
- •Основные направления исследований в области искусственного интеллекта.
- •Свойства и отношения. Классификация отношений.
- •Представление знаний и работа с ними. Обзор языков представления знаний.
- •Знания экспертов. Экспертные системы (области применения). Архитектура эс.
- •Система представления знаний.
- •Фреймы. Семантические сети. Классификация базовых понятий сс. Сущности и отношения.
- •Логическая модель представления знаний. Декларативное и процедурное представление знаний. Система логического вывода (слв).
- •Система приобретения знаний. Подсистемы объяснения эс. Организация интерфейса в эс. Жизненный цикл эс.
- •Данные и знания. Управление знаниями.
- •Исчисление предикатов. Правила вывода на основе исчисления предикатов.
- •Нечеткая логика. Модели нечеткой логики.
- •Онтологии. Разработка концептуальной модели предметной области на основе онтологического подхода.
- •Программные агенты и мультиагентные системы.
- •Стохастический подход к описанию неопределенностей.
- •Байесовские сети доверия.
- •Основы искусственных нейронных сетей. Обучение персептрона.
- •Процедура обратного распространения. Сети встречного распространения.
- •Слои Кохоненна
- •Слой Гроссберга
- •Применение стохастических методов для обучения искусственных нейронных сетей.
- •Сети Хопфилда.
- •Ассоциативная память. Адаптивная резонансная теория. Оптические нейронные сети.
- •Описание apt
- •Задачи распознавания образов. Когнитрон и неокогнитрон.
- •Структура
- •Алгоритмы обучения нейронных сетей. Обучение с учителем и без учителя. Самоорганизация. Алгоритмы обучения
- •Цель обучения
- •Обучение с учителем
- •Обучение без учителя
- •Нейронная сеть Хемминга. Нейронная сеть Хебба.
- •Генетические алгоритмы. Адаптивные методы поиска.
- •Алгоритмы роевого интеллекта. Алгоритм роя частиц.
- •Метод пчелиной колонии
- •Моделирование перемещения бактерий
- •Муравьиный алгоритм
- •Жадные алгоритмы
- •Эволюционные вычисления и эволюционное программирование
- •Алгоритм имитации отжига
- •Меметический алгоритм
- •Алгоритм культурного обмена
- •Системы поддержки принятия решений
- •Многомерные данные и olap-технологии
Логическая модель представления знаний. Декларативное и процедурное представление знаний. Система логического вывода (слв).
Логические методы представления знаний базируются на использовании понятия формальной системы, задаваемой множеством базовых элементов, множеством синтаксических правил, позволяющих строить из базовых элементов синтаксически правильные выражения, множеством аксиом, множеством семантических правил вывода, позволяющих расширять множество аксиом за счет других выражений. Логические методы представления знаний обеспечивают единственность теоретического обоснования системы формально точных определений и выводов, простоту и ясность нотации для записи фактов, которая обладает четко определенной семантикой и простотой для понимания. В то же время основным недостатком логических методов является отсутствие четких принципов организации фактов в базе знаний, что затрудняет ее анализ и обработку. Это приводит к тому, что логические методы используются в основном в тех предметных областях, где система знаний невелика по объему и имеет однородную структуру.
При процедурном способе знания в основном представляются в форме процедур их использования. Преимущества процедурного представления сказываются в тех случаях, когда знания относятся в основном к операциям над объектами. Кроме того, процедурное представление обычно употребляется в системах вероятностного вывода и применительно к знаниям эвристического характера. При декларативном способе большинство знаний представляется как статический набор фактов в сочетании с небольшим количеством обобщенных процедур манипулирования ими. Преимущество декларативной схемы заключается в том, что каждый факт нужно хранить в единственном экземпляре, независимо от числа способов его использования. Кроме того, в этом случае проще добавлять новые факты, поскольку при этом не нужно менять все связанные с ними процедуры и подпрограммы.
Система логического вывода (СЛВ) - это средство управления рассуждениями. Логический вывод (ЛВ) сводится к упорядоченному раскфпию правил, которые определяются стратегией. Использование разных стратегий на данной модели дает разные результаты. На языке экспертных систем термин правило имеет более узкое значение, чем обычно. Это наиболее популярный способ представления знаний.
Правила обеспечивают формальный способ представления рекомендаций, указаний, стратегий. Правила часто возникают из эмпирических ассоциаций.
Знания в базе знаний представляются набором правил. Правила проверяются на группе фактов или знаний о текущей ситуации. Интерпретатор правил сопоставляет левые части правил (за словом «если») - посылки, с фактами правой части правил и выполняет то правило, посылка которого согласуется с фактами. Правила выражаются в виде утверждений «Если..., то...» или в виде импликаций. Действие правила может состоять в модификации набора фактов в базе знаний, например добавление нового факта. Новые факты, добавленные в базу знаний, могут сами быть использованы для сопоставления с левыми частями правил. Процесс сопоставления посылок правил с фактами может порождать цепочки выводов.
Существует два основных способа вывода: прямой и обратный. Цель прямого вывода - порождение данных на основе исходных данных и логических рассуждений. Цель обратного вывода - определение причин, т. е. фактов, которые привели к определенному результату (значению целевой функции).