- •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
3. Классификация ядер продукции.
Ядра продукций можно классифицировать по различным основаниям. Прежде всего все ядра делятся на два больших типа: детерминированные и недетерминированные. В детермилированных ядрах при актуализации ядра и при выполнимости А правая часть ядра выполняется обязательно; в недетерминированных ядрах В может выполняться и не выполняться. Таким образом, секвенция => в детерминированных ядрах реализуется с необходимостью, а в недетерминированных — с возможностью. Интерпретация ядра в этом случае может, например, выглядеть так: ЕСЛИ А, ТО ВОЗМОЖНО В.
Возможность может определяться некоторыми оценками реализации ядра. Например, если задана вероятность выполнения В при актуализации А, то продукция (в простейшем случае продукция состоит лишь из ядра) может быть такой: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р РЕАЛИЗОВАТЬ В. Оценка реализации ядра может быть лингвистической, связанной с понятием терм-множества лингвистической переменной, например: ЕСЛИ А, ТО С БОЛЬШОЙ ДОЛЕЙ УВЕРЕННОСТИ В. Возможны иные способы задания оценки реализации ядра.
Детерминированные продукции могут быть однозначными и альтернативными. Во втором случае в правой части ядра указываются альтернативные возможности выбора, которые оцениваются специальными весами выбора. В качестве таких весов могут использоваться вероятностные, лингвистические, экспертные оценки и т.п. (например, ЕСЛИ A ТО ЧАЩЕ ВСЕГО НАДО ДЕЛАТЬ B1, РЕЖЕ В2 )
Особым типом являются прогнозирующие продукции, в которых описываются последствия, ожидаемые при актуализации А, (например, ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р можно ожидать В ).
Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции из числа актуализированных.
В ряде ЭС используются комбинации сетевых и продукционных моделей представления знаний. В таких моделях декларативные знания описываются в сетевом компоненте модели, а процедурные знания — в продукционном. В этом случае говорят о работе продукционной системы над семантической сетью .
Продукционные системы могут быть разделены на продукционные системы, управляемые данными (предусловиями правил), и на продукционные системы, управляемые целями (действиями правил). Традиционно под продукционными системами понимают только системы, использующие вывод, направляемый данными. Обычно предусловие задается в виде логической комбинации утверждений о данных рабочей памяти, а действием является некоторая операция по модификации памяти. Сложность действий колеблется в значительных пределах от простой операции присваивания до функции произвольной степени сложности.
В продукционных системах, управляемых целями, предусловия и действия являются утверждениями о данных. Здесь вывод осуществляется в обратном направлении от утверждений, которые должны быть доказаны.
Необходимо подчеркнуть, что образцы могут быть заданы как декларативно, так и процедурно. Так, например, в системах типа MYCIN или OPS образцы задаются декларативно, а в системах типа HEARSAY-II - процедурно.
Итак, представление знаний в виде управляемых образцами модулей и продукционных правил обладает следующими достоинствами:
1) модульностью организации знаний;
2) независимостью правил, выражающих самостоятельные "куски" знаний;
3) легкостью и естественностью модификации знаний;
4) отделением управляющих знаний от предметных знаний, что позволяет применять различные управляющие стратегии;
5) возможностью создания для ряда приложений управляющих механизмов для автоматического решения задач. Основным недостатком данного подхода является его более низкая эффективность по сравнению с методами традиционного программирования.
Различные авторы по-разному классифицируют продукционные системы с точки зрения дихотомии декларативность/процедурность. Одни относят их к декларативному представлению, другие - к процедурному или декларативно-процедурному [Нариньяни, Яхно, 1984; Яхно, 1984]. Вероятно, расхождения объясняются тем, насколько широко трактуется понятие "продукционное правило". По нашему мнению, даже в самом простом продукционном правиле (т.е. правиле, не содержащем присоединенных процедур) есть элемент процедурности, так как предполагается, что правило будет использовано для выполнения некоторого действия. Именно это и отличает процедурное представление от декларативного, поскольку декларативные знания не несут никакой информации о том, как они будут использованы. Если же говорить о более сложных продукционных правилах, то в них степень "процедурности" еще выше. Однако в продукционных правилах и даже в модулях, управляемых образцами, есть и элемент декларативности, так как способ использования правил и модулей в самих правилах и модулях не указывается. В общем можно считать, что так же, как и представления в виде фреймов и иерархических сетей, продукционные правила объединяют в себе свойства и декларативного и процедурного представления. Ниже будет показано на примере действующих систем, что продукционное правило может быть представлено в виде фрейма или сети.
