![](/user_photo/2706_HbeT2.jpg)
- •1. Характеристика основных направлений в исследованиях по искусственному интеллекту
- •2. Перспективы искусственного интеллекта
- •3. Проблемы нейрокибернетики и возможные пути их решения.
- •4. Искусственный интеллект. Основные понятия
- •5. Характеристика программно-прагматического направления в исследованиях по искусственному интеллекту
- •6. Характеристика бионического направления в исследованиях по искусственному интеллекту
- •7. Знания и модели их представления
- •8. Логические модели представления знаний
- •9. Продукционные модели представления знаний
- •10. Сетевые модели представления знаний (семантические сети)
- •11. Фреймовые модели представления знаний
- •12.Экспертные системы. Основные понятия и определения
- •14. Нейрокомпьютер и основы нейроинформатики
- •15. Нейрон, нейронные сети, основные понятия
- •16. Классификации нейронных сетей
- •17. Характеристика моделей нейронных сетей
- •18 Характеристика многослойных однонаправленных сетей
- •19. Характеристика полносвязных сетей Хопфилда
- •20. Характеристика двунаправленной ассоциативной памяти
- •21. Двунаправленная ассоциативная память. Режим обучения бинарными образами
- •22. Двунаправленная ассоциативная память. Режим распознавания
- •23. Характеристика самоорганизующихся сетей Кохонена
- •24. Области применения нейроинформатики
- •25. Характеристика этапов проектирования экспертной системы
- •26. Классификация интеллектуальных информационных систем
- •27. Организация базы знаний. Формы представления знаний
- •28. Методы рассуждения в интеллектуальных информационных системах
- •29. Характеристика этапа постановки задачи и концептуализации при разработке экспертной системы
- •30. Развитие прототипа до промышленной экспертной системы
- •31. Характеристика этапа формализации проектирования экспертной системы
- •32. Характеристика этапов реализации при проектировании экспертной системы
- •33. Характеристика этапа тестирования экспертной системы
- •34. Характеристика этапа опытной эксплуатации экспертной системы
- •37. Приобретение знаний
- •38. Извлечение знаний из данных
- •39. Технология разработки экспертных систем
- •40. Характеристика этапов оценки, стыковки и поддержки экспертной системы при её разработке
- •41. Аспекты получения знаний: психологический, лингвистический, гносеологический
- •Процедурный слой
- •Когнитивный слой
- •Лингвистический аспект
- •Проблема общего кода
- •Понятийная структура
- •Словарь пользователя
- •Гносеологический аспект
- •42. Стратегии получения знаний
- •43. Практические методы извлечения знаний. Их классификация и характеристика
- •44. Структурирование знаний. Концептуальная и функциональная структура предметной области
- •46. Инструментальные средства построения экспертных систем
10. Сетевые модели представления знаний (семантические сети)
Способ представления знаний в виде сетевых моделей наиболее близок к тому, как они представлены в текстах на естественном языке. В основе этого представления лежит идея о том, что вся необходимая информация может быть представлена в виде троек (a, r, b). A, b – это объекты или понятия, r – отношения между ними.
Формально сеть можно задать в следующем виде:
H = <I, C1…Cn, Г>
I – множество информационных единиц;
C – множество типов связей между информационными единицами;
Г – отображение, задающее конкретные отношения из имеющихся типов С между элементами I.
H – сеть
В зависимости от типов С сетевые модели бывают:
Классифицирующие – используют отношения структуризации, позволяет выстраивать различные иерархические отношения между I.
Функциональные – вычислительные модели, характеризующие наличие функциональной связи между элементами I. Позволяют описывать процедуры вычисления одних I через другие.
Сценарии – в них используют причинно-следственные отношения, или устанавливают влияние одних явлений на другие.
Если в сетевой модели используют связи различных типов ее называют семантической. Однозначное определение семантической сети в настоящее время отсутствует. В инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами.
Семантическая сеть как модель наиболее часто используется для представления декларативных знаний. С помощью этой модели реализуются такие свойства системы знаний, как интерпретируемость и связность. За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям.
Достоинства:
Большие выразительные возможности, наглядность системы.
Близость структуры сети к структурам фраз на естественном языке.
Соответствие современным представлениям организации долговременной памяти человека.
Недостатки:
Не содержит ясного представления о структуре предметной области.
Затруднено формирование и внесение изменений в модель, модификация модели.
Сетевые модели структурно пассивные. Необходимы дополнительные механизмы вывода.
11. Фреймовые модели представления знаний
Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.
Фрейм (англ. frame – рамка, каркас) – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.
Слот (англ. slot – щель, прорезь) может быть терминальным (листом иерархии) или представлять собой фрейм нижнего уровня.
Пример фреймовой модели иерархического типа представлен на рисунке ниже:
Фреймы образуют иерархию. Иерархия во фреймовых моделях порождает единую многоуровневую структуру, описывающую либо объект, если слоты описывают только свойства объекта, либо ситуацию или процесс, если отдельные слоты являются именами процедур, присоединенных к фрейму и вызываемых при его актуализации.
Фреймы подразделяются на:
фрейм-экземпляр – конкретная реализация фрейма, описывающая текущее состояние в предметной области (заголовок полей таблицы БД);
фрейм-образец – шаблон для описания объектов или допустимых ситуаций предметной области (значения слотов не заполнены);
фрейм-класс – фрейм верхнего уровня для представления совокупности фреймов образцов.
Фреймы – ситуации, описания (предмет, явление), действия и т.д.
Состав фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы целесообразно единое представление для устранения лишнего усложнения.
Разнотипные объекты или объекты, соответствующие концепции «множественности миров», заключающейся, к примеру, в том, что лошадь – животное бескрылое для одного (реального) мира и одновременно крылатое (Пегас в мифическом мире) для другого, могут описываться отличающимися друг от друга фреймами.
В целом фреймовая модель допускает представление всех свойств декларативных и процедурных знаний. Глубина вложенности слотов во фрейме (число уровней) зависит от предметной области и языка, реализующего модель.
Достоинства:
Достаточные описательные возможности
Возможность использования ссылок (фреймы могут ссылаться на фреймы более низкого уровня иерархии через слоты).
Недостатки:
Фреймовый подход более жесткий, более формализованный в описании.
Вывод на фреймах затруднен.