6.5. Выводы по 6-ой главе

Оценка продукционных систем:

Достоинства:

1. Высокая степень детализации знаний.

2. Независимость отдельных элементов знаний друг от друга.

3. Рассмотрение базы знаний как совокупности активных процессов допускает асинхронную организацию решения задач с высокой степенью параллельности.

4. Продукционные модели применимы к области со слабоформализированными знаниями (медицина, биология и т.д.).

Недостатки:

1. Продукционные базы знаний не наглядны.

2. Низкая эффективность стратегии управления.

6.6. Контрольные вопросы и задание

6.6.1.. Охарактеризуйте продукционную модель представления знаний. Приведите примеры представления знаний правилами. В чем отличия между продукционными системами с прямыми, обратными и двунаправленными выводами?

6.6.2. Опишите функционирование механизма вывода продукционной ЭС и охарактеризуйте его составляющие: компоненту вывода и управляющую компоненту. 6.6.3. Сформулируйте собственные примеры прямого и обратного вывода в ЭС продукционного типа.

6.6.4. Разработайте программную реализацию интеллектуальной системы с продукционным представлением знаний и механизмом вывода на базе правила Modus Ponendo Ponens.

6.6.5. Выполните формализацию знаний средствами продукционной модели, которые могут использоваться в интеллектуальной системе для поддержки задач диагностики экономического и финансового состояния предприятия (других задач).

6.6.6. Выполните представление знаний средствами описанных моделей для известной Вам игры.

Лекция 14

Глава 7. Представление и вывод неопределённых знаний в системах искусственного интеллекта

1. Представление и вывод при нечётких знаниях.

Известно, что количественные данные (знания) могут быть неточными, при этом существуют количественные оценки такой неточности (доверительный интервал, уровень значимости, степень адекватности и т.д.). Лингвистические знания также могут быть неточными. Для учета неточности лингвистических знаний используется теория нечетких множеств, предложенная Л. Заде в 1965 г. Этому ученому принадлежат слова: «фактически нечеткость может быть ключом к пониманию способности человека справляться с задачами, которые слишком сложны для решения на ЭВМ». Развитие исследований в области нечеткой математики привело к появлению нечеткой логики и нечетких выводов, которые выполняются с использованием знаний, представленных нечеткими множествами, нечеткими отношениями, нечеткими соответствиями и т. д.

7.1.1. Определение нечёткого множества.

Нечеткие множества выражаются понятиями: «сильно», «очень», «слабый», «несколько» и т.п.

1 2 3 4 5 6 7 8 9 10

Нет ничего: 0; Не много: 5 – 8;

Очень мало: 1 -2; Много: 9 – 10;

Мало: 1- 4; Очень много: >10.

Нечеткое подмножество А множества элементов U области рассуждений определяется функцией принадлежности µА отраженной на интервале [0;1], которая связывает с каждым элементом y є U число µА(у) в интервале [0;1], которая представляет собой степень принадлежности у к А.

Элемент подмножества А называется синглетон.

Нечеткое множество А можно рассмотреть как объединение синглетонов, которые можно коротко описать:

А = µА(у)/у – при бесконечном количестве элементов U.

U

A = µ₁/y₁+ µ₂/y₂ +… +µ_n/y_n = ∑µ_i/y_i ; (i = 1,…n)– при конечном количестве элементов U.

Пример: Пусть U – это числа U = {1,2,…,10}, а нечеткое множество А зададим понятием «несколько».

А _{<несколько>} 0,4/2 + 0,7/3 + 0,2/8 + 0,7/9 (3 ближе к понятию «несколько»).

- равенство по определению. µА(у) = [0;1].

Чем больше степень принадлежности µ(А), тем выше степень коэффициента. Выбор µ (коэффициентов) субъективен. В этом основная проблема нечетких множеств.

В _<много> 0,1/2 + 0,3/3 + 0,5/4 + 0,7/8 + 1/10.

Пример:

U = {пинчер, гончая, овчарка, бульдог}.

A _<злой> 0,9/пинчер + 0,2/гончая + 0,5/овчарка + 0,6/бульдог;

A _{<добрый>} 0,1/пинчер + 0,8/гончая + 0,5/овчарка + 0,4/бульдог;