
- •Глава 1. Основные определения, история проблемы,
- •Глава 2 Онтологическая инженерия описания предметной области ……50
- •Глава 3. Представление и вывод знаний в системах искусственного интеллекта на основе логических моделей. 65
- •Глава 4 Представление и вывод знаний в системах искусственного интеллекта на основе семантических сетей 98
- •Контрольные вопросы и задание 110
- •Глава 5. Представление и вывод знаний в системах искусственного интеллекта на основе фреймовых моделей. 111
- •Глава 6. Представление и вывод знаний в системах искусственного интеллекта на основе продукционных моделей. 118
- •Глава 7. Представление и вывод неопределённых знаний в системах искусственного интеллекта. 132
- •Лекция 1
- •Глава 1. Основные определения, история проблемы, современные направления развития.
- •Основные определения искусственного интеллекта.
- •1.2. Тест Тьюринга
- •Науки, лежащие в основе искусственного интеллекта
- •Вычислительная техника (период с 1940 года по настоящее время)
- •История искусственного интеллекта.
- •Рождение искусственного интеллекта (1956 год)
- •Ранний энтузиазм, большие ожидания (период с 1952 года по 1969 год)
- •Столкновение с реальностью (период с 1966 года по 1973 год)
- •Лекция 2
- •Основные современные направления развития искусственного интеллекта
- •1.6. Основные понятия о знаниях.
- •1.7. Выводы по 1-ой главе:
- •Контрольные вопросы и задание
- •Лекция 3
- •Глава 2 Онтологическая инженерия описания предметной области.
- •2.1. Понятие онтологии.
- •2.2. Теория множеств - математический аппарат описания онтологии.
- •2.2.1. Основные понятия и определения.
- •Лекция 4
- •2.2.2.Операции над множествами
- •2.2.3. Декартово произведение множеств
- •2.2.4. Отношения и их свойства.
- •2.3. Предметы, свойства и отношения предметной области.
- •Лекция 5
- •2.4. Понятие цели
- •2.5. Методика решения задач.
- •2.6. Понятие модели.
- •2.7. Методика построения онтологии.
- •2.8. Выводы по 2-ой главе.
- •2.9. Контрольные вопросы и задание.
- •Лекция 6
- •Глава3 Представление и вывод знаний в системах искусственного интеллекта на основе логических моделей.
- •3.1. Основы математической логики
- •3.1.1. Классификация и определение логик, алгебр, исчислений, теорий.
- •3.1.2.Традиционная логика.
- •Лекция 7
- •3.1.3.Логика, алгебра и исчисление высказываний.
- •3.1.4. Логика, алгебра и исчисление предикатов
- •Лекция 8
- •3.1.5. Формальные методы вывода решений в аксиоматических теориях.
- •3.1.6. Приведение формул исчисления предикатов к дизъюнктам Хорна.
- •4. Исключение кванторов существования.
- •3.2. Логическая модель представления знаний.
- •3.3. Вывод в системах искусственного интеллекта с логическим представлением знаний.
- •3.3.1. Правило резолюции.
- •Стратегия полного перебора.
- •Стратегия опорного множества.
- •3. Линейная по входу стратегия.
- •3.4. Выводы по 3-ой главе.
- •Контрольные вопросы и задание.
- •Лекция 9
- •Глава 4 Представление и вывод знаний в системах искусственного
- •Элементы теории графов
- •4.1.1. Способы задания графов.
- •1. Графический
- •2. С помощью матрицы инцидентности.
- •3. С помощью списка ребер.
- •4. С помощью матрицы смежности.
- •4.1.2. Задачи, решаемые с помощью графов.
- •Задача поиска наикратчайшего пути на графе.
- •Транспортная задача.
- •Задача о назначении (задача коммивояжера).
- •Задача о назначении работ.
- •Лекция 10
- •4.2. Представления знаний в виде семантических сетей.
- •4.3. Вывод в системах искусственного интеллекта с представлением знаний в виде семантических сетей.
- •Выводы по 4-ой главе.
- •Контрольные вопросы и задание.
- •Лекция 11
- •Глава 5. Представление и вывод знаний в системах искусственного интеллекта на основе фреймовых моделей.
- •5.1. Представления знаний в виде фреймов
- •5.2. Вывод в системах искусственного интеллекта с фреймовым
- •Выводы по 5-ой главе.
- •5.4. Контрольные вопросы и задание.
- •Лекция 12
- •Глава 6. Представление и вывод знаний в системах искусственного интеллекта на основе продукционных моделей.
- •Представление знаний в виде в виде системы продукций.
- •6.2. Продукционные системы
- •6.3. Прямой и обратный вывод в продукционных системах.
- •Лекция 13
- •6.4. Пример работы продукционной системы.
- •6.5. Выводы по 6-ой главе
- •6.6. Контрольные вопросы и задание
- •Лекция 14
- •Глава 7. Представление и вывод неопределённых знаний в системах искусственного интеллекта
- •Представление и вывод при нечётких знаниях.
- •7.1.1. Определение нечёткого множества.
- •7.1.2. Операции над нечёткими множествами.
- •Лекция 15
- •7.1.3. Нечёткие отношения.
- •Формальные методы вывода решений в нечёткой логике.
- •Лекция 16
- •7.2.Представление и вывод при неполных знаниях.
- •Вероятностный подход к представлению неопределённых знаний.
- •Определения и виды вероятности
- •Аксиомы вероятностей
- •Лекция 17
- •7.2.4. Формальные методы вывода решений при вероятностном подходе.
- •7.2.5. Правило Байеса и его использование.
- •Байесовская сеть представления и вывода вероятностных знаний.
- •Другие способы представления и вывода неопределённых знаний.
- •Выводы по 7-ой главе
- •7.5. Контрольные вопросы и задание.
- •Литература
2.6. Понятие модели.
Центральным местом предлагаемой методики - является процесс построения адекватной модели. Любые выводы сделанные на основе тех или иных моделей верны с точностью адекватности модели целям и предметной области. Прежде чем перейти к методам доказательства адекватности моделей, рассмотрим само понятие модели.
Модель - это естественный или искусственный объект, находящийся в соответствии с какой-либо из сторон изучаемого или создаваемого объекта.
Моделирование - означает осуществление каким-либо способом отображения или воспроизведения действительности для изучения имеющихся в ней закономерностей.
Можно дать более обобщённое понятие модели и моделирования.
Моделированием является любой метод практического или теоре-тического, мысленного или опытного оперирования объектом. При этом используется вспомогательный промежуточный искусственный или естественный “квазиобъект”, находящийся в каком-либо объективном соответствии с познаваемым или создаваемым объектом и называемый моделью. Рассмотрим одну из возможных классификаций моделей (рис. 13).
Рис.13.
Физические модели - сохраняют природу физических явлений, происходящих в объекте моделирования. Физические модели по степени адекватности реальным объектам можно разделить на три класса: неполные, приближённые и полные.
Полные модели - моделируют и пространственные и временные отношения, существующие в реальном объекте.
Например: Модель самолёта в аэродинамической трубе.
Неполные модели - моделируют либо пространственные, либо временные отношения, существующие в реальном объекте.
Например: Макетирование архитектурных ансамблей.
Приближённые модели - приближённо моделируют и пространственные, и временные отношения или либо пространственные, либо временные отношения, существующие в реальном объекте.
Например: Геометрические модели молекул - приближённо моделируют пространственные свойства молекул.
Адекватность физических моделей достигается за счёт подобия физических процессов, происходящих в модели и объекте, либо за счёт подобия математических выражений, описывающих физические процессы, происходящие в модели и объекте, и вычисления соответствующих масштабных коэффициентов на основе теории подобия.
Метод решения задач, использующий физические модели, заключается в проведении активных экспериментов с моделью объекта с дальнейшей обработкой результатов экспериментов с целью предсказания поведения реального объекта в штатных и критических ситуациях.
Математические модели - представляют собой формализованное описание пространственно-временных отношений объекта.
Гипотезы - связаны с построением на основе логики высказываний качественных феноменологических (объясняющих явления) моделей.
Например: Планетарная модель атомов.
Закономерность – представляют формальное количественное описание свойств объекта и его пространственно - временных отношений, подтверждённое некоторым числом измерений.
Например: Закономерность выпадения орла или решки.
Законы – представляют формальное количественное описание свойств объекта и его пространственно - временных отношений, позволяющее прогнозировать поведение объекта.
Например: Законы классической механики.
Адекватность математических моделей достигается путём многократных экспериментов с объектом, подтверждающих с точностью до ошибки измерения выявленную формальную связь между количественными значениями свойств предметов и свойств отношений предметов, участвующих в процессе.
Метод решения задач, основанный на математических моделях заключается в логическом или математическом выводе количественных значений свойств предметов или отношений, исходя из известных значений свойств.
Особое место в классификации занимают функциональные или кибернетические модели. Если физические и отчасти математические модели копируют предметы и отношения, составляющие объект, и тем самым, объясняя функционирование объекта, то функциональные модели копируют только поведение системы, не раскрывая внутреннего устройства объекта.
Например: Функциональная модель птицы - воздушный шар т.к. тот и другой объекты летают.
Механистическая модель – модель, в которой набор функций жёстко определён.
Например: заводная игрушка.
Адаптивная модель – изменяет набор функций в зависимости от внешних условий и воздействий, но изменения функций происходят по жёсткому алгоритму.
Например: механическая мышка в лабиринте, снабжённая фотоэлементом и программой поиска свободного направления.
Интеллектуальная модель - изменяет набор функций и программу поведения в зависимости от внешних условий и воздействий, т.е. обладает обучаемостью.
Например: нейронная сеть.
Непосредственно с видом модели связан метод доказательства адекватности модели. Также с видом модели связан и метод решения задач. Здесь будем рассматривать методы решения задач анализа т.к. для задач синтеза методом решения, как уже говорилось выше, является создание соответствующей технологии, описание которой выходит за рамки данного пособия.