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 89 / 159 10 11 12 13 14 15 > Следующая >>>

4.1. Семантические сети

Модуль охраны

Подводный

Система охраны

Наземный

среда обитания

Воздушный

среда обитания

место положения

место

положения

содержит

среда обитания

Стационарный

Мобильный

место положения

Квадрокоптер

Гидроакустическая

система

Наземная система

видеонаблюдения

устройство

Рис. 4.3. Семантическая сеть с выделенными понятиями

Для реальных семантических сетей характерны большие массивы по-

нятий и отношений (ассоциаций) и представление таких сетей в виде графа затруднено.

Для решения этой проблемы возможно использование следующего подхода: вся сеть делится на слои, формирующие отдельное понятие, а граф, соответствующий сети, делится на подграфы. Сначала находится связь между понятиями в одном подграфе, а затем, если возникает необходимость, то между подграфами.

Проблема поиска решения в базе знаний семантической сети сводится к задаче поиска фрагмента сети. В силу близости с теорией графов семан-

4. Использование графовых моделей в интеллектуальных системах

тические сети, с одной стороны, универсальны для различных задач искусственного интеллекта, с другой стороны, такие модели не обладают свойством универсальности в достаточной мере, т. е. для каждой конкретной задачи требуется прикладная доработка модели. Кроме того, семантические сети занимают значительный объем памяти.

tp1

tp2

tp3

tp3 tp4

tp4

Рис. 4.4. Граф G48 с выделенным путем Sg1

Опыт использования математического аппарата теории графов для

представления знаний при помощи семантических сетей позволил сделать следующие выводы: использование на практике семантических сетей для вывода знаний затруднено, так как сама сеть не содержит в себе знаний, позволяющих сократить объемы поиска в сети и соответственно временные затраты на организацию поиска.

4.2. Представление фреймовых моделей

Фреймы – это форма представления знаний в виде статической струк-

туры, которая объединяет иерархию признаков (имен) и множество процедур. Они позволяют организовать знания в виде сложных сущностей, отражающих структуру и взаимосвязь объектов в данной предметной области.

Марвин Минский, автор концепции фреймов, так описывает ее: «Сущность теории фреймов заключается в следующем: когда некто

исследует новую ситуацию (или значительно изменяет точку зрения на из-

4.2. Представление фреймовых моделей

вестную проблему), то он извлекает из памяти структуру, называемую "фреймом" (каркасом). Этот каркас ситуации при необходимости приспосабливается к действительности путем изменения деталей».

Согласно Минскому, фреймы можно рассматривать как статические структуры данных для представления хорошо знакомых стереотипных ситуаций, с помощью которых организуется наше представление о реальном мире.

Каждый фрейм может быть представлен в виде структуры данных, привычного понятия для языков программирования. Такая структура данных хранит информацию, необходимую для характеристики описываемого стереотипного объекта или ситуации.

На рис. 4.5 изображена структура фрейма. Хранение информации во фреймах осуществляется при помощи слотов, каждый из которых имеет свой идентификатор. Слоты могут быть терминальными либо являться в свою очередь фреймами, образуя тем самым иерархическую сеть. В последнем случае необходим указатель наследования, входящий в структуру слота. На тип данных, хранящийся в слоте, указывает маркер слота. При обращении к конкретному слоту во фреймовой модели автоматически запускается одна из процедур-демонов («если-нужно», «если-добавлено» или «если-удалено»).

Корень – признак (имя) фрейма высшего уровня иерархии. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Детальная структура слота изображена на рис. 4.6.

Для вывода знаний во фреймовой модели используются механизм наследования, внутренние (процедуры-демоны) и присоединенные процедуры. Цепочка логического вывода строится поэтапно по мере приближения к решению, в зависимости от выведенных на каждом шаге данных и выведенных к этому шагу новых знаний.

Свойство вложенности, возможность иметь в качестве значений слотов ссылки на другие фреймы и на другие слоты того же самого фрейма обеспечивают фреймовым языкам удовлетворение требованиям структурированности и связности знаний.

Наличие имен фреймов и имен слотов означает, что знания, хранимые во фреймах, внутренне интерпретированы. Возможность размещения в качестве слотов требования вызова тех или иных процедур для исполнения позволяет активизировать программы на основе имеющихся знаний. Таким

4. Использование графовых моделей в интеллектуальных системах

образом, фреймовые модели удовлетворяют основным признакам знаний – интерпретируемости, структурированности, связности и активности [33].

Блок хранения информации

Корень

(имя фрейма)

Блок внутренних процедур вывода знаний

Процедура означивания

Процедура трактования семантических структур

Процедура-демон

Слот

Если-нужно

Если-добавлено

Если-удалено

Блок внешних процедур вывода знаний

Присоединенная процедура

Рис. 4.5. Структура фрейма

Имя фрейма

Имя слота 1

Имя слота 2

Имя слота N

Процедура-

демон

Указатель

наследования

Маркер слота

Значение

слота

Процедура-

демон

Указатель

наследования

Маркер слота

Значение

слота

Процедура-

демон

Указатель

наследования

Маркер слота

Значение

слота

...

Рис. 4.6. Детализация структуры слотов фрейма

Также следует отметить достоинства фреймовых моделей, в том числе

возможность оперировать глубоко структурированными знаниями на ос-

4.3. Представление баз продукционных знаний

нове объектно-ориентированного подхода; описывать метазнания и формировать на их основе новые знания, а также удобство хранения данных благодаря связи с базой данных. Системы, основанные на фреймах, включены во многие существующие информационно-поисковые сети. Кроме того, теория фреймов, точнее её различные реализации в психологии, является самым приближенным к достижениям современной теории информационных систем вариантом описания процесса индивидуального познания, что является важным аспектом при разработке систем поддержки принятия решений для задач моделирования взаимодействий социальных групп.

В качестве недостатков фреймовых моделей можно отметить трудность логической формализации полученных на ее основе новых программных средств. Это связано с тем, что вывод на знаниях ограничивается механизмом наследования и оригинальными процедурами, присоединенными к слотам фрейма, когда вся ответственность за правильность вывода возлагается на программиста.

4.3. Представление баз продукционных знаний

Продукционная модель включает большое число несложных «фрагментов знаний», оформленных в виде правил (продукций «если-то»), составленных экспертами. Набор таких правил содержится в базе знаний или базе правил. Последовательность применения правил в продукционной модели задают факты. Факты представляют собой предпосылки, касающиеся конкретных задач предметной области и результаты выводов, полученных на их основании. Факты находятся в памяти кратковременного хранения, которую принято называть рабочей памятью. На рис. 4.7 предложена архитектура продукционной системы.

В продукционной модели факты проверяются на соответствие правилам, для чего используется решатель. Назначение механизма логического вывода модели заключается в выводе решений или управляющих воздействий на решатель. Управляющее воздействие на решатель формируется в случае, если получено промежуточное решение. Окончательное решение выводится при помощи механизма логического вывода, к основным функциям которого относятся: поиск в базе правил, последовательное выполнение операций над знаниями и получения заключений.

Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецедента и консеквента. Антецедент представляет собой

4. Использование графовых моделей в интеллектуальных системах

посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.

Рабочая

память

Решатель

Механизм логического вывода

База знаний

ПравилаФакты

Начало-окончание

Рис. 4.7. Архитектура продукционной системы

Пример продукционных правил для предметной области, представ-

ленной на рис. 4.3:

ЕСЛИ

«система охраны содержит модуль охраны»

«воздушная среда обитания»

«устройство мобильное»

ТО

«модуль охраны – квадрокоптер».

Существуют два типа продукционных систем – с «прямыми» и «об-

ратными» выводами. Прямой (дедуктивный) вывод реализует стратегию «от фактов к заключениям». Прямые выводы находят применение в системах диагностики. Недостатком прямого вывода является возможный обрыв

4.4. Трехуровневая модель представления знаний на основе нечеткого графа

цепочки фактов, что делает невозможным вывод решения. Такая ситуация зачастую может возникнуть, например, при включении в базу знаний новых фактов и правил.

Обратный порядок вывода – «от решения к фактам». При обратных выводах выдвигаются гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Процесс отыскания необходимых фактов может быть итерационным, при этом возможно выдвижение новых гипотез (целей).

Прямые выводы управляют данными, а обратные выводы – целями. Существуют также системы с двунаправленными выводами.

Основные достоинства систем, основанных на продукционных моделях, связаны с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее:

 отличие от структур знаний, свойственных человеку;

 неясность взаимных отношений правил;

 сложность оценки целостного образа знаний;

 низкая эффективность обработки знаний.

При разработке небольших систем (десятки правил) проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

Для реализации современных моделей представления знаний используют гибридные подходы [32], позволяющие использовать достоинства двух или нескольких моделей и одновременно минимизировать их недостатки.

Очевидно, что семантические сети, фреймовые и продукционные модели благодаря своей древовидной структуре можно представить в виде графов. Ниже рассмотрим трехуровневую модель знаний на основе нечеткого графа 2-го рода.

4.4. Трехуровневая модель представления знаний на основе

нечеткого графа

Еще одной важной задачей в интеллектуальных системах является задача представления знаний. В работах [13, 23] описаны возможности представление трехуровневой модели структуры знаний на основе нечеткого графа 2-го рода.

4. Использование графовых моделей в интеллектуальных системах

Приведем формальное описание трехуровневой модели структуры

знаний Tuomi в виде кортежа:

MK = <D, I, K>, (4.1)

где D (data) – данные; I (information) – информация; K (knowledge) – знания. Задан нечеткий граф 2-го рода Gʹʹ = (Gv'', Ge''), где Gv'', Ge'' – соответственно нечеткие множества вершин и связей (ребер и дуг) графа.

В соответствии с (4.1) трехуровневая модель структуры знаний на ос-

нове графа Gʹʹ будет описана следующим образом:

 на первом уровне данные D соответствуют вершинам графа

gvi Gv'';

 на втором уровне информация I отображается в графе при помощи

ребер gej  Ge'';

 знания K формируются на третьем уровне и представляют собой хо-

тя бы один путь Sg в графе, ведущий к требуемому результату. Будем считать, что путь Sg в графе Gʹʹ могут составлять только дуги gej  Geʹʹ.

Оценим возможности использования нечеткого графа для реализации

трехуровневой модели структуры знаний, в качестве предметной области рассмотрим СТС на примере систему охраны. Будем полагать, что система охраны протяженного периметра включает следующие элементы:

 стационарные и подвижные объекты охраны (ОО);  необитаемые интеллектуальные взаимодействующие мобильные

роботизированные платформы (НИВМРП), предназначенные для сбора данных об объектах охраны – модули охраны (МО);

 потенциальные нарушители охраняемого периметра (ПН).

Взаимодействие первых трех элементов обеспечивает функцию охраны протяженного периметра. Здесь в качестве отношений между элементами можно рассматривать удаленность объектов охраны друг от друга или модулей и объектов охраны.

Реализация трехуровневой структуры знаний на основе графа:

1. Нечеткий граф G50ʹʹ на первом уровне (рис. 4.8) задан множеством

ребер Ge

'' =  и множеством вершин Gv

'' = {gv1, gv2, gv3, gv5, gv6, gv7},

которые представляют элементы системы охраны, а веса вершин соответствует назначению элемента системы (табл. 4.2).

4.4. Трехуровневая модель представления знаний на основе нечеткого графа

Рис. 4.8. Граф G50ʹʹ 1-го уровня, представляющий данные D

Таблица 4.2

Соответствие элементов системы вершинам графа G50ʹʹ 1-го уровня

Элемент системы

Вершина графа, gv

Вес вершины, 

ОО1

gv1

0,5

ОО2

gv2

0,5

ОО3

gv3

0,5

ОО4

gv4

0,5

ОО5

gv5

0,5

ОО6

gv6

0,5

ПН

gv7

1,0

Такой нуль-граф позволяет представить данные D при помощи вер-

шин, однако, не позволяет отобразить информацию об удаленности элементов, что имеет важное значение для решения задачи охраны периметра.

2. Для представления отношений элементов системы в графе исполь-

зуются связи, следовательно, на втором уровне нечеткий граф G51ʹʹ будет задан множеством вершин Gv51'', определенным в разд. 1, и множеством ребер Ge51'' = {ge1, ge2, …, ge12}, например, как показано на рис. 4.9. Теперь граф G50ʹʹ позволяет представить информацию I в трехуровневой модели за счет использования ребер gej, которые соответствуют отношениям «связь между ОО» и «связь между ОО и ПН» в модели СТС, а их веса μj – степени удаленности элементов системы друг от друга. Соответствие отношений элементов системы ребрам графа G51ʹʹ представлены в табл. 4.3.

4. Использование графовых моделей в интеллектуальных системах

Рис. 4.9. Граф G51ʹʹ 2-го уровня, представляющий информацию I

Таблица 4.3

Соответствие отношений элементов системы связям графов G51ʹʹ и G52ʹʹ

Вид связи

Отношение между

элементами системы

Ребро графа,

Вес ребра,

gvi – gvj

«Связь между ОО»

ge1

0,6

ge2

0,4

ge3, ge6, ge7

0,7

ge4, ge5, ge8

0,5

ge9

0,3

gvi – gvj

«Связь между ОО и ПН»

ge10

0,4

ge11

0,3

ge12

0,9

gvi  tp – gvj

«Перемещение МО1»

ge13 - ge16

по 1,0

gvi  tp – gvj

«Перемещение МО2»

ge17 - ge20

по 1,0

В результате исследования графа G51ʹʹ определены следующие характеристики:

 радиус r (G51ʹʹ) = 0,7;

 диаметр графа diam (G51ʹʹ) = 1,2;

 эксцентриситеты всех вершин  (gvi);

 подмножество центральных вершин O (G51ʹʹ) = {gv3};

<<< < Предыдущая 1 2 3 4 5 6 7 89 / 159 10 11 12 13 14 15 > Следующая >>>

Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]