Добавил:

ivanov666 Опубликованный материал нарушает ваши авторские права? Сообщите нам.

Вуз:

Башкирский Государственный Аграрный Университет

Предмет:

[НЕСОРТИРОВАННОЕ]

Файл:

Учебное пособие по курсу «Математические и алгоритмические основы построения интеллектуальных систем». В 3 частях. Ч.1

.pdf

Скачиваний:

Добавлен:

08.09.2026

Размер:

2 Мб

Скачать

☆

<<< < Предыдущая 1 2 3 4 5 6 7 8 9 10 11 1213 / 1513 14 15 > Следующая >>>

6.3. Формирование онтологии сложной предметной области на основе…

121

связи, при этом в случае использования однотипной связи тип не указывается.

Очевидно, что для представления разнотипных и кратных отношений

rj для онтологий сложных динамических ПО (СТС) целесообразно использование множественных и разнотипных связей. Тогда множество понятий (терминов) C онтологии О, заданной (6.2) и с учетом (6.3), (6.4), может быть представлено множеством вершин Gvʹʹ в графе Gʹʹ, а множество отношений R будет соответствовать множеству связей графа Geʹʹ. Для онтологии O формирование множества функций соответствия (интерпретации) понятий и отношений F заключается в составлении словаря терминов на этапе формирования специальных требований, который затем уточняется и дополняется. На этапе концептуализации в графе онтологии учитывается информация о понятиях и отношениях между ними, а на этапе формализации – информация о существенных признаках, характеризующих конкретное понятие.

С целью конкретизации процесса представления онтологии на основе

графа Gʹʹ определим назначение атрибутов его вершин и связей. Так, атрибуты вершины графа Gʹʹ могут иметь следующую интерпретацию:

 весу i вершины gvi придается смысл значимости (востребованно-

сти) понятия онтологии; i предлагается вычислять автоматически на основе локальной степени вершины (под которой понимается суммарное число входящих в нее и исходящих из нее связей) или с помощью эксперта.

Атрибуты связей графа Gʹʹ задаются аналогично, как в онтологии. Ве-

су связи μj придается смысл меры предпочтения соответствующего отношения онтологии. Тип связи в графе соответствует лингвистической составляющей отношения онтологии.

Рассмотрим применение предложенного подхода [27] на примере он-

тологии О1 для сложной динамической СТС в виде системы охраны протяженного периметра (рис. 6.4). На рис. 6.4 для наглядности выделены три фрагмента системы: О

1.1

(объект системы охраны периметра территории),

1.2

(ОО – объект охраны) и О

1.3

(МО – модуль охраны). Онтологии О1 со-

держит девять понятий.

На рис. 6.5 представлена онтология О1 в виде нечеткого графа G1ʹʹ. Ес-

ли сопоставить оба рисунка, то видно, что каждый из подграфов G

1.1

ʹʹ, G

1.2

ʹʹ,

1.3

ʹʹ представляет соответствующий фрагмент онтологии О1: G

1.1

ʹʹ соответ-

ствует фрагменту О

1.1

, G

1.2

ʹʹ – фрагменту О

1.2

, G

1.3

ʹʹ – фрагменту О

1.3

6. Специальные графы в интеллектуальных системах

122

система

периметробъект

охрана

состоит из

стационарный мобильный

наземный воздушный

ОО (фрагмент О

1.2

) МО (фрагмент О

1.3

)

Объект системы охраны периметра территории (фрагмент О

1.1

)

является является

являетсяявляется является

является

территория

состоит из

выбор

включает

Рис. 6.4. Фрагменты О

1.1

, О

1.2

, О

1.3

онтологии О1

G1.1ʹʹ

gv1

gv2

gv4

ge1/tp1

gv3

gv7gv6

gv9

gv8

ge4/tp1

ge6/tp1

ge2/tp4

ge3/tp4

ge5/tp4

ge9/tp3

ge11/tp3

ge10/tp3

G1.2ʹʹ G1.3ʹʹ

gv5

ge16/tp1

ge12/tp3

ge13/tp4

ge14/tp3

ge15/tp2

Рис. 6.5. Нечеткий граф G1ʹʹ

6.3. Формирование онтологии сложной предметной области на основе…

123

В табл. 6.3 и табл. 6.4 даны соответствия понятий и отношений онто-

логии О1 вершинам и связям графа G1ʹʹ.

Применение предложенного подхода к созданию онтологий сложных динамических ПО (СТС) на основе графов с множественными и разнотипными связями позволяет также провести их дополнительное исследование за счет анализа ряда характеристик и свойств сформированного графа онтологии.

Таблица 6.3

Соответствие понятий фрагмента онтологии О1 вершинам графа G1ʹʹ

Базовые понятия фрагмента онтологии О1

Вершины графа G1ʹʹ

c1 – «система»

gv1

c2 – «охрана»

gv2

c3 – «объект»

gv3

c4 – «периметр»

gv4

c5 – «территория»

gv5

c6 – «стационарный»

gv6

c7 – «мобильный»

gv7

c8 – «наземный»

gv8

c9 – «воздушный»

gv9

Таблица 6.4

Соответствие отношений фрагмента онтологии О1 связям графа G1ʹʹ

Отношения фрагмента

онтологии О1

Тип связи в графе G1ʹʹ

Связи графа G1ʹʹ

«состоит из»

tp1

ge1, ge4, ge6, ge16

«выбор»

tp2

ge15

«является»

tp3

ge7 – ge12, ge14

«включает»

tp4

ge2, ge3, ge5, ge13

Отметим также преимущества, полученные за счет автоматизации процесса формирования рекомендаций эксперту в результате применения алгоритма свертки графа [37]. Алгоритм свертки графа основан на применении операциях стягивания вершин и связей. Стягиванием вершин назы-

6. Специальные графы в интеллектуальных системах

124

вается операция объединения заданного множества вершин в одну, при этом полученные петли подлежат удалению, а стягиванием связей – операция, при которой вершины, инцидентные заданному связи, стягиваются.

Применение алгоритма свертки графа для обобщения ряда понятий

целесообразно в следующих ситуациях:

1) если в графе можно выделить подграф, который является кликой;

2) если в графе можно выделить подграф, объединяющий ряд других

подграфов.

Ситуация 1. Выделение полносвязанных подграфов (клик) может слу-

жить рекомендацией эксперту (ЛПР) для обобщения ряда понятий в одно понятие за счет свертки такого подграфа в вершину.

Ситуация 2. Так как подграф G

1.1

ʹʹ = G

1.2

ʹʹ ∩ G

1.3

ʹʹ (см. рис. 6.5), то си-

стема формирует рекомендации эксперту (ЛПР) по обобщению ряда понятий, соответствующих вершинам подграфа G

1.1

ʹʹ. Для этого на графе G1ʹʹ

применяется алгоритм свертки. На рис. 6.6 показан граф G1ʹʹ после свертки (этап 1). Появляется вершина gv10, обобщающая ряд вершин и инцидентных связей исходного графа. При этом вершина gv10 представляется списком ребер list (gv10) = (gv1: gv3, ge1), (gv1: gv2, ge2), (gv2: gv5, ge3), (gv2: gv3,

ge4), (gv2: gv4, ge5), (gv4: gv3, ge6), (gv4: gv5, ge13), (gv5: gv3, ge16).

G1.1ʹʹ

gv10

gv7gv6

gv9

gv8

ge7/tp3

ge8/tp3

ge9/tp3

ge11/tp3

ge10/tp3

G1.2ʹʹ G1.3ʹʹ

ge12/tp3

ge14/tp3

ge15/tp2

Рис. 6.6. Нечеткий граф G1ʹʹ в результате применения алгоритма свертки (этап 1)

Если эксперт соглашается с рекомендацией системы обобщить ряд по-

нятий: c1, c2, c3, c4, c5, то формируется понятие c10 = {c1, c2, c3, c4, c5} – «объект системы охраны периметра территории» (фрагмент О

1.1

6.3. Формирование онтологии сложной предметной области на основе…

125

Следует отметить, что возможен и дальнейший процесс обобщения. Например, подграфы G

1.2

ʹʹ и G

1.3

ʹʹ графа G1ʹʹ на рис. 6.6 содержат подмно-

жества вершин Gv

1.2

ʹʹ = {gv6, gv7, gv8, gv10} и Gv

1.3

ʹʹ = {gv7, gv9, gv10} соответ-

ственно. Система может порекомендовать эксперту обобщить еще ряд понятий, соответствующих этим вершинам, например: сформировать понятия:

- c11 = {c6, c8, c10}  {c7, c8, c10} «ОО», состоящее из понятий c6 (или c7,

c8) и c10;

- c12 = {c7, c9, c10} «МО», состоящее из понятий c7, c9 и c10. Таким обра-

зом, реализуется возможность иерархической вложенности понятий.

Заметим, что в случае отсутствия средств обобщения и свертки понятий, понятия «ОО» и «МО» выглядели бы достаточно громоздко (соответственно как {c1, c2, c3, c4, c5, c6, c8}  {c1, c2, c3, c4, c5, c7, c8} и {c1, c2, c3, c4,

c5, c7, c9}), что затрудняет их интерпретацию и последующий анализ.

При проектировании онтологий сложных динамических ПО (СТС) может возникнуть ситуация перегруженности ряда понятий (высокая степень их востребованности). С учетом того факта, что вес вершины соответствует степени значимости или востребованности понятия, то для решения этой проблемы предлагается автоматическое назначение веса i вершине gvi графа в зависимости от ее локальной степени s(gvi).

Результаты практической реализации, рассмотренные в данном разделе, позволяют подчеркнуть преимущества предложенного подхода к созданию онтологии сложных динамических ПО на основе графов с множественными и разнотипными связями. Формирование ряда рекомендаций эксперту в автоматическом режиме позволяет значительно уменьшить трудоемкость работы эксперта (ЛПР), что приводит к снижению стоимости затрат на создании онтологии и в то же время позволяет улучшить топологические качества онтологии сложных динамических ПО (СТС).

В данном разделе кратко рассмотрен ряд моделей на основе нечетких графов с однотипными связями и с множественными разнотипными связями, а также проведено их сравнение на примере представления элементов СТС. Наглядно представлены возможности применения таких графов для решения практических задач в интеллектуальных системах.

Показаны преимущества нечетких графов с множественными разнотипными связями:

6. Специальные графы в интеллектуальных системах

126

 для представления интеллектуальных систем на примере модели

взаимодействия элементов СТС;

 для анализа структурных задержек в распределенных ВС;  для формирования онтологии сложной динамической предметной

области.

Все вышесказанное позволяет обосновать необходимость применения

моделей на основе нечетких графов и гиперграфов с множественными разнотипными связями в интеллектуальных системах.

Вопросы для самоконтроля

1. Дайте формальное описание нечеткого графа.

2. Покажите на конкретном примере возможности использования не-

четкого графа с множественными разнотипными связями в оргсистемах.

3. Обоснуйте необходимость применения модели на основе нечеткого

графа с множественными разнотипными связями для решения практических задач в интеллектуальных системах.

4. Дайте определение онтологии.

5. Опишите формальную модель онтологии.

6. Перечислите элементы онтологии.

7. Представьте элементы нечеткого графа с множественными разно-

типными связями.

8. Что называется кликой графа?

9. Опишите возможную взаимосвязь между элементами онтологии и

графа.

10. Перечислите ряд характеристик нечеткого графа с множественны-

ми разнотипными связями.

127

ЗАКЛЮЧЕНИЕ

Всего в рамках дисциплины «Математические и алгоритмические основы построения интеллектуальных систем» предусмотрено три модуля:

 модуль 1. Нечеткие модели и алгоритмы интеллектуальных систем;

 модуль 2. Использование графовых и гиперграфовых моделей в ин-

теллектуальных системах;

 модуль 3. Нейронные сети в интеллектуальных системах.

Данное учебное пособие является частью цикла учебных пособий по дисциплине «Математические и алгоритмические основы построения интеллектуальных систем» и предназначено для обеспечения модуля 2 «Использование графовых и гиперграфовых моделей в интеллектуальных системах».

Пособие содержит теоретический и практический материал по разделам: «Основные понятия теории графов», «Виды и типы графов», «Алгоритмы на графах», «Использование графовых моделей в интеллектуальных системах», «Гиперграфы» и «Специальные графы и гиперграфы в интеллектуальных системах».

Кроме того, каждый раздел содержит методическое обеспечение для проведения практических занятий и осуществления рубежного контроля по дисциплине в рамках данного модуля в соответствии с рабочей программой дисциплины (РПД). Каждый раздел завершается заданиями для самостоятельной работы студентов (СРС) и списком вопросов для самоконтроля.

Изложение и дискуссионное обсуждение основных теоретических положений и практических аспектов современной научной концепции теории графов и гиперграфов на лекционных занятиях, демонстрация слайдов, концентрирующих внимание студентов на ключевых моментах лекционного материала, наличие изданного конспекта лекций способствуют эффективному освоению студентами теоретической части модуля дисциплины.

В рамках практической реализации курса предусмотрено выполнение практических заданий, подкрепленных методическим обеспечением. В качестве рубежного контроля по модулю дисциплины предусмотрено выполнение контрольных работ.

В пособии прослеживается связь предлагаемого материала с другими модулями дисциплины. Модуль 1 формирует необходимые теоретические знания и практические навыки по разделам: Нечеткие множества, Функции

Заключение

128

принадлежности, Лингвистические переменные, использование которых позволяет строить модели предметной области на основе нечетких графов и гиперграфов.

В то же время сформированные в рамках модуля «Использование гра-

фовых и гиперграфовых моделей в интеллектуальных системах» знания и умения разрабатывать графовые модели могут быть использованы в модуле 3 для реализации графов, предназначенных для обучения графовых нейронных сетей.

В настоящее время актуально использование элементов научно-

исследовательской работы в учебном процессе. Теоретический материал модуля, его научно-исследовательская и практическая направленность для решения реальных задач в интеллектуальных системах позволяет сделать вывод об актуальности данного учебного пособия.

При формировании содержания дисциплины «Математические и

алгоритмические основы построения интеллектуальных систем» в части модуля 2 авторским коллективом лекторов использованы научные подходы, апробированные на международных и Всероссийских конференциях:

 XIV Международная научная конференция "Актуальные проблемы

электронного приборостроения" АПЭП-2018, Россия, г. Новосибирск [3];

 4-я Международная научная конференция "Интеллектуальные ин-

формационные технологии в технике и на производстве" IITI-2019, Чешская Республика, г. Острава [28];

 5-я Международная научная конференция "Интеллектуальные ин-

формационные технологии в технике и на производстве" IITI-2021, Россия, г. Сочи [29];

 IV Международная конференция "Информатизация инженерного

образования (Инфорино-2018) памяти С. И. Маслова". Национальный исследовательский университет «МЭИ», Россия, г. Москва [30];

 V Международная конференция "Информатизация инженерного

образования (Инфорино-2020) памяти С. И. Маслова". Национальный исследовательский университет «МЭИ», Россия, г. Москва [31];

 IV Всероссийская Поспеловская конференция с международным

участием «Гибридные и синергетические интеллектуальные системы». Балтийский федеральный университет им. И. Канта, Россия, г. Калининград, 2018 [32];

Заключение

129

 V Всероссийская Поспеловская конференция с международным участием «Гибридные и синергетические интеллектуальные системы». Балтийский федеральный университет им. И. Канта, Россия, г. Калининград, 2020 [33];

 IX Всероссийская научная конференция «Системный синтез и при- кладная синергетика», Россия, п. Н. Архыз, 2019 [34];

 Международный научно-технический конгресс «Интеллектуаль- ные системы и информационные технологии» IS&IT'20, Россия, п. Дивноморское, 2020 [35].

Знания, умения и навыки, формируемые при изучении модуля «Использование графовых и гиперграфовых моделей в интеллектуальных системах», могут быть полезны при освоении следующих элементов образовательной программы: дисциплины «Представление и использование знаний в интеллектуальных автоматизированных системах»; производственной практики (НИР); производственной (преддипломной) практики и подготовки ВКР для ГИА.

Для реализации дисциплины рекомендовано использование системы электронного обучения (СЭО) вуза для размещения всех электронных ресурсов, журнала учета успеваемости, что поможет студентам эффективно освоить все аспекты курса, получить качественные теоретические знания в области теории графов и гиперграфов и практические навыки использования моделей на основе нечетких графов и гиперграфов в интеллектуальных системах.

Пособие может использоваться студентами инженерно-технических специальностей и предназначено для подготовки магистрантов по образовательной программе "Технологии интеллектуальных автоматизированных систем" по направлению 09.04.01 – Информатика и вычислительная техника.

130

ПРИНЯТЫЕ СОКРАЩЕНИЯ И ОБОЗНАЧЕНИЯ

БЛА – беспилотный летательный аппарат ВКР – выпускная квалификационная работа ВС – вычислительная система ВУЗ – высшее учебное заведение ГИА – государственная итоговая аттестация ЛВС – локальная вычислительная сеть МВС – многопроцессорная вычислительная структура МО – модуль охраны МПГ – максимально планарный граф НИВМРП – необитаемые интеллектуальные взаимодействующие мо-

бильные роботизированные платформы

НИР – научно-исследовательская работа ОО – объект охраны ПД – покрывающее (остовное) дерево ПК – профессиональная компетенция ПН – потенциальный нарушитель ПО – предметная область ПУ – процессорный узел РПД – рабочая программа дисциплины САПР – средства автоматизированного проектирования СРС – самостоятельная работа студентов СТС – сложная техническая система СЭО – система электронного обучения ТУ – техническое устройство ЦУ – центр управления ЮФУ – Южный федеральный университет

<<< < Предыдущая 1 2 3 4 5 6 7 8 9 10 11 1213 / 1513 14 15 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]