ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 12.01.2024
Просмотров: 296
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
2) фрейм общего понятия (прототип) — шаблон, заполненный не конкретными значениями (константами), а переменными;
3) фрейм конкретного понятия (экземпляр) — прототип, заполненный конкретными значениями (константами).
Каждому фрейму присваивается имя, которое должно быть уникальным во всей фреймовой системе. Описание фрейма состоит из ряда описаний, именуемых слотами, которым также присвоены имена (они должны быть уникальны в пределах фрейма). Каждый слот предназначен для заполнения определенной структурой данных. Значением слота может быть практически все, что угодно (числа, математические соотношения, тексты на естественном языке, программы, правила вывода, ссылки на другие слоты данного фрейма или других фреймов). При конкретизации фрейма ему и его слотам присваиваются конкретные имена и происходит заполнение слотов их значениями. Переход от исходного фрейма-прототипа к фрейму-экземпляру может быть многошаговым (за счет постепенного уточнения значений слотов).
Внутреннее (машинное) представление фрейма имеет более сложную организацию и содержит средства для создания иерархии фреймов, их взаимодействия, обмена информацией, порождения конкретных фреймов из общих и общих — из скелетных.
Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям («A-Kind-Of»
— «это»). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются (переносятся) значения аналогичных слотов.
Например, в сети фреймов, показанной на рисунке 1.3, понятие
«ученик» наследует свойства фреймов «ребенок» и «человек», которые находятся на более высоком уровне иерархии. Соответственно, на вопрос:
«Любят ли ученики сладкое?» следует ответ: «Да», так как этим свойством
обладают все дети, что указано во фрейме «ребенок». Наследование свойств может быть частичным, например, возраст для учеников не наследуется из фрейма «ребенок», поскольку он указан явно в своем собственном фрейме.
Некоторые специалисты по искусственному интеллекту полагают, что нет необходимости специально выделять фреймовые модели в представлении знаний, так как в них объединены все основные особенности моделей остальных типов. Поэтому фреймовые модели часто рассматривают в общем контексте с сетевыми моделями. В частности, сеть фреймов можно рассматривать как семантическую сеть с блочной структурой, позволяющую реализовать альтернативные интерпретации предметных областей. Фрейм в такой сети содержит информационный и процедурный элементы, которые обеспечивают преобразование информации внутри фрейма и его связь с другими фреймами, а слоты фрейма заполняются конкретной информацией в процессе его функционирования. В сети фреймов могут быть также реализованы логические связки, кванторы общности и существования.
Общий вывод из сказанного выше заключается в том, что на некотором глубинном уровне все формы представления знания равносильны (в том смысле, что они универсальны, а знания, представленные в одной форме,
Некоторые специалисты по искусственному интеллекту полагают, что нет необходимости специально выделять фреймовые модели в представлении знаний, так как в них объединены все основные особенности моделей остальных типов. Поэтому фреймовые модели часто рассматривают в общем контексте с сетевыми моделями. В частности, сеть фреймов можно рассматривать как семантическую сеть с блочной структурой, позволяющую реализовать альтернативные интерпретации предметных областей. Фрейм в такой сети содержит информационный и процедурный элементы, которые обеспечивают преобразование информации внутри фрейма и его связь с другими фреймами, а слоты фрейма заполняются конкретной информацией в процессе его функционирования. В сети фреймов могут быть также реализованы логические связки, кванторы общности и существования.
Общий вывод из сказанного выше заключается в том, что на некотором глубинном уровне все формы представления знания равносильны (в том смысле, что они универсальны, а знания, представленные в одной форме,
могут быть преобразованы в другую), но не равноценны (в том смысле, что для различных предметных областей и различных задач более удобными и эффективными в вычислительном отношении оказываются различные формы представления знания). Основным же преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.
Формальные логические модели
В основе моделей такого типа лежит формальная система, задаваемая четверкой множеств вида: M =.
Здесь множество T — это множество базовых элементов различной природы (например, слов из некоторого ограниченного словаря, деталей детского конструктора, входящих в состав некоторого набора, и т. д.). Важно, что для множества T существует некоторый способ определения принадлежности или непринадлежности произвольного элемента к этому множеству. Процедура такой проверки может быть любой, но за конечное число шагов она должна давать положительный или отрицательный ответ на вопрос: является ли x элементом множества T? Обозначим эту процедуру как
П(T).
Множество P есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные совокупности.
Например, из слов ограниченного словаря строятся синтаксически правильные фразы, из деталей детского конструктора с помощью гаек и болтов собираются новые конструкции и т. д. Декларируется также существование процедуры П(P), с помощью которой за конечное число шагов можно получить ответ на вопрос: является ли совокупность X синтаксически правильной?
Формальные логические модели
В основе моделей такого типа лежит формальная система, задаваемая четверкой множеств вида: M =
Здесь множество T — это множество базовых элементов различной природы (например, слов из некоторого ограниченного словаря, деталей детского конструктора, входящих в состав некоторого набора, и т. д.). Важно, что для множества T существует некоторый способ определения принадлежности или непринадлежности произвольного элемента к этому множеству. Процедура такой проверки может быть любой, но за конечное число шагов она должна давать положительный или отрицательный ответ на вопрос: является ли x элементом множества T? Обозначим эту процедуру как
П(T).
Множество P есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные совокупности.
Например, из слов ограниченного словаря строятся синтаксически правильные фразы, из деталей детского конструктора с помощью гаек и болтов собираются новые конструкции и т. д. Декларируется также существование процедуры П(P), с помощью которой за конечное число шагов можно получить ответ на вопрос: является ли совокупность X синтаксически правильной?
В множестве синтаксически правильных совокупностей выделяется некоторое подмножество A, элементы которого называются аксиомами. Как и для других составляющих формальной системы, должна также существовать процедура П(A), с помощью которой для любой синтаксически правильной совокупности можно получить ответ на вопрос о принадлежности ее к множеству A.
Наконец, множество B — это множество правил вывода. Применяя их к элементам A, можно получать новые синтаксически правильные совокупности, к которым снова можно применять правила из B, и т. д. Так формируется множество выводимых в данной формальной системе совокупностей. Если имеется процедура П(B), с помощью которой можно определить для любой синтаксически правильной совокупности, является ли она выводимой, то соответствующая формальная система называется разрешимой. Это показывает, что именно правило вывода является наиболее сложной составляющей формальной системы.
Для знаний, входящих в базу знаний, можно считать, что множество A образуют все информационные единицы, которые введены в базу знаний извне, а с помощью правил вывода из них выводятся новые производные знания. Другими словами, формальная система представляет собой генератор порождения новых знаний, образующих множество выводимых в данной системе знаний. Это свойство логических моделей делает их привлекательными для использования в базах знаний, оно позволяет хранить в базе лишь знания, которые образуют множество A, а все остальные знания получать из них по правилам вывода.
Продукционные модели
Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: «Если (условие), то
(действие)». Здесь под условием понимается некоторое предложение —
образец, по которому осуществляется поиск в базе знаний, а под действием
— действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее тоже как условия, либо терминальными, или целевыми, завершающими работу системы).
При использовании продукционной модели база знаний состоит из набора правил. Программа же, управляющая перебором этих правил, называется машиной вывода. Чаще всего вывод бывает прямым (от данных
— к поиску цели) или обратным (от цели, для ее подтверждения, — к данным).
Машина вывода выполняет две функции:
1) просмотр существующих фактов (из рабочей памяти) и правил
(из базы знаний) и добавление в рабочую память новых фактов;
2) определение порядка просмотра и применения правил.
Действие машины вывода основано на применении следующего правила: если известно, что истинно утверждение А, и существует правило вида «если А, то В», тогда утверждение В также истинно.
Правила срабатывают, если найдены факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.
Управляющий компонент машины вывода определяет порядок применения правил и выполняет четыре следующих функции:
1) сопоставление — образец правила сопоставляется с имеющимися фактами;
2) выбор — если может быть применено несколько правил, то выбирается только одно из них по какому-либо критерию;
3) срабатывание — если образец правила совпал с каким-либо фактом, то данное правило срабатывает;
4) действия — в рабочую память добавляются заключения сработавшего правила.
— действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее тоже как условия, либо терминальными, или целевыми, завершающими работу системы).
При использовании продукционной модели база знаний состоит из набора правил. Программа же, управляющая перебором этих правил, называется машиной вывода. Чаще всего вывод бывает прямым (от данных
— к поиску цели) или обратным (от цели, для ее подтверждения, — к данным).
Машина вывода выполняет две функции:
1) просмотр существующих фактов (из рабочей памяти) и правил
(из базы знаний) и добавление в рабочую память новых фактов;
2) определение порядка просмотра и применения правил.
Действие машины вывода основано на применении следующего правила: если известно, что истинно утверждение А, и существует правило вида «если А, то В», тогда утверждение В также истинно.
Правила срабатывают, если найдены факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.
Управляющий компонент машины вывода определяет порядок применения правил и выполняет четыре следующих функции:
1) сопоставление — образец правила сопоставляется с имеющимися фактами;
2) выбор — если может быть применено несколько правил, то выбирается только одно из них по какому-либо критерию;
3) срабатывание — если образец правила совпал с каким-либо фактом, то данное правило срабатывает;
4) действия — в рабочую память добавляются заключения сработавшего правила.
Эти действия циклически повторяются, пока мы не дойдем до терминального правила или у нас больше не окажется сопоставлений. Цикл работы машины вывода изображен на рисунке 1.4.
Рисунок 1.4 - Цикл работы машины вывода
Пример. Пусть имеется фрагмент базы знаний, состоящий из двух правил.
П1: Если «отдых — летом» и «человек — активный», то «ехать в горы».
П2: Если «любит солнце», то «отдых летом».
Предположим, что в систему поступили данные: «человек активный» и
«любит солнце».
Прямой вывод — требуется, исходя из этих данных, получить ответ.
1-й проход.
Шаг 1. Пробуем П1 — не работает (не хватает данных «отдых — летом»).
Шаг 2. Пробуем П2 — работает; в базу поступает факт «отдых — летом».
2-й проход.
Шаг 3. Пробуем П1 — работает, активируется цель «ехать в горы», которая и выступает как совет, который будет предложен.
Обратный вывод — требуется подтвердить выбранную цель при помощи имеющихся правил и данных.
1-й проход.
Шаг 1. Цель — «ехать в горы». Пробуем П1 — данных «отдых — летом» нет, они становятся новой целью, и осуществляется поиск правила, где они располагаются в правой части.
Шаг 2. Цель «отдых — летом». Правило П2 подтверждает цель и активирует ее.
2-й проход.
Шаг 3. Пробуем П1 — подтверждается искомая цель.
Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.
1 2 3 4 5 6 7 8 9
ТЕМА 1.4 ЭКСПЕРТНЫЕ СИСТЕМЫ
План лекции:
1.4.1 Структура экспертной системы
1.4.2 Разработка и использование экспертных систем
1.4.3 Классификация экспертных систем
1.4.4 Представление знаний в экспертных системах
1.4.5 Инструментальные средства построения экспертных систем
1.4.6 Технология разработки экспертной системы
1.4.1 Структура экспертной системы
В начале 1980-х гг. в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название
«экспертные системы».
Экспертные системы (ЭС) — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для оказания консультаций менее квалифицированным пользователям. Исследователи в области ЭС для названия своей дисциплины часто используют также термин «инженерия знаний», введенный Е. Фейгенбаумом и означающий «привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Программные средства, базирующиеся на технологии экспертных систем, или инженерии знаний, получили значительное распространение в современном мире.
Экспертные системы отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический поиск решения (а не исполнение известного алгоритма).
Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. В настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных прикладных областях, таких как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.
Типичная статическая ЭС состоит из следующих основных компонентов (рис. 1.5):
- решатель (интерпретатор);
- рабочая память (РП), называемая также базой данных
(БД);
- база знаний (БЗ);
- компоненты приобретения знаний;
- объяснительный компонент;
- диалоговый компонент.
База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.
База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных (а не текущих), описывающих рассматриваемую область, и правил, описывающих целесообразные преобразования данных этой области.
Решатель, используя исходные данные из рабочей памяти и знания из
БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.
Компонент приобретения знаний автоматизирует процесс наполнения
ЭС знаниями, осуществляемый пользователем экспертом.