Материал: 3130

не известна, механизм вывода пытается определить значения неизвестных переменных в посылке.

–Смешанным. Суть метода состоит в том, что вывод основной цели начинается обратным методом с определением текущих целей и попыткой их вывода из других правил, однако, при успешной активизации какого-либо правила механизм вывода начинает действовать особым образом. В случае активизации правила, одна или несколько переменных принимают определенные значения. Для этих переменных механизм вывода начинает прямой вывод во всех правилах, где они встречаются в посылке правила. В случае активизации правил появляются новые известные переменные. При невозможности активизации правила, механизм вывода не строит никаких временных подцелей и не возвращается к данному правилу повторно в данной операции. После попыток активизации всех выявленных правил, механизм вывода возвращается к обратному выводу до тех пор, пока не будет активизировано еще какое-либо правило, тогда снова включается прямая цепочка вывода, и так до тех пор, пока не будет достигнута цель консультации.

2)фреймовые

Основаны на представлении знаний в форме специальных иерархически связанных шаблонов – фреймов, состоящих из слотов.

3) основанные на семантических сетях Под семантической сетью подразумевают систему знаний некоторой

предметной области, имеющую определенный смысл в виде целостного образа сети, узлы которой соответствуют понятиям и объектам, а дуги (концепты) – отношениям между объектами.

4) основанные на нечеткой логике Нечеткая логика, выделившаяся из теории нечетких множеств – это раз-

новидность непрерывной логики, в которой логические формулы могут принимать истинностные значения между 1 и 0. Следовательно все логические выводы осуществляются тоже с какой-то степенью уверенности.

5)использующие вероятностные выводы

6)использующие немонотонные рассуждения.

г) Подсистема приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом. Приобретение знаний может осуществляться следующими способами:

21

1)Ввод знаний пользователем-инженером по знаниям (например, на специализированном внутреннем языке системы).

2)Ввод знаний пользователем-экспертом в текущей предметной области (на естественном языке в формализованном виде).

3)Автоматическое извлечение знаний из баз данных и других информационных систем (используются алгоритмы анализа данных).

д) Подсистема объяснений проводит трассировку вывода, формирует объяснение, содержащее комментарии и информацию о том, как система получила решение задачи, какие знания она при этом использовала. Это облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Подсистема организации консультаций предназначена для обеспечения эффективной и удобной работы пользователя с системой, как в ходе решения задач, так и в процессе приобретения знаний или объяснения результатов работы. Данная подсистема отвечает за формулирование, а также возможное пояснение вопросов и вариантов ответов на них, обеспечивает наглядное отображение текущих результатов консультации, сохранение и использование графов консультаций, возможность корректировки ответов (фактов из рабочей памяти) с автоматическим изменением результатов текущей консультации, а также несет ряд управляющих функций. Например, выбор режима работы (ввод знаний – консультация) или выбор способа логического вывода (прямой – обратный – смешанный).

ЛАБОРАТОРНАЯ РАБОТА №4: «Нечеткая логика» Цель работы:

1.Конструирование компонент модели экспертной системы.

2.В разработанной экспертной оболочке (Лабораторная работа №3) реализовать машину логического вывода, основанную на нечеткой логике.

Теоретическое введение.

Взадачах, которые решают интеллектуальные системы, иногда приходится применять ненадежные знания и факты, представить которые двумя значениями

— истина или ложь (1 или 0) — трудно. Существуют знания, достоверность которых, скажем, 0,7. Такую ненадежность в современной физике и технике представляют вероятностью, подчиняющейся законам Байеса, но в инженерии знаний было бы нелогично иметь дело со степенью надежности, приписанной знаниям изначально, как с байесовской вероятностью. Поэтому одним из первых был разрабо-

22

тан метод использования коэффициентов уверенности для системы MYCIN. Подробно об обстоятельствах появления этого метода и возникшей дискуссии рассказано в работе Б. Бухенена и Э. Шортлиффа. Этот метод не имеет теоретического подкрепления, но стал примером обработки ненадежных знаний, что оказало заметное влияние на последующие системы. Так, на фир-

ме SRI, США предложен метод выводов, названный субъективным бай-

Позже была введена теория вероятностей Демпстера-Шафера, которая имеет все признаки математической теории.

Связь между подзадачами, на которые разбита задача, оперирующая двумя понятиями — истина и ложь, может быть представлена через операции И и ИЛИ. В задачах с ненадежными исходными данными кроме И и ИЛИ важную роль играет комбинированная связь, которую будем обозначать как КОМБ. Такая связь независимо подкрепляет или опровергает цель на основании двух и более доказательств.

РАЗБИЕНИЕ ЗАДАЧ С НЕНАДЕЖНЫМИ ДАННЫМИ. Для решения сложных задач можно использовать метод разбиения их на несколько подзадач. Каждая подзадача в свою очередь разбивается на простые подзадачи, поэтому задача в целом описывается иерархически. Знания, которые по условиям подзадач определяют условия задач высшего уровня, накапливаются фрагментарно. В задачах с ненадежными данными знания могут не только иметь степень надежности, равную 1, но и промежуточные значения между истиной и ложью. Как отмечено выше, при разбиении на подзадачи возможно соединение И, ИЛИ и КОМБ (комбинированная связь). На рис.5.1 показано описание задачи в виде дерева И, ИЛИ, КОМБ.

На основании двух и более доказательств цели независимо подтверждаются или опровергаются, если связь комбинированная.

Знания будем описывать с помощью правил как в системе продукций (рис.5.2.): пусть X, Y — результаты доказательств; А — цель пли гипотеза; И, ИЛИ и КОМБ — виды связей; С1, С2, С31, С32 — это степени надежности, приписанные правилам.

23

также теория Демпстера — Шафера.

НЕЧЕТКАЯ ЛОГИКА, выделившаяся из теории нечетких множеств, — это разновидность непрерывной логики. В нечеткой логике достоверность представляется как истинностное значение между 1 и 0, и значения, приписанные правилам на Рис.5.2., это и есть истинностные значения. Пусть tx и ty — истинностные значения предпосылок X и Y некоторого правила, тогда истинностное значение tпредпосылки в случае связей И и ИЛИ на рис.5.2.А),Б) определяется следующим образом.

правилу, то истинностное значение tА, распределенное на вывод, определяется как

Определение минимума — это идея, свойственная нечеткой логике и отличающая ее от других методов.

24

ЛАБОРАТОРНАЯ РАБОТА №5: «Алгоритмы нейронных сетей» Цель работы:

1.Изучение компонент обучающихся информационных системы.

2.Создать программу, позволяющую распознавать графические изображения цифр, представленные в двоичном формате, с помощью алгоритма нейронной сети (63 входа, 18 нейронов на первом слое, 9 на втором).

Теоретическое введение.

Искусственный нейрон (Рис.6.1.) имитирует в первом приближении свойства биологического нейрона. Каждый вход умножается на соответствующий вес и все произведения суммируются, определяя уровень активации нейрона.

Рис.6.1. Ячейка нейрона, где S – взвешанная сумма входных параметров,

Xi – входные данные от i-ого входного элемента,

Wi – весовой коэффициент связи.

Выход нейрона является функцией его состояния Y = F(x).

Нелинейная функция F называется активационной и может иметь различный вид, что, в частности, показано на Рис.6.2.

Рис.6.2. Виды активационных функций:

а) единичного скачка; б) линейного порога; в) гиперболический тангенс; г) сигмоид.

25