Лабораторная работа 2 Классифицирующие сети

Классифицирующие сети используют таксономическую иерархию – иерархию абстрактных понятий, имеющих структуру дерева, корень является наиболее общим понятием (например, биологическая классификация Карла Линнея 1735 г.)

Рис.2 Пример классифицирующей сети

Рассмотрим примеры отношений в классифицирующей сети.

ISA (is a) – отношение классификации (Member of), например, ВСЕ ЗАЙЦЫ СУТЬ МЛЕКОПИТАЮЩИЕ. МУРКА is a КОШКА. Свойства объекта наследуются от множества.

AKO (a kind of) - разновидность – отношение между множеством и подмножеством. Элемент подмножества – гипоним, отношение называется отношением гипонимии.

Отношение определяет, что каждый элемент первого множества входит и во второе, а также логическую связь между самими подмножествами: что первое не больше второго и свойства первого множества наследуются вторым

HasPart - отношение части объекта (отношение меронимии). Мероним – объект, являющийся частью другого. Холоним - объект, включающий в себя другое. Например, КОМПЬЮТЕР – холоним для монитора.

Задание для самостоятельного выполнения:

Составить классифицирующую сеть по вариантам задания для определения принадлежности индивида к определенному классу или виду по вариантам задания.

Классификация грибов
Классификация членистоногих
Классификация грызунов
Классификация сумчатых
Классификация пресмыкающихся
Классификация цветковых растений
Классификация протистов (простейшие микроорганизмы)
Классификация отряда хищников

Лабораторная работа 3 Моделирование неточного вывода

В реальных экспертных системах чаще всего реализуется неточный вывод, когда нет полной уверенности в принимаемом решении. Существуют различные способы определения результирующего значения определенности вывода: вероятностные, экспертные и пр. Рассмотрим методику расчета определенности, впервые примененную в экспертной системе MYCIN.

Воспользуемся представлением базы знаний в виде И/ИЛИ графа.

Пусть БЗ представлена следующими правилами:

ЕСЛИ А то В

ЕСЛИ А то С

ЕСЛИ А то D

ЕСЛИ В то Е

ЕСЛИ B и С и D то F

Соответствующий И/ИЛИ граф будет выглядеть следующим образом:

Рис. 1. И/ИЛИ граф базы знаний

Для расчета определенности воспользуемся следующими заключениями: Если соединение вершин графа по «И» то степень достоверности заключения не может быть больше самой слабой из составляющих посылки, т.е.

K= min (K1,K2,…, Kn)

(1)

Коэффициент достоверности получаемого заключения сравнивается с некоторым пороговым значением (в MYCIN оно равно 0,2), которое определяется эмпирически.

Для дизъюнктивной вершины считаем, что посылки подкрепляют друг друга при получении заключения.

Если имеются 2 продукции:

Р1: А1->D P2: A2->D, то

KD= KA1+KA2 (1-KA1)=KA1+KA2-KA1KA2 (2)

Если имеется 3 продукции, то коэффициент достоверности KD рассчитывается по формуле:

KD=KA1+KA2+KA3-KA1KA2-KA1KA3-KA2KA3+KA1KA2KA3 (3)

Учитывая коэффициенты достоверности продукций, получим

Р1 и Р2-KD=KA1KP1+KA2KP2-KA1KA2KP1KP2

Будем считать, что информация посылки или заключения с коэффициентом достоверности < 0,4 далее при выводе не используется.

Рассмотрим пример.

В некоторой технической системе произошла авария. Для принятия решений по ее ликвидации необходимо выяснить причину аварии, каждая причина требует своих действий. Диспетчер на основе опыта предполагает, что причиной является R. Нужно определить коэффициент достоверности Kr гипотезы R. Для подтверждения своего предположения диспетчер обращается к ЭС и вводит данные (Fi) c коэффициентами достоверности. И/ИЛИ граф БЗ представлен на рис.2.