
- •Многокритериальное пр. Качественный и количественный анализ. Пространственные модели.
- •Пр в условиях неопределенности. Парадигма анализа решений. Деревья решений.
- •Теория полезности. Принцип максимальной ожидаемой полезности. Методы прямого построения функции полезности
- •Теория полезности. Основные свойства функции полезности. Учет отношения к риску в функции полезности.
- •Теория полезности. Обоснование s- образности кривой полезности.
- •Теория полезности. Определение отношения к риску на основе понятия детерминированного эквивалента.
- •Определение детерминированного эквивалента. Детерминированный эквивалент для выпуклой и вогнутой функции.
- •Стратегическая эквивалентность функций полезности. Линейная функция полезности.
- •Логарифмическая функция полезности. Пример.
- •Экспоненциальная функция полезности. Пример.
- •Квадратичная функция полезности. Пример.
- •Теоремы о несклонности к риску. Надбавка за риск.
- •Теоремы о склонности к риску. Надбавка за риск.
- •Пример функции полезности для лпр несклонного к риску.
- •Пример функции полезности для лпр склонного к риску.
- •Мера несклонности к риску. Обоснование. Интерпретация функции несклонности к риску.
- •Связь между надбавкой за риск и функцией несклонности к риску.
- •Особенности и признаки интеллектуальности информационных систем.
- •Классификация иис. Системы с интеллектуальным интерфейсом
- •Экспертные системы. Архитектура экспертной системы. Назначение составных частей эс.
- •База знаний и механизм вывода на знаниях. Сравнительный анализ.
- •Этапы создания экспертной системы. Идентификация предметной области. Построение концептуальной модели. Типы моделей
- •Этапы проектирования экспертной системы. Формализация базы знаний. Классификация моделей представления знаний
- •Особенности знаний и их отличие от данных. Декларативные и процедурные знания. Системы, основанные на знаниях. Этапы трансформации данных и знаний. Базы данных и базы знаний
- •Самообучающиеся системы. Технологии olap и Data Mining. Определение Data Mining. Основные типы закономерностей, извлекаемых с помощью Data Mining
- •Индукция и дедукция. Алгоритм индуктивного обучения. Деревья решений
- •Искусственные нейронные сети. Обучение нейронных сетей
- •Системы, основанные на прецедентах (Case Based Reasoning)
- •Прямой логический вывод в эс на основе правила Modus Ponens.
- •Обратный логический вывод в эс на основе правила Modus Ponens
- •Семантические сети. Основные типы отношений в семантических сетях. Правила построения семантических сетей
- •Теория фреймов. Структура фрейма. Слоты и присоединенные процедуры. Механизм вывода на фреймах
- •Механизм вероятностного вывода на основе правил Байеса и коэффициентов уверенности
- •Основные понятия теории нечетких множеств. Операции над нечеткими множествами. Понятия нечеткой и лингвистической переменной. Основы нечеткого логического вывода.
- •Понятие нечеткого высказывания и нечеткого предиката
- •Формирование базы правил систем нечеткого вывода
- •Фаззификация
- •Агрегирование
- •Активизация
- •Аккумуляция
- •Понятие онтологии. Классификация онтологий и их применение.
- •Редакторы онтологий, формализмы и форматы представления онтологий
- •Подход к формированию онтологий в редакторе Protégé. Последовательность создания онтологий
- •37.2. Последовательность создания онтологий.
- •Элементы фреймовых онтологий – классы, экземпляры, слоты (типы значений, кардинальность), отношения и т.Д.
- •Язык создания экспертных систем clips: поддерживаемые парадигмы, основные структуры данных, конструкции языка для обработки данных и осуществления вывода.
-
База знаний и механизм вывода на знаниях. Сравнительный анализ.
База знаний (Knowledge Base, KB) – ядро ЭС – совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и инженеру по знаниям (на одном из языков представления знаний).
Неформально базу знаний можно определить как множество высказываний, представленных на языке логики, а ответ на запрос к KB получается с использованием строгой процедуры логического вывода.
Эти высказывания выражаются в соответствии с синтаксисом языка представления знаний, который определяет форму всех высказываний, рассматриваемых как построенные правильно.
Сложные высказывания формируются из более простых высказываний с помощью логических связок: отрицание (не), конъюнкция (и), дизъюнкция (или), импликация (влечет за собой), двухсторонняя импликация (если и только если).
Логика должна также определять семантику языка представления знаний. Говоря неформально, семантика касается «смысла» высказываний. Семантика пропозициональной логики должна определять, как следует вычислять истинностное значение любого высказывания в некоторой модели.
С помощью логического вывода можно моделировать процесс рассуждений, т.е. отвечать на запросы к базе знаний, получать новые высказывания из базы знаний.
Логический вывод – это процесс получения новых высказываний из старых. Из определения логического следствия непосредственно вытекает простейший алгоритм логического вывода – проверка по моделям, в котором осуществляется перебор всех возможных моделей для проверки истинности высказывания во всех моделях, в которых истинна база знаний KB.
Заметим, что алгоритм проверки по моделям может применяться только в случае, если пространство моделей конечно. Для пропозициональной логики алгоритм проверки по моделям заключается в этом случае в последовательном переборе 2k возможных моделей.
Вместо трудоемкого перебора моделей может применяться более эффективный способ логического вывода – формирование доказательств. Этот способ основан на применении специальных шаблонов логического вывода, называемых правилами логического вывода. Наиболее широко известное правило называется правилом отделения (Modus Ponens), которое используется в прямом и обратном алгоритмах логического вывода:
.
С помощью данного правила в процессе логического вывода можно из двух высказываний и вывести высказывание .
Два в высшей степени желательных свойства алгоритма логического вывода: непротиворечивость и полнота. Непротиворечивым (сохраняющим истинность) называется алгоритм логического вывода, позволяющий получать только такие высказывания, которые действительно являются логическими следствиями из базы знаний. Противоречивый алгоритм создает такие высказывания, которые не имеют места на самом деле. Алгоритм называется полным, если он позволяет вывести все высказывания, которые являются логическими следствиями базы знаний.
Механизм вывода на знаниях – интерпретатор или организатор правил работы.
Разница между Базой знаний и механизмом вывода заключается в том, что база знаний является ядром всей экспертной системы (совокупность знаний предметной области), а механизм логического вывода или решатель – это программа моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БД
Знания традиционно делят на процедурные и декларативные.
Процедурные знания «растворены» в алгоритмах и процедурах, от которых их практически невозможно отделить.
Декларативные знания отделены от алгоритмов, управляющих решением задач.
Декларативный подход к проектированию СОЗ (системы, основанной на знаниях) представлен на рисунке ниже.