
- •Системы искусственного онтеллекта общие замечания
- •1. Введение
- •1.2. Область искусственного интеллекта.
- •1.3. Основные направления исследований в области ии
- •2. Экспертные системы, как основной класс интеллектуальных систем
- •2.1. Под интеллектуальной системой (ис)
- •2.3. Базовая структура эс
- •Интеллектуальный интерфейс
- •2.4. Основные виды задач, для решения которых создаются эс.
- •2.5. Два основных подхода к получению решений в эс .
- •2.6. Основные свойства идеальной эс
- •3. Основные понятия теории логического вывода и формальные логические системы
- •3.1. Логический вывод (логические рассуждения)
- •3.3. Исчисление высказываний (ив)
- •3.4. Исчисление предикатов (ип)
- •4. Представление знаний в экспертных системах и вывод на знаниях
- •4.1. Понятие знаний
- •В соответствии с содержимым знаний эс выделяют следующие их виды.
- •4.2. В продукционной модели
- •4.3. Проблема представления и обработки неопределенности знаний и данных
- •4.4. Фрейм
- •5. Основы методологии разработки эс
- •5.1. Процесс разработки эс
4.2. В продукционной модели
знания представляются с помощью набора правил вида "Если А, то В", где А - условие (посылка), В - действие (заключение). С помощью правил выражаются пространственно-временные, причинно-следственные, функционально-поведенческие (ситуация-действие) отношения объектов.
Примеры.
1. Если температура в верхней зоне превысит 1700 , то открыть
задвижку.
2. Если рентабельность предприятия высокая и задолженности нет,
то его финансовое состояние хорошее.
Если рентабельность предприятия низкая и есть задолженность,
то его финансовое состояние плохое.
Если финансовое состояние предприятия хорошее, то с ним можно
заключить договор"
Конструкции этого вида введены американским логиком Э. Постом (E. Post) в 1943 г. при исследованиях в области теории алгоритмов.
Общий вид продукционного правила:
i , Q, P, A B, N
i - имя или номер продукции (правила);
Q - сфера применения продукции;
A B - ядро продукции: "если A , то B"; "условие А" - это некоторое
предложение-образец, по которому осуществляется поиск в БЗ, "действие В" -
это действия, выполняемые при успешном исходе поиска.
P – предусловие - условие применимости ядра продукции;
N – постусловие - описание действий, выполнение которых требуется после
выполнения B.
Решение получается с помощью логического вывода на множестве заданных правил, хранящихся в БЗ, с использованием входных данных, поступающих в рабочую память (базу данных-БД). Применяются две процедуры вывода: прямой вывод, управляемый данными ("от данных к цели") и обратный, управляемый целями ("от цели к данным"). В ходе такого вывода последовательно (по одному) активизируются те правила (т.е. выполняются действия В, соответствующие правым частям этих правил), для которых оказались справедливыми условия А. Если одновременно оказались справедливыми условия А для нескольких правил (образующих в этом случае "конфликтный набор"), то продукционная система выбирает единственное правило для активизации в соответствии с той или иной стратегией разрешения конфликтов. Это и есть основная задача управления выводом в системе продукций. Достаточно полно все эти вопросы освещены в литературе [5 - 9 ].
Продукционная модель предназначена, в основном, для описания последовательности различных ситуаций и действий и в меньшей степени для структурированного описания объектов. Эта модель получила широчайшее распространение, особенно в промышленных ЭС. Ее достоинства: наглядность, высокая модульность, легкость внесения дополнений и изменений и простой механизм логического вывода.
4.3. Проблема представления и обработки неопределенности знаний и данных
в ЭС чрезвычайно важна, т.к. работа с неопределенными знаниями и данными - неотъемлемая характерная черта ЭС.
Рассматривается метод представления неопределенных знаний в ЭС на основе аппарата нечеткой логики (теории нечетких множеств Л. Заде - L.A.Zadeh) при использовании продукционной модели представления знаний, как одной из наиболее применяемых [6, 9].
В качестве меры достоверности обрабатываемых знаний используются экспертные оценки определенности фактов и применения правил, называемые факторами или коэффициентами уверенности. Факторы уверенности для аргументов - это весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений отражают порядок достоверности результата, а не его точность, что приемлемо во многих задачах. Факторы уверенности определяются на основе понятия нечеткого множества.
Фактор уверенности для некоторого значения данной переменной – это степень принадлежности этого значения к определенному нечеткому множеству. При оценке факторов уверенности используется некоторая относительная шкала, например, от 0 до 100, но в отличие от теории вероятностей сумма факторов уверенности альтернативных значений не обязательно равна 100.
Множество возможных значений некоторой переменной X с факторами уверенности для каждого значения составляет нечеткое множество вида:
{(X1, cf1), (X2, cf2), …, (Xn, cf n)}, где X1, X2, , …, Xn – значения данной переменной Х ; cf1, cf2, …, cfn – факторы уверенности, т.е. степени принадлежности каждого их этих значений некоторому заданному множеству.
Факторы уверенности исходных данных задаются пользователем при описании конкретной ситуации, а факторы уверенности применения правил определяются инженерами знаний совместно с экспертами с помощью определенных эвристических формул. Так, при объединении факторов уверенности аргументов, которые связаны конъюнктивно или дизъюнктивно, используются формулы:
(1). cf (А В) = min (cfA, cfB) или (3). cf (А В) = cfA cfB /100
(2). cf (А В) = mах (cfA, cfB) или (4). cf (А В) = cfA + cfB - cfA cfB /100
Объединение факторов уверенности аргументов, содержащихся в посылке каждого конкретного правила осуществляется чаще всего (как в ЭС GURU) по формулам вида min/max (1),(2); объединение факторов уверенности левой и правой частей одного правила - по формулам вида "произведение" (3), а факторов уверенности одинаковых результатов нескольких правил - по формулам вида "сумма" (4).
Подробнее см. на примере ЭС GURU [13].