- •Часть 1
- •Оглавление
- •Часть 1
- •Лекция 1 введение
- •1. Цели и задачи дисциплины. Ее место в учебном процессе.
- •2. История развития систем ии
- •3. Философские аспекты систем ии
- •Лекция 2 искуственный интеллект как научное направление
- •1. Человеко-машинные системы с искусственным интеллектом
- •2. Проблема искусственного интеллекта
- •3. Основные направления исследований в системах с искусственным интеллектом
- •Лекция 3 знания и данные
- •1. Знания - необходимая компонента ии
- •2. Макрознания и макроидеи
- •3. Данные и знания. Классификация знаний
- •4. Проблемы представления знаний
- •Лекция 4 представление знаний и рассуждений
- •Лекция 5 логические модели представления знаний
- •1. Предварительные замечания
- •2. Логическая модель представления знаний
- •Лекция 6 псевдофизичесие логики
- •1.Нечеткость в представлении знаний
- •2.Нечеткие множества.
- •3. Нечеткие отношения
- •2.Нечеткие выводы
- •3.Построение Функций принадлежности.
- •Лекция 7 псевдофизические логики
- •Нечеткaя логика
- •1. Нечеткая и лингвистическая переменные.
- •2. Нечеткая и лингвистическая логика
- •Лекция 8 псевдофизические логики
- •Нечеткие высказывания. Нечеткие алгоритмы
- •1. Нечеткие высказывания
- •2. Свойства высказываний.
- •3. Правила преобразования высказываний.
- •4. Понятие нечеткого оператора и алгоритма
- •5. Выполнение нечетких алгоритмов.
- •Лекция 9 продукционные модели представления знаний
- •3. Классификация ядер продукции.
- •4. Методы поиска решений
- •5. Методы логического вывода. Дедуктивный вывод
- •3. Повышение эффективности поиска
- •Лекция 10 методы представления и обработки нечетких знаний в продукционных системах
- •1. Представление экспертной информации
- •2. Представление экспертной информации в виде
- •Лекция 11 методы представления и обработки нечетких знаний в продукционных системах
- •1. Нечеткий вывод на основе дедуктивного логического вывода
- •2. Нечеткий вывод на основе индуктивного логического вывода
- •Лекция 12 сетевые семантические модели представления знаний
- •1. Основные понятия семантических сетей
- •Лекция 13 сетевые семантические модели представления знаний
- •4. Модели семантических сетей. Активные семантические сети (м-сети).
- •Лекция 14 фреймы и объекты
- •Лекция 15 сценарии
- •1. Основные определения
- •3. Каузальные сценарии
- •Лекция 16 модели обучения
- •1. Неформальные модели
- •2. Формальные модели
- •3. Обучение по примерам
- •Лекции 17 обучение по примерам
- •1. Итеративные алгоритмы обучения
- •2. Спецификация задач обучения по примерам
- •Библиографический список
Лекция 6 псевдофизичесие логики
План лекции
1.Нечеткость в представлении знаний.
2.Нечеткие множества.
3. Нечеткие отношения.
4. Нечеткие выводы.
5. Построение функций принадлежности.
1.Нечеткость в представлении знаний
Знания не всегда могут быть представлены точно - часто встречаются так называемые "нечеткие" знания. Люди обычно повседневно решают проблемы и делают заключения в среде нечетких знаний. Чтобы системы, которые используют люди, обладали такими возможностями, как гибкость, адаптируемость, широкий кругозор, оказывается необходимо представлять и использовать в них также нечеткие знания.
Сам термин "нечеткость" также имеет недостаточно определенный смысл. Можно выделить следующие виды "нечеткости":
1) недетерминированность выводов;
2) многозначность;
3) ненадежность;
4) неполнота;
5) неточность.
НЕДЕТЕРМИНИРОВАННОЕ управление наиболее характерно для систем искусственного интеллекта. Такое управление необходимо потому, что знания накапливаются фрагментами и нельзя заранее определить цепочку логических выводов, в которых они используются. Другими словами, необходимо методом проб и ошибок необходимо выбрать некоторую цепочку выводов, а в случае неуспеха организовать возврат для поиска другой цепочки и т.д. Такое управление является предпосылкой проявления гибкости, позволяющей найти выход в самых различных ситуациях. В последнее время возникла и разрабатывается идея реализации выводов (поиска) на основе знаний. Шире стали применять эвристические знания (т.е. знания, содержащие нечеткости). Например, появились программы, которые выводят и открывают новые математические понятия.
Другое обычное явление при понимании естественных языков - МНОГОЗНАЧНОСТЬ интерпретации слов. Эта неопределенность обуславливается необходимостью оперировать конечным числом слов и ограниченным числом структур фраз. Она порождается как множественностью значений слов, так и неоднозначностью смысла фраз. Например, слово "коса" может означать вид побережья, сельскохозяйственный инструмент, вид прически. Или например, фраза "небольшой запас горючего на складе" - это 1т, 1.1т и т.п.
В задачах управления, принятия решений иногда приходится применять НЕНАДЕЖНЫЕ знания и факты, которые представить двумя значениями - истина или ложь - трудно. Существуют знания, достоверность которых, скажем, 0.7. Такую ненадежность в физике и технике представляют вероятностью, а вот знания в такой форме представлять нелогично, поскольку речь идет о незнании.
Следующий распространенный вид "нечеткости" - НЕПОЛНЫЕ ЗНАНИЯ. Полностью описать мир чрезвычайно сложно. Например, знание "птицы летают" - верно. Однако встречаются и нелетающие птицы, т.е. это неполное знание. Еще пример, о переправе волка, козы и капусты через реку. Однако если вдруг окажется, что нет весел или в лодке дырка, задача становится неразрешимой. Подобных причин может быть множество, и полностью описать их невозможно. Исходя из здравого смысла, считают: раз существует лодка, то ею можно пользоваться. Другой пример: можно перечислить все предметы, которые находятся в комнате. Hо того, чего нет в комнате, перечислить невозможно, поскольку это бесчисленное множество предметов. Точно также можно перечислить верные знания, но перечислить неверные знания и разумно их определить невозможно.
В настоящее время методы обработки нечеткой информации интенсивно развиваются на основе лингвистического подхода. В рамках ЛИНГВИСТИЧЕСКОГО ПОДХОДА в качестве значений переменных допускаются не только числа, но и слова и предложения естественного языка, а аппаратом их формализации является теория нечетких множеств. Эта теория была предложена Заде Л.А. в 1965 году и продолжает развиваться. Особенно интенсивно лингвистический подход развивается в области моделирования принятия решений при управлении сложными системами и в области представления знаний для систем с искусственным интеллектом. Познакомимся далее с основными понятиями теории нечетких множеств.