- •О.А. Печень
- •Оглавление
- •Предисловие
- •Раздел 1. Теоретические основы построения иис Тема 1.1. Развитие и области применения интеллектуальных информационных систем
- •1.1.1. Предмет, цель и задачи дисциплины
- •1.1.2. Классификация иис, место и роль иис в ит
- •Контрольные вопросы по теме
- •Тема 1.2. Знания и методы представления знаний
- •1.2.1. Знания, свойства и классификация знаний
- •1.2.2. Модели представления знаний
- •1.2.3. Логическая модель представления знаний
- •1.2.3. Нечеткая логика как расширение логической модели
- •1.2.4. Продукционная модель представления знаний
- •База правил
- •База правил
- •1.2.5. Модель представления знаний на основе семантических сетей
- •1.2.6. Представление знаний с применением фреймов
- •1.2.8. Использование различных моделей представления знаний
- •Контрольные вопросы по теме
- •Тема 1.3. Инженерия знаний и получение знаний
- •1.3.1. Инженерия знаний
- •1.3.2. Методы получения знаний
- •Контрольные вопросы по теме
- •Раздел 2. Технологии экспертных систем
- •2.1.2. Структура экспертных систем
- •2.1.3. Классификация экспертных систем
- •Контрольные вопросы по теме
- •Тема 2.2. Технология разработки экспертных систем
- •2.2.1. Этапы разработки экспертной системы
- •2.2.2. Состав и взаимодействие участников процесса разработки и эксплуатации эс
- •Контрольные вопросы по теме
- •Тема 2.3. Процесс поиска решений и механизмы вывода и рассуждений
- •2.3.1. Поиск как основа функционирования иис
- •2.3.2. Методы поиска решений в пространстве состояний
- •2.3.3. Стратегии поиска в глубину и ширину
- •2.3.4. Стратегия эвристического поиска
- •2.3.5. Формализация задач в пространстве состояний
- •Контрольные вопросы по теме
- •Раздел 3. Технологии нейронных сетей
- •Тема 3.1. Введение в нейронные сети и нейросетевые системы
- •3.1.1. Основы нейросетевого подхода
- •3.1.2. Построение и применение нейросетей
- •Контрольные вопросы по теме
- •Тема 3.2. Классификация и выбор структуры нейросетей
- •3.2.1. Классификация нейросетей
- •3.2.2. Выбор структуры нейросетей
- •Контрольные вопросы по теме
- •Тема 3.3. Решение задач с помощью нейросетей
- •3.3.1. Общий подход к построению нейросети
- •3.3.2. Обучение нейросети
- •3.3.3. Применение обученной нейросети
- •Контрольные вопросы по теме
- •Раздел 4. Эволюционные вычисления
- •Тема 4.1. Эволюционные вычисления и генетические алгоритмы
- •4.1.1. Сущность эволюционного подхода к вычислениям
- •4.1.2. Основы теории генетических алгоритмов
- •4.1.3. Направления развития генетических алгоритмов
- •Контрольные вопросы по теме
- •Раздел 5. Средства разработки и интерфейсы иис
- •Тема 5.1. Инструментальные средства разработки иис
- •5.1.1. Общие сведения о средствах разработки иис
- •5.1.2. Языки программирования для разработки иис
- •Тема 5.2. Интеллектуальные интерфейсы
- •5.2.1. Речевое взаимодействие с иис
- •5.2.2. Графические интеллектуальные интерфейсы
- •5.2.3. Интеллектуальные поисковые системы
- •5.2.4. Обучающие системы и тренажеры
- •Контрольные вопросы по теме
- •Литература
2.1.3. Классификация экспертных систем
Виды классификации ЭС
Экспертные системы можно классифицировать по целому ряду признаков. На рис.2.2 приведены основные виды классификации [5,с.323].
Рис. 2.2. Классификация экспертных систем
Классификация экспертных систем по решаемой задаче
Экспертные системы интерпретации данных предназначены для определения семантики данных. Результаты интерпретации должны быть согласованными и корректными. В таких системах нередко используется многовариантный анализ данных. В настоящее время эти системы развиваются в рамках направления, получившего название Data Mining - «добыча» или «заготовка» данных.
Диагностические экспертные системы выполняют функцию отнесения объектов к определенным классам. Область применения таких систем широка — от определения неисправностей в технических системах (техническая диагностика) до распознавания заболеваний живых организмов, а также социальных и природных аномалий.
Экспертные системы мониторинга выполняют задачу интерпретации данных в реальном масштабе времени и сигнализируют о выходе тех „или иных параметров за допустимые пределы.
Экспертные системы прогнозирования выводят вероятные следствия из заданных ситуаций. В прогнозирующих системах часто используются параметрические модели, в которых значения параметров «подгоняются» под анализируемую ситуацию. Кроме того, особенно в последнее время для решения задачи нередко стали применяться другие подходы. Сюда относятся, например, нейрокомпьютерный подход и различные алгоритмы поиска логических закономерностей в структурах многомерных данных.
Экспертные системы для планирования относятся к объектам, способным выполнять некоторые функции. В таких системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
Более крупно экспертные системы разделяют на системы, решающие задачи анализа, и на системы, решающие задачи синтеза. Задачи анализа отличаются от задач синтеза главным образом тем, что в них множество решений может быть перечислено и включено в систему. В задачах синтеза множество решений потенциально и строится из решении компонентов или подпроблем.
Классификация экспертных систем по связи со временем
Статические экспертные системы применяются для решения задач, в которых база знаний и интерпретируемые данные не изменяются со временем. Эти системы работают безотносительно времени. Сюда относится, например, диагностика неисправностей в автомобиле определенной марки.
Квазидинамические экспертные системы работают в ситуациях, которые не меняются на некотором фиксированном интервале времени. Сюда относятся, в частности, экспертные системы в микробиологии, где лабораторные измерения технологического процесса осуществляются один раз в 4—5 часов (например, производство лизина) и анализируется динамика полученных показателей по отношению к предыдущим измерениям.
Динамические экспертные системы функционируют в условиях постоянно изменяющихся данных, часто в сопряжении с датчиками объектов, иногда в режиме реального времени с непрерывной интерпретацией поступающих данных. Примеры — гибкие производственные системы, мониторинг в реанимационных палатах и т. п. База знаний в динамических также может меняться в зависимости от времени.
Классификация по типу ЭВМ
ЭС рассчитаны на разные типы ЭВМ. Как правило, это косвенно связано с назначением системы и видом решаемых задач. Как правило, коммерческие и промышленные ЭС работают на ЭВМ средней мощности и супер-ЭВМ, так как следствием применения механизмов логического вывода на больших объемах информации является необходимость в гигантских объемах вычислений, причем слабо поддающихся распараллеливанию. Для исследовательских и научных экспертных систем часто встречаются реализации на символьных и специализированных типах ЭВМ.
Классификация по степени интеграции с другими программами
Автономные экспертные системы применяются для решения «экспертных» задач в режиме консультации, когда не требуется привлекать дополнительные методы обработки данных (расчеты, моделирование и др.).
Гибридные экспертные системы представляют программные комплексы, объединяющие стандартные пакеты прикладных программ (например, пакеты для анализа данных, линейного программирования и т. п.). Они представляют собой интеллектуальные надстройки и выполняют функции монитора по отношению к известному программному обеспечению. Считается, что разработка гибридной системы является гораздо более сложной, чем создание автономной системы. Это связано не столько с техническими трудностями, сколько с необходимостью стыковки разных методологий, что порождает ряд теоретических трудностей.
Классификация по способу формирования решения
По способу формирования решения можно выделить два класса экспертных систем: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы - генерацию неизвестных решений (формирование объектов).