Файл: Методыискусственногоинтеллекта.pdf

4.6. Примеры интеллектуальных динамических систем
187 7. ЕСЛИ (цель «зависание» = «достигнута») или ((∆t з
6 0) и (угол между линией визирования и прямой стыковки ∠(AL, [OC].O
x
) >
> ε
d
))
ТО цель «облет» = «активна»;
8. ЕСЛИ (угол между линией визирования и прямой стыковки
∠
(AL, [OC].O
x
) 6 ε
d
)) и (∠([KA].O
x
, [OC].O
x
) > 180 − ε
d
)
ТО цель «облет» = «достигнута»;
9. ЕСЛИ (∠(AL, [OC].O
x
) 6 ε
d
)) и (∠([KA].O
x
, [OC].O
x
) > 180 −
− ε
d
) и (∆t прич
>
0) ТО цель «причаливание» = «активна»;
10. ЕСЛИ (D 6 Lk min
) и (∠(AL, [OC].O
x
) 6 ε
d
))
и (∠([KA].O
x
, [OC].O
x
) > 180 − ε
d
)
ТО цель «причаливание» = «достигнута»;
11. ЕСЛИ (корабль не находится в зоне нерасчетного касания ∆t нк
>
>
0) и ((∆t прич
< 0) или (запас топлива Q
f
6
Q
резервн
))
ТО цель «расхождение» = «активна»;
12. ЕСЛИ (угол между вектором скорости и линией визирования α >
>
90
◦
) и (D > L
b
) ТО цель «расхождение» = «достигнута»;
13. ЕСЛИ (корабль находится в зоне нерасчетного касания ∆t нк
6 0)
и (∆t прич
6 0)
ТО цель «касание станции с наименьшими повреждениями» =
«активна»;
14. ЕСЛИ ((цель «касание станции с наименьшими повреждениями»
= «активна») или |V | > v d max
) и (D 6 Lk min
)
ТО цель «касание станции с наименьшими повреждениями» =
«достигнута».
ε
ω
— максимально допустимое значение угловой скорости при зави- сании;
ε
з
— минимальный резерв времени до достижения рубежа возможного зависания;
v d max
— максимально допустимая скорость при выполнении маневра причаливания;
ε
d
— максимально допустимый угол отклонения главной оси КА (O
x
)
от стыковочной прямой и линии визирования при стыковке;
Q
резервн
— резервный запас топлива для обеспечения возможности возвращения КА на Землю в случае невозможности стыковки с орбитальной станцией.
4.6.14. Правила управления. Правила управления осуществля- ют выбор управлений из множества допустимых управлений в со- ответствии с текущей целью. Система содержит следующие правила управления:
1. ЕСЛИ (цель «нахождение станции» = «активна»)
1.1. и (|V | > ε
V 0
) или (AL)
ТО F
′
:=F F 1(V , 0, ∆t), M
′
:=F M 1(ω, 0, ∆t);

188
Гл. 4. Интеллектуальные динамические системы
1.2. и (AL неизвестно) и (|V | 6 ε
V 0
)
ТО F
′
:=F F 1(V , 0, ∆t), M
′
:=F M 1(ω, [ 0, ω
min
, ω
min
], ∆t);
2. ЕСЛИ (цель «сближение» = «активна»)
и (D, AL, α) и ((α > 90
◦
) или ((α > 0
◦
) и (∆t упр
6 0)))
ТО F
′
:=F F 2(V , AL, 2, ∆t), M
′
:=F M 2(ω, f
ω
(AL, V , [KA].O
x
, ∆t));
3. ЕСЛИ (цель «зависание» = «активна»)
ТО F
′
:=F F 1(V , 0, ∆t), M
′
:=F M 1(ω, f
ω
(AL, V , [KA].O
x
, ∆t), ∆t);
4. ЕСЛИ (цель = «Облет»)
4.1. и (AL, [OC].O
x
) и (направление облета F b dir неизвестно)
ТО F b dir
:= f
F B
(AL, [OC].O
x
);
4.2. и (F b dir
) и (∠(AL, [OC].O
x
) 6 165
◦
)
ТО F
′
:=F F 2(V , AL, 2, ∆t),
M
′
:=F M 2(ω, f
ω
(AL, V , [KA].O
x
, ∆t), ∆t);
4.3. и (F b dir
) & (∠(AL, [OC].O
x
) > 165
◦
)
ТО F ’ :=F F 1(V , 0, ∆t),
M
′
:=F M 2(ω, f
ω
(AL, V , [KA].O
x
, ∆t), ∆t);
5. ЕСЛИ (цель = «причаливание»)
5.1. и (AL, [OC].O
x
) и (направление облета F b dir неизвестно)
ТО F b dir
:= f
F B
(AL, [OC].O
x
);
5.2. и (F b dir
)
ТО F
′
:=F F 2(V , AL ∗ cos(∠(AL, [OC].O
x
))+
F b dir
∗ sin(∠(AL, [OC].O
x
)), V
d max
, ∆t),
M ’ :=F M 2(ω, f
ω
(−[OC].O
x
, V , [KA].O
x
, ∆t), ∆t);
6. ЕСЛИ (цель = «расхождение») or (цель = «касание станции с наименьшими повреждениями»)
ТО F
′
:=F F 2(V , −AL, 2, ∆t), M
′
:=F M 1(ω, 0, ∆t);
F F 1(V , V
′
, ∆t) — функция, вычисляющая вектор силы, необходимой для изменения значения вектора относительной скорости с V на
V
′
за промежуток времени ∆t;
F F 2(V , Dir, Mod, ∆t) — функция, вычисляющая вектор силы, необхо- димой для изменения значения вектора относительной скорости с V на V
′
, такое, что векторы V
′
и Dir коллинеарны, а |V
′
| = Mod за промежуток времени ∆t;
функции F M 1(ω, ω
′
, ∆t) и F M 2(ω, Dir, Mod, ∆t) аналогичны функ- циям F F 1, F F 2 и предназначены для вычисления момента силы,
необходимого для достижения заданной угловой скорости за ука- занный промежуток времени;
f
ω
(AL, V , [KA].O
x
, ∆t) — функция, вычисляющая значение угловой скорости, необходимой для синхронизации ориентации корабля
[KA].O
x с вектором линии визирования AL при текущей относи- тельной скорости V ;
f
F B
(AL, [OC].O
x
) — функция, вычисляющая вектор направления об- лета станции в плоскости, образуемой векторами ориентации

4.6. Примеры интеллектуальных динамических систем
189
станции [OC].O
x и линии визирования AL, перпендикулярный вектору линии визирования AL.

190
Гл. 4. Интеллектуальные динамические системы
Начальное состояние
Дальность, м
85,0683 26,4338 31,9041 37,3177 15,7161 36,1681
V относительная ско- рость OC, м/с
0 0
0 0
0 0
W угловая скорость
OC,
◦
/с
1,4782 1,6272 2,9221 2,1486 1,6272 2,9221
V относительная ско- рость KA, м/с
2,1081 0,0991 2
1,355 1,2 3
W угловая скорость
KA,
◦
/с
0 0
0 0
0 0
Угол промаха,
◦
62,0786 0
145,13 32,2663 0
2,4243
∆ промаха, м
75,1655 0
∞ 19,9223 0
1,5299
Угол (линия визирова- ния, [KA].Ox),
◦
28,0466 97,8384 0 131,719 0
0
Угол
([KA].V , [KA].Ox),
◦
41,3167 97,8384 145,13 113,883 0
2,4243
Угол
([KA].Ox, [OC].Ox),
◦
170,926 48,8279 68,1755 24,4155 101,27 35,5525
Конечное состояние
Дальность, м
9,8997 9,9292 32,068 24,9766 9,8588 9,7215
V относительная ско- рость OC, м/с
0 0
0 0
0 0
W угловая скорость
OC,
◦
/с
1,4782 1,6272 2,9221 2,1486 1,6272 2,9221
V относительная ско- рость KA, м/с
0,5946 0,5954 1,9915 1,4024 0,7788 2,1609
W угловая скорость
KA,
◦
/с
0 0
0 6,6402 0
0
Угол промаха,
◦
20,728 28,5309 145,275 90,9443 24,2939 27,4706
∆ промаха, м
3,5038 4,7425 32,068 24,9766 4,0561 4,4845
Угол (Линия визиро- вания, [KA].Ox),
◦
0,7469 1,1145 0,204 0,7089 4,5852 16,4583
Угол
([KA].V , [KA].Ox),
◦
21,4749 29,6454 145,071 91,6471 19,7086 11,0124
Угол
([KA].Ox, [OC].Ox)
179,723 179,622 67,9034 113,227 93,6682 52,2919
Промах мимо стыко- вочного узла, м
0,1527 0,2256
?
?
4,8112 2,1385
Достигнутая цель
Стык.
Стык.
Расх.
Расх. Столкн. Столкн.

4.6. Примеры интеллектуальных динамических систем
191
Из приведенных выше результатов видно, что в большинстве слу- чаев процесс стыковки завершается штатной ситуацией (стыковкой или расхождением в случае, если успешная стыковка невозможна).
В случае же нерасчетного касания (столкновения с минимальными повреждениями) очевидно, что начальные параметры корабля соответ- ствовали его нахождению в зоне нештатного касания, а значения от- носительной скорости и угла между стыковочными узлами исключали возможность успешной стыковки.

Г л а в а 5
ПРИОБРЕТЕНИЕ ЗНАНИЙ
И МАШИННОЕ ОБУЧЕНИЕ
Введение
Проблемы приобретения знаний компьютерными системами явля- ются ключевыми как с позиций понимания устройства человеческого знания, так и с позиций создания новых поколений компьютерных систем. Результатом этого процесса является база знаний предметной области [96], являющаяся, в определенном смысле, моделью действи- тельности, в которой должна работать создаваемая система. Таким образом, приобретение знаний можно рассматривать как процесс по- строения компьютерных моделей действительности.
Необходимая для работы интеллектуальной системы модель дей- ствительности должна содержать описания основных объектов дей- ствительности, их имена, описания устойчивых связей и зависимостей между объектами и их совокупностями, информацию об их важности,
сведения о том, каким образом эти связи, зависимости и иные когни- тивные структуры могут быть использованы [14].
Среди связей и зависимостей могут оказаться аналитические, коли- чественные и качественные; среди информации о том, как их исполь- зовать, могут оказаться логические условия, правила и эвристики.
Долгое время центральной фигурой и единственным источником знаний для интеллектуальных систем считался эксперт. Второй цен- тральной фигурой являлся инженер по знаниям, в задачи которого вхо- дили беседы с экспертами. Целью этих бесед и являлось установление тех объектов и связей, о которых говорилось выше.
Практически немедленно обнаружился ряд трудностей на пути пре- вращения такого метода приобретения знаний в промышленную техно- логию. Наиболее существенные из них связаны с существованием так называемой «когнитивной защиты личности» [97].
Трудности первого сорта состояли в неправильной оценке экспер- тами значения тех или иных знаний для решения задач. При наблю- дении за решением задач экспертами можно было обнаружить, что они систематически обращают внимание на некоторую информацию,
о которой не сообщают ничего. Иначе говоря, самые компетентные

5.1. Источники знаний для интеллектуальных систем
193
эксперты оказываются некомпетентными при попытке описать знания,
которые они используют при поиске решения. Этот эффект известен психологам, и в литературе по когнитивной психологии отмечен как слабая корреляция между ментальным поведением и вербальными со- общениями эксперта.
Следующая проблема состоит в существовании некоторого психоло- гического барьера при передаче одним человеком своих знаний другому человеку.
Можно указать еще «дискретность», неполноту человеческого зна- ния.
Механизм преодоления когнитивной защиты связывается с гипо- тезой о существовании так называемых личностных психологических конструктов, выдвинутой в 1955 г. американским психологом Джор- джем Келли в контексте клинической психологии [98]. В соответствии с теорией Келли сложность модели мира в сознании человека опре- деляется пространством особых шкал — конструктов, формируемых в его сознании на протяжении жизни. Конструкт в соответствии с этой теорией — особое субъективное средство, сконструированное самим человеком, проверенное им на практике, позволяющее ему понимать и воспринимать окружающую действительность, оценивать и прогнози- ровать события.
Преодоление когнитивной защиты рассматривается с точки зрения теории Келли как выявление пространства личностных конструктов и исследование его структуры.
Набор всех указанных и некоторых иных проблем привел к весьма пессимистическим оценкам числа экспертных систем, которые вообще могли быть разработаны.
Однако выход был найден и состоял он в том, что приобретение знаний интеллектуальной системой стало считаться задачей самой системы. Это означало появление новой технологии создания интел- лектуальных систем — технологии автоматизированного приобретения знаний. Рассмотрению теоретических основ такой технологии посвя- щена настоящая глава.
5.1. Источники знаний для интеллектуальных систем
В качестве источников знаний для построения баз знаний выступа- ют [99]:
а) непосредственно специалисты предметных областей, обычно на- зываемые экспертами;
б) протоколы рассуждений (протоколы «мыслей вслух») экспертов;
в) протоколы так называемых диагностических игр;
г) книги, инструкции;
7 Г. С. Осипов

194
Гл. 5. Приобретение знаний и машинное обучение
д) примеры и прецеденты решения задач;
е) базы данных.
Знания, содержащиеся в различых источниках имеют, различную организацию. В соответствии с этим можно говорить о различных методах приобретения знаний.
Далее будем различать термины «выявление знаний» и «приобре- тение знаний» [14]. Выявление знаний — выделение в сообщениях,
полученных из источника знаний, фрагментов модели действительно- сти или «модели мира». Например: выделение каузальных структур в тексте на естественном языке или выделение процедур принятия решений в протоколах «мыслей вслух».
Приобретение знаний — термин более общий и включает две фазы:
выявление знаний и перенос их в базу знаний.
Напомним, что задачей методов приобретения знаний является вы- явление имен объектов предметной области, их свойств, связей на множестве объектов, приемов и правил рассуждений.
Для решения этой задачи применяются различные техники — авто- матизированное интервью, методы анализа текста и методы машинного обучения.
Для выявления имен объектов предметной области используются методы анализа текстов и методы интервью; для выявления свойств используются методы интервью; для выявления связей используются методы машинного обучения, интервью и анализа текста; для выявле- ния правил и приемов рассуждений — анализ протоколов; для оценки важности той или иной информации — диагностические игры.
Среди методов приобретения знаний будем выделять прямые и непрямые.
5.2. Прямые методы приобретения знаний
К прямым методам приобретения знаний будем относить такие методы, которые осуществляют перенос знаний в компьютерную си- стему в процессе управляемого самой системой диалога с носителем знаний [100].
Рассмотрим вначале те элементы компетентности эксперта, которые можно выявлять с помощью прямых методов приобретения знаний.
5.2.1. Имена. Имя — единица языка, соответствующая со сторо- ны семантики отражению предмета, объекта или явления объективного мира, со стороны синтаксиса соответствующая субъекту или объекту высказывания, индивидной константе или переменной в предложении,
месту в предикате или в структурной схеме предложения [101].
Через всю лексику проходит различение индивидных имен, общих имен и метаимен. Это различение относительно. В различных системах

5.2. Прямые методы приобретения знаний
195
языка соотношение индивидных и общих имен различно. Здесь мы ограничимся несколько схематическим рассмотрением этой проблемы.
Индивидное имя — имя существительное, являющееся именем объекта низшего типа, объекта, не являющегося множеством. Здесь можно заметить, что существуют сферы человеческой деятельности,
в которых потребность различать индивиды весьма слабо выражена.
Например, растения (грибы, фрукты, овощи). Растения идентифициру- ются с точностью до вида. Название вида обычно служит индивидным именем. Рыжик, ромашка, морковь означают одновременно и класс,
и любую особь этого класса.
Общее имя — имя, обозначающее неопределенный объект или мно- жество объектов. Заметим, что степень индивидности (или общности)
имени — явление относительное. Если взять естественый язык, то более индивидное из двух имен тяготеет к позиции субъекта в предло- жении, менее индивидное — к позиции предиката.
Метаимя — имя в той части языка, которая выступает как мета- язык по отношению к другой части того же языка. Метаименам не соответствуют никакие множества объектов. Они являются средствами внутриязыковой классификации и служат целям самого языка в сфере лексики (примеры: слова типа совокупность, множество, часть и т. д.).
Метаимена по большей части представляют предикаты. Если инди- видные имена обозначают конкретные объекты действительности, то общие имена соотносят предложения с множествами объектов.
Построение модели действительности, как следует из приведенной точки зрения, должно предполагать выделение в источниках знаний не только имен — индивидных и общих — но и содержания тех понятий,
которые этими именами представлены. Содержание понятия мы будем представлять набором свойств (признаков). Набор свойств должен быть достаточен как для отличения некоторого понятия от других, так и для соотнесения его с действительностью.
5.2.2. Признаки. В общем случае, среди свойств понятия могут присутствовать:
— адресат — признак, характеризующий компонент или лицо, к ко- торому обращено воздействие;
— делибератив — признак, характеризующий компонент со значени- ем содержания речи — мыслительного действия или восприятия;
— дестинатив — признак, характеризующий компонент, выражаю- щий назначение;
— дименсив — признак, характеризующий размер, исчисляемую ме- ру величины;
— инструментив, признак, характеризующий компонент со значени- ем орудия действия;
7*