпретация семантических сетей определяется с помощью процедур. Эти процедуры основаны на нескольких способах, но наиболее типичный – способ сопоставления частей сетевой структуры - основан на построении подсети, соответствующей вопросу, и сопоставления ее с базой данных сети.

Например, вопрос: Чем владеет ласточка по имени ЮКО?

Получается подсеть по вопросу. Сначала отыскивается вершина ВЛАДЕТЬ, от нее ветвь ВЛАДЕЛЕЦ и далее к вершине ЮКО, а затем следует соединение с вершиной, которая показывает ветвь «собственность».





Рис.7.Реализация вывода в сети.


Примером реализации