Представление знаний с помощью фреймов.(23)
Фрейм это абстрактный образ для предоставления некоего стереотипа восприятия.
Фреймом также называется и формализованная модель для отображения образа.
Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие через:
Фреймы-структуры использующиеся для обозначения объектов и понятий (заём,залог,вексель)
Фреймы – роли (менеджер, кассир, клиент)
Фреймы-сценарии (банкротство, собрание акционеров, празднование именин)
Фреймы-ситуации (тревога,авария,рабочий режим устройства) и др.
Понятие машины вывода (26)
Программа управляющая перебором правил, называется машиной вывода. Машина вывода (интерпритатор правил) выполняет две функции: во-первых, просмотр существующих фактов из рабочей памяти (базы данных) и правил из базы знаний и добавление (по мере возможности) в рабочую память новых фактов, во-вторых, определения порядка просмотра и применение правил. В подавляющем большинстве систем, основанных на знаниях, механизм вывода представляет собой небольшую по объёму программму и включает два компонента-один реализует собственный вывод, другой управляет этим процессом.
Прямой и обратный выводы. (28)
При обратном порядке вывода вначале выдвигается некоторая гипотеза, а затем механизм вывода как бы возвращается назад, переходя к фактам , пытаясь найти те которые подтверждают гипотезу. Далее отыскиваются факты , подтвержающие истинность подчинённой гипотезы. В системах с прямым выводом по известным фактам отыскивается заключение. Если такое заключение найдено то оно вносится в рабочую память. Систему с прямым выводом часто называют вывод управляемыми данными или выводом управляемым анцидетном.
Поиск в ширину и глубину.(30)
В системах в базе данных, которых насчитывается очень много правил, желательным является применение стратегия управления выводом, позволяет уменьшить время поиска и тем самым повысить эффективность вывода.
При поиске в глубину в качестве очередной подцели выбирается та которая соответсвует следующему, более детальному описанию задачи. Пример диагногностирующая система сделав на основе известных симптомов предложение о наличии определённого заболевания , будет продолжать запрашивать уточняющие признаки и симптомы этой болезни до тех пор пока полностью не опровергнет выдвинутую гипотезу.
При поиске в ширину напротив, система, сначало проанализирует все симптомы находящиеся на одном уровне пространства состояний, даже если они относятся к разным заболеваниям , и лишь затем перейдёт на следующий уровень детальности.
Вопросы нечеткой логики. (31)
Решает проблему с формализацией человеческих знаний , кроме того, в задачах, решаемыми интеллектуальными системами, часто приходится пользоваться неточными знаниями, которые не могут быть интерпритированными как полностью истинными или ложными неразрушая свойства размытости и неточноности представить знания формально
Одно из главных понятий нечётной логики – понятие лингвистической переменной это переменная , значение которой определяется набором вербальных (т.е словесных) характеристик некоторого свойства.Например, ЛП рост определяется через набор {карликовый, низкий,средний,высокий,очень высокий}. Значение лингвистической ЛП определяется через так называемые нечёткие множества (НМ), которые определены на некотором базовом наборе значений или базовой числовой шкале, имеющей размерность. Каждое значение ЛП определяетя как нечёкое множество (например НП «низкий рост»)