
- •И.В. Романова Интеллектуальные подсистемы сапр
- •Оглавление
- •6. Представление знаний и процедуры выводов с помощью
- •Введение
- •Глава 1. Искусственный интеллект как научное направление
- •1.1. Что такое Искусственный интеллект
- •И как должна себя вести интеллектуальная система?
- •1.2. История развития ии
- •1.3. Направления исследований в области ии
- •Глава 2. Общие сведения о системах искусственного интеллекта
- •2.1. Обобщенная схема системы искусственного интеллекта
- •2.2. Этапы разработки систем искусственного интеллекта
- •Глава 3. Представление знаний
- •3.1. Данные и знания
- •3.2. Модели представления знаний
- •3.3. Продукционная модель
- •3.4. Логические модели
- •3.5. Семантические сети
- •3.6. Фреймовые модели
- •Глава 4. Вывод на знаниях
- •4.1. Машина вывода
- •4.2. Стратегии управления выводом
- •4.3. Прямой и обратный вывод
- •4.4. Методы поиска в глубину и ширину
- •4.5. Графы и/или
- •Глава 5. Нечеткие знания
- •5.1. Основы теории нечетких множеств
- •5.2. Операции с нечеткими знаниями
- •Глава 6. Представление знаний и процедуры выводов с помощью логики предикатов
- •6.1. Понятие формальной системы
- •6.2. Исчисление высказываний
- •6.3. Исчисление предикатов первого порядка
- •6.4. Доказательство методом резолюции
- •Глава 7. Прикладные интеллектуальные системы
- •7.1. Введение в экспертные системы. Определение и структура
- •7.2. Классификация систем, основанных на знаниях
- •7.3. Трудности разработки экспертных систем
- •Формирование базы знаний экспертной системы и механизма логического вывода
- •Глава 8. Способы интеллектуализации сапр
- •8.1. Архитектура интеллектуальных сапр
- •8.2. Основные концепции интеллектуальных caпp
- •Вопросы для контроля
- •Библиографический список
3.2. Модели представления знаний
Существуют десятки моделей (или языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:
продукционные модели;
семантические сети;
фреймы;
формальные логические модели.
3.3. Продукционная модель
Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)».
Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» (консекветом) действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия и терминальными или целевыми, завершающими работу системы) [3].
Продукционные модели называют еще продукциями. Под продукцией понимается выражение АВ (если А, то В).
Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения к данным). Данные это исходные факты, хранящиеся в базе фактов, на основании которых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы знаний.
Пример. Имеется фрагмент базы знаний из двух правил:
П1: Если «отдых летом» и «человек активный», то «ехать в горы».
П 2: Если «любит солнце», то «отдых летом».
Предположим, в систему поступили данные «человек активный» и «любит солнце».
Прямой вывод исходя из данных, получить ответ.
1-й проход.
Шаг 1. Пробуем П1, не работает (не хватает данных «отдых летом»).
Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых летом».
2-й проход.
Шаг 3. Пробуем П1, работает, активируется цель «ехать в горы», которая и выступает как совет, который дает ЭС.
Обратный вывод подтвердить выбранную цель при помощи имеющихся правил и данных.
1-й проход.
Шаг I. Цель «ехать в горы»: пробуем П1 данных «отдых летом» нет, они становятся новой целью, и ищется правило, где она в правой части.
Шаг 2. Цель «отдых летом»: правило П2 подтверждает цель и активирует ее.
2-й проход.
Шаг 3. Пробуем П1, подтверждается искомая цель.
Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукция из числа актуализированных.
Системы продукций широко распространены в экспертных системах. Популярность продукционных моделей определяется несколькими факторами.
1. Подавляющая часть человеческих знаний может быть записана в виде продукций.
2. Системы продукций являются модульными. За небольшим исключением удаление или добавление продукций не приводит к изменениям в остальных продукциях.
3. При необходимости системы продукций могут реализовать любые алгоритмы и, следовательно, способны отражать любое процедурное знание, доступное ЭВМ.
4. Наличие в продукциях указателей на сферу применения продукции позволяет эффективно организовать память, сократив время поиска в ней необходимой информации. Классификация сфер может быть многоуровневой, что еще более повышает эффективность поиска знаний, так как позволяет наследовать информацию в базе знаний.
5. При объединении систем продукций и сетевых представлений получаются средства, обладающие большой вычислительной мощностью.
6. Естественный параллелизм в системе продукций, асинхронность их реализации делают продукционные системы удобной моделью вычислений для ЭВМ новой архитектуры, в которой идея параллельности и асинхронности является центральной.
Продукционные модели имеют, по крайней мере, два недостатка. При большом числе продукции становится сложной проверка непротиворечивости системы продукций. Это заставляет при добавлении новых продукций тратить много времени на проверку непротиворечивости новой системы. Из-за присущей системе недетерминированности (неоднозначного выбора выполняемой продукции из фронта активизированных продукций) возникают принципиальные трудности при проверке корректности работы системы. Считается, что если в ИС число продукций достигает тысячи, то мало шансов, что система продукций во всех случаях будет правильно функционировать. Именно поэтому число продукций, с которым, как правило, работают современные ИС, не превышает тысячи.