
- •1 Основные понятия
- •1.1 Происхождение и понимание термина «искусственный интеллект»
- •1.2 Подходы к пониманию проблемы
- •Тест Тьюринга и интуитивный подход
- •Символьный подход
- •Логический подход
- •Агентно-ориентированный подход
- •Гибридный подход
- •1.3 Модели и методы исследований Символьное моделирование мыслительных процессов
- •Работа с естественными языками
- •Представление и использование знаний
- •Машинное обучение
- •Биологическое моделирование искусственного интеллекта
- •Робототехника
- •Машинное творчество
- •Другие области исследований
- •Современный искусственный интеллект
- •Некоторые из самых известных ии-систем:
- •1.4. Классификация интеллектуальных систем
- •1.5 Методы поиска решений
- •Генетические алгоритмы
- •2. Представление знаний в системах искусственного интеллекта
- •2.1 Представление знаний
- •Формальная (Аристотелева) логика и логика высказываний
- •Как упростить логическую формулу?
- •Как решать логические задачи?
- •Решение логических задач средствами алгебры логики
- •Решение логических задач табличным способом
- •Решение логических задач с помощью рассуждений
- •Логика предикатов
- •3 Логическое программирование на прологе
- •Объекты данных
- •Представление списков
- •Некоторые операции над списками
- •Ограничение перебора
- •Пример Пролог программы
- •4 Логика предикатов второго порядка
- •5. Нечеткая логика
- •Нечеткие множества
- •Основные характеристики нечетких множеств
- •Методы построения функций принадлежности нечетких множеств
- •Операции над нечеткими множествами
- •Наглядное представление операций над нечеткими множествами
- •Свойства операций и
- •Нечеткая и лингвистическая переменные
- •Нечеткие высказывания и нечеткие модели систем
- •Нечеткая база знаний
- •6 Байесовы сети
- •6.1. Простейший логический вывод
- •6.2. Распространение вероятностей в эс
- •6.3. Последовательное распространение вероятностей
- •6.4. Экспертные системы, использующие субъективные вероятности
- •6.5 Байесовские сети доверия как средство разработки эс
- •6.5.1. Основные понятия и определения
- •6.5.2. Пример построения простейшей байесовской сети доверия
- •6.5.3. Процесс рассуждения (вывода) в байесовских сетях доверия
- •6.5.4. Байесовские сети доверия как одно из направлений современных экспертных систем
- •6.6 Сети доверия с условными гауссовскими переменными
- •6.6.1. Непрерывные случайные величины
- •6.6.2. Непрерывные гауссовские переменные
- •6.6.3. Числовые характеристики случайных величин
- •6.6.4. Совместное использование дискретных и непрерывных переменных в байесовских сетях доверия
- •6.6.5. Логический вывод в байесовских сетях доверия с непрерывными и дискретными состояниями
- •6.7 Экспертные системы на основе теории Демстера-Шеффера
- •6.7.1. Предпосылки возникновения новой теории.
- •6.7.2. Основы теории Демстера-Шеффера
- •6.7.3. Меры доверия и правдоподобия в тдш
- •6.7.4. Отличие тдш от теории вероятностей
- •6.7.5. Связь между тдш и классической теорией вероятностей
- •6.7.6. Комбинация функций доверия
- •7 Решатели проблем, основанных на знаниях
- •7.1 Семантические сети
- •7.2 Фреймы
- •7.3 Нейронные сети
- •7.4 Экспертные системы
- •Модель экспертных систем
- •7 Распознание образов Контурный анализ
- •Код Фримена
- •Современные программные и инструментальные средства создания искусственного интеллекта
6.7.6. Комбинация функций доверия
Если текущие свидетельства ведут к множественным довериям относительно одних и тех же гипотез, то доверия необходимо комбинировать для получения общего доверия к гипотезам. Для рассмотрения доверий, ТДШ обычно комбинирует различные функции доверия, вычисляя их ортогональные суммы по правилу Демстера.
Пусть имеем два свидетельства. Одно из них задаётся множеством, определённых на фрейме различения, базовых вероятностей m1, то есть
и позволяет определить доверия к тем или иным гипотезам. В общем случае ко всем возможным на гипотезам. При поступлении нового свидетельства также задаётся множеством базовых вероятностей ,
определяющих новое доверие к гипотезам. Если же мы хотим распространить доверие, то есть учесть в логическом выводе оба поступивших свидетельства ,
то для этого необходимо вычислить ортогональные суммы базовых вероятностей, определённых для каждого из свидетельств, то есть
Исходя из правила Демстера, ортогональные суммы определяются следующим выражением:
где K- нормировочная постоянная, определяемая следующим образом:
Если
.
Если
,
то ортогональная сумма не существует
и базовые вероятности m1 и m2 противоречивы.
Значение
logK называется весом конфликтности
между
.
Таким образом, если
не
конфликтны, то
.
Если
полностью
противоречивы, то . Ортогональные суммы
являются коммунитативными и ассоциативными.
Рассмотрим пример. Пусть две функции доверия, соответствующие двум свидетельствам, заданным базовыми вероятностями m1 и m2, определённым на одном и том же фрейме различения имеют вид:
На основе первого свидетельства может быть определён диапазон, в котором находится вероятность, каждой из гипотез. В частности:
.
При поступлении и учёте свидетельства 2 можно распространить доверия на основе вычисления ортогональных сумм. Промежуточные вычисления представим в виде таблицы
Тогда вычислив
можно будет определить значения ортогональные суммы базовых вероятностей
Все
другие подмножества
имеют
комбинированные доверия равные 0 и
сумма всех комбинированных базовых
вероятностей для
равна
1. На основе этих базовых вероятностей
могут быть вычислены доверия и
правдоподобия для всех необходимых
гипотез. С учётом распространения
доверия на основе двух, полученных от
экспертов свидетельств получим
.
Это говорит о том, что вновь поступившее
свидетельство (свидетельство 2) снижает
наше доверие к использованию к
использованию для транспортировки
автотранспорта.
7 Решатели проблем, основанных на знаниях
7.1 Семантические сети
Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними. Термин"семантическая" означает "смысловая", а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т. е. наука, определяющая смысл знаков. Модель на основе семантических сетей была предложена американским психологом Куиллианом.
В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения это связи типа: "это" ("АКО — A-Kind-Of, "is" или "элемент класса"), "имеет частью" ("has part"), "принадлежит", "любит".
Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями.
По количеству типов отношений:
однородные (с единственным типом отношений);
неоднородные (с различными типами отношений).
По типам отношений:
бинарные (в которых отношения связывают два объекта);
N-арные (в которых есть специальные отношения, связывающие более двух понятий).
Наиболее часто в семантических сетях используются следующие отношения:
элемент класса (роза это цветок);
атрибутивные связи /иметь свойство (память имеет свойство — объем);
значение свойства (цвет имеет значение — желтый);
пример элемента класса (роза, например — чайная);
связи типа "часть-целое" (велосипед включает руль);
функциональные связи (определяемые обычно глаголами "производит", "влияет"...);
количественные (больше, меньше, равно...);
пространственные (далеко от, близко от, за, под, над...);
временные (раньше, позже, в течение...);
логические связи (и, или, не) и др.
Минимальный состав отношений в семантической сети таков:
элемент класса или АКО;
атрибутивные связи /иметь свойство;
значение свойства.
Недостатком этой модели является сложность организации процедуры организации вывода.
Пример семантической сети для предложения типа "Поставщик осуществил поставку изделий для клиента до 1 июня 2010 года в количестве 10 000 штук" представлен на рис. 7.
Рис.7. Пример семантической сети.