Файл: Системный анализ (ЛБ-04).doc

Указанные выше классификационные системы - иерархические структуры (модели) представления знаний. Отдельные понятия, факты, знания, связаны между собой отношениями индуктивного (от частного к общему), дедуктивного (от общего к частному) или индуктивно-дедуктивного вывода и формализуются соответствующими формальными структурами: древовидными, морфологическими, реляционными и др.

Пример. Рассмотрим систему "Фирма". Опишем всех сотрудников фирмы в лексикографически упорядоченном списке с именем "Сотрудники", указывая табельный номер, ФИО, год рождения, образование, специальность, разряд, стаж работы. Этот список дает нам знание о коллективе, его возрастных и профессиональных качествах и др. Составим другой список - "Заработная плата", где укажем для каждого сотрудника условия оплаты, величину их заработка (стоимости единицы времени их работы). Этот список дает нам знания о системе оплаты фирмы, ее финансового состояния и др. Оба списка содержат необходимый объем знаний о трудовом коллективе, если цель исследования этой системы - начисление заработной платы. Здесь мы наблюдаем и древовидные, и морфологические, и реляционные модели представления знаний.

Для более строгой формализации (сложных и динамических) знаний в последнее время используют такой перспективный инструментарий, как категории и функторы. Впрочем, математическая сложность такого аппарата не дает применять его на первоначальных этапах формализации знаний и он чаще используется лишь тогда, когда знания получили достаточно полную математическую форму описания.

Появление и развитие объектно-ориентированных технологий и объектно-ориентированного проектирования, использующих близкие по духу идеи, тем не менее, актуализируют аппарат категорий и функторов, поэтому введем основные начальные понятия.

Категория K=<S,M> - это совокупность S элементов (компоненты, характеристики, параметры, свойства и другие параметры исследуемой системы), называемых объектами категории, и совокупность преобразований, морфизмов M - специального типа преобразований, которые позволяют описывать (определять), например, эквивалентность, инвариантность и другие свойства. Объекты и морфизмы связаны между собой так, что:

1. каждой упорядоченной паре объектов А, ВS сопоставлено множество M(A, B) морфизмов из M;

2. каждый морфизм mM принадлежит только одному из множеств M(A,B);

3. в классе морфизмов М введен закон композиции морфизмов: произведение aob морфизма aM(A,B) на морфизм bM(C,D) определено и принадлежит M(A,B) тогда и только тогда, когда объект BX совпадает с объектом CX, причем композиция морфизмов ассоциативна: (ao b)o c=ao (bo c);

4. в каждом множестве М(A,A) содержится единичный или тождественный морфизм I_A: aM(X,A), bM(A,Y),A,X,YF, I_A: aoI_A=a, I_Aob=b.

Категории, их использование для представления знаний адекватны мыслительным процедурам человека, учитывающим опыт, интуицию, понимание мира в терминах категорий, которым мы затем приписываем реальные оболочки, конкретные структуры. Объекты категории могут быть связаны между собой, влиять друг на друга, даже если у них нет общего (формального) сходства, а свойства категорий отражают сущность способностей человека, его поведения в окружении.

Функтор - обобщение понятия категории. Для введения преобразования между категориями используем понятие функтора. Функтор - аналог семантической операции, т.е. преобразования информации, приводящего к появлению некоторого смыслового (семантического) содержания.

Функтор определяется парой отображений, которые сохраняют композицию морфизмов и тождественные отображения (сохраняют смысл информации при преобразованиях): одно отображение преобразует объекты S (грубо говоря, - информацию), а другое - преобразует морфизмы M (грубо говоря, - семантический смысл).

Самый плохо формализуемый в информатике процесс - это процесс образования семантического смысла. Строгая математическая основа аппарата категорий и функторов позволяет исследовать семантический смысл математически корректно (путем построения семантических сетей, анализа фреймов, продукционных правил и др.), что является необходимым условием формализации знаний, разработки баз знаний и систем интеллектуальной поддержки принятия решений.

Категорийно-функторный подход к проблеме формализации знаний позволяет формализовать многие интуитивно используемые понятия.

Пример. Формализуем, например, понятия "формула", "теория". Формула F_i - запись вида R_i^(k)(x₁,:,x_k), которую следует читать так: k переменных x₁,:, x_k удовлетворяют отношению R_i^(k). В каждой i-ой формуле F_i может быть различное число свободных (не связанных) переменных. Понятие "(формальная) теория" можно определить как кортеж Т=<S,F>, где S - сигнатура (множество определенных, разрешенных операции), а F - множество формул без свободных переменных (аксиом теории). Если дополнительно определено и множество правил вывода P, то T=<S,F,P>. Отсюда видно, что формальная теория базируется на конкретной предметной области, определяемой сигнатурой.

Для компьютерного представления и обработки знаний и данных о предметной области (об объектах, процессах, явлениях, их структуре и взаимосвязях), они должны быть формализованы и представлены в определенном формализованном виде.

При традиционном способе реализации математической модели, знаний, заложенных в ней, строится моделирующий алгоритм (моделирующая программа), т.е. знания процедурно зависят от метода (алгоритма) обработки. В интеллектуальных системах (в системах искусственного интеллекта, в частности) знания о предметной области представлены в виде декларативной (описательной) модели формирования базы знаний и соответствующих правил вывода из нее и явно не зависят от процедуры их обработки. Для этого используются специальные модели представления знаний, например, продукционные, фреймовые, сетевые и логические. При обработке модели знаний используются процедуры логического вывода, называемые также механизмом или машиной вывода. Обычно в базе знаний зафиксированы общие закономерности, правила, описывающие проблемную среду и предметную область.

Процедуры вывода позволяют на основании общих правил вывести решение для заданной конкретной ситуации, описываемой некоторыми исходными данными. Цепочка логического вывода строится по мере приближения к решению, в зависимости от выведенных на каждом шаге данных и выведенных к этому шагу новых знаний. Конкретные формы организации дедуктивного вывода зависят от того, в какой форме представлены знания в базе знаний (на каком языке представления знаний).

Продукционная модель представления знаний наиболее распространена в приложениях. Модель реализуется правилами-продукциями:

если <условие> то <заключение>.

В качестве условия может выступать любая совокупность суждений, соединенных логическими связками и ( ), или ( ).

Пример. Продукцией будет следующее правило:

если (курс доллара-растет) (сезон-осень) (число продавцов-убывает)

то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).

Такого рода правила и знания о ценах, предложении и спросе на рынке жилья могут стать базой для базы знаний о рынке жилья и экспертной системы для риэлторской группы (фирмы).

Существуют две основные стратегии вывода на множестве правил-продукций:

1. прямой вывод (вывод от исходных данных-фактов, аксиом - к цели, по пути вывода пополняя исходную базу знаний новыми полученными истинными фактами; процесс заканчивается лишь тогда, когда выведен факт, эквивалентный искомому);

2. обратный вывод (вывод от целевого факта к данным, на очередном шаге отыскивается очередной факт, в заключительной части содержится факт, эквивалентный исходному факту; процесс заканчивается тогда, когда для каждого факта, выведенного на очередном шаге, не будет найдено правило, имеющее этот факт в качестве заключения, а посылками - исходные или выведенные на предыдущих шагах факты).

Обе приведенные стратегии вывода имеют недостатки, достоинства и модификации.

Пример. Если все множество правил-продукций разбито на группы по некоторому признаку (структурировано), то вместо полного или случайного перебора всех правил при прямом и обратном выводе осуществляется целенаправленный переход от одной группы правил к другой. Используются также смешанные стратегии вывода, сочетающие прямой и обратный вывод.

Продукционные модели удобны для представления логических взаимосвязей между фактами, так как они более формализованы и достаточно строгие (теоретические), модульные (продукции явно между собой не связаны, поэтому их можно модифицировать по модульной технологии), соответствуют долговременной памяти человека.

Представление знаний в виде семантической сети является одной из основных моделей представления знаний.

Семантическая сеть - это ориентированная графовая структура, каждая вершина которой отображает некоторое понятие (объект, процесс, ситуацию), а ребра графа соответствуют отношениям типа "это есть", "принадлежать", "быть причиной", "входить в", "состоять из", "быть как" и аналогичным между парами понятий. На семантических сетях используются специальные процедуры вывода: пополнение сети, наследование свойств, поиск по образцу и др.

Пример. Рассмотрим факт: "причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств". Семантическая сеть может содержать вершины "оборотные средства", "старое оборудование", соединяемые ребрами - отношениями типа "быть причиной".

Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами (подсистемами), а также структуру сложных систем. Недостаток таких сетей - сложность вывода, поиска подграфа, соответствующего запросу.

Характерная особенность семантических сетей - наличие трех типов отношений:

1. класс - элемент класса (часть - целое, класс - подкласс, элемент - множество и т.п.);

2. свойство - значение (иметь свойство, иметь значение и т.п.);

3. пример элемента класса (элемент за, элемент под, раньше, позже и др.).

Процедуры вывода позволяют на основании общих правил вывести решение для заданной конкретной ситуации, описываемой некоторыми исходными данными. Цепочка логического вывода строится по мере приближения к решению, в зависимости от выведенных на каждом шаге данных и выведенных к этому шагу новых знаний. Конкретные формы организации дедуктивного вывода зависят от того, в какой форме представлены знания в базе знаний (на каком языке представления знаний).

Продукционная модель представления знаний наиболее распространена в приложениях. Модель реализуется правилами-продукциями:

если <условие> то <заключение>.

В качестве условия может выступать любая совокупность суждений, соединенных логическими связками и ( ), или ( ).

Пример. Продукцией будет следующее правило:

если (курс доллара-растет) (сезон-осень) (число продавцов-убывает)

то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).

Такого рода правила и знания о ценах, предложении и спросе на рынке жилья могут стать базой для базы знаний о рынке жилья и экспертной системы для риэлторской группы (фирмы).

Существуют две основные стратегии вывода на множестве правил-продукций:

1. прямой вывод (вывод от исходных данных-фактов, аксиом - к цели, по пути вывода пополняя исходную базу знаний новыми полученными истинными фактами; процесс заканчивается лишь тогда, когда выведен факт, эквивалентный искомому);

2. обратный вывод (вывод от целевого факта к данным, на очередном шаге отыскивается очередной факт, в заключительной части содержится факт, эквивалентный исходному факту; процесс заканчивается тогда, когда для каждого факта, выведенного на очередном шаге, не будет найдено правило, имеющее этот факт в качестве заключения, а посылками - исходные или выведенные на предыдущих шагах факты).

Обе приведенные стратегии вывода имеют недостатки, достоинства и модификации.

Пример. Если все множество правил-продукций разбито на группы по некоторому признаку (структурировано), то вместо полного или случайного перебора всех правил при прямом и обратном выводе осуществляется целенаправленный переход от одной группы правил к другой. Используются также смешанные стратегии вывода, сочетающие прямой и обратный вывод.

Продукционные модели удобны для представления логических взаимосвязей между фактами, так как они более формализованы и достаточно строгие (теоретические), модульные (продукции явно между собой не связаны, поэтому их можно модифицировать по модульной технологии), соответствуют долговременной памяти человека.

Представление знаний в виде семантической сети является одной из основных моделей представления знаний.

Семантическая сеть - это ориентированная графовая структура, каждая вершина которой отображает некоторое понятие (объект, процесс, ситуацию), а ребра графа соответствуют отношениям типа "это есть", "принадлежать", "быть причиной", "входить в", "состоять из", "быть как" и аналогичным между парами понятий. На семантических сетях используются специальные процедуры вывода: пополнение сети, наследование свойств, поиск по образцу и др.

Пример. Рассмотрим факт: "причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств". Семантическая сеть может содержать вершины "оборотные средства", "старое оборудование", соединяемые ребрами - отношениями типа "быть причиной".

Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами (подсистемами), а также структуру сложных систем. Недостаток таких сетей - сложность вывода, поиска подграфа, соответствующего запросу.

Характерная особенность семантических сетей - наличие трех типов отношений:

1. класс - элемент класса (часть - целое, класс - подкласс, элемент - множество и т.п.);

2. свойство - значение (иметь свойство, иметь значение и т.п.);

3. пример элемента класса (элемент за, элемент под, раньше, позже и др.).

Фреймовая модель представления знаний задает остов описания класса объектов и удобна для описания структуры и характеристик однотипных объектов (процессов, событий) описываемых фреймами - специальными ячейками (шаблонами понятий) фреймовой сети (знания).

Фрейм - концентратор знаний и может быть активизирован как отдельный автономный элемент и как элемент сети. Фрейм - это модель кванта знаний (абстрактного образа, ситуации), активизация фрейма аналогична активизации этого кванта знаний - для объяснения, предсказания и т.п. Отдельные характеристики (элементы описания) объекта называются слотами фрейма. Фреймы сети могут наследовать слоты других фреймов сети.

Различают фреймы-образцы (прототипы), хранящиеся в базе знаний, и фреймы-экземпляры, создаваемые для отображения реальных ситуаций для конкретных данных.

Фреймовое представление данных достаточно универсальное. Оно позволяет отображать знания с помощью:

• фрейм-структур - для обозначения объектов и понятий;

• фрейм-ролей - для обозначения ролевых обязанностей;

• фрейм-сценариев - для обозначения поведения;

• фрейм-ситуаций - для обозначения режимов деятельности, состояний.