Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
СИИ - лекции.doc
Скачиваний:
0
Добавлен:
01.05.2025
Размер:
313.86 Кб
Скачать

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 В) = min (cfA, cfB) или (3). cf В) = cfA cfB /100

(2). cf В) = mах (cfA, cfB) или (4). cf 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].