- •Введение
- •Глава 1 системы, основанные на знаниях
- •1.1. История создания искусственного интеллекта
- •1.2. Процесс мышления
- •1.3. Основные понятия и классификация систем, основанных на знаниях
- •1.4. Экспертные системы как элемент искусственного интеллекта
- •1.5. Теоретические аспекты извлечения знаний
- •1.6. Коммуникативные методы извлечения знаний
- •1.7. Текстологические методы извлечения знаний
- •Глава 2 модели представления знаний
- •2.1. Представление знаний и выводы в экспертных системах
- •2.2. Модель представления знаний средствами логики предикатов первого порядка
- •2.3. Представление знаний продукционными правилами
- •2.4. Модель представления знаний в виде фреймов
- •2.5. Представление знаний в виде семантической сети
- •2.6. Модель доски объявлений
- •2.7. Модель представления знаний в виде сценария
- •Глава 3 архитектура и технология разработки экспертных систем
- •3.1. Основные положения
- •3.2. Технология разработки экспертной системы
- •3.3. Механизм вывода (интерпретатор правил)
- •3.4. Взаимодействие пользователей с экспертной системой
- •3.5. Подсистема анализа и синтеза сообщений
- •3.6. Морфологический анализ входных сообщений
- •3.7. Синтаксический анализ входных сообщений
- •3.8. Семантический анализ входных сообщений
- •3.9. Синтез выходных сообщений
- •3.10. Диалоговая подсистема
- •3.11. Объяснительные способности эс
- •Глава 4 применение нечеткой логики в эксперТнЫх системах
- •4.1. Предпосылки возникновения нечеткой логики
- •4.2. Нечеткая логика
- •4.3. Нечеткие подмножества
- •4.4. Нечеткие правила вывода в экспертных системах
- •4.5. Задания для разработки экспертных систем
- •Глава 5 ГенетическиЙ алгоритм
- •5.1. Предисловие
- •5.2. Генетический алгоритм
- •5.3. Параметры и этапы генетического алгоритма
- •5.3.1. Кодирование информации и формирование популяции
- •5.3.2. Оценивание популяции
- •5.3.3. Селекция
- •5.3.4. Скрещивание и формирование нового поколения
- •7.3.5. Мутация
- •5.4. Настройка параметров генетического алгоритма
- •5.5. Канонический генетический алгоритм
- •5.6. Пример работы и анализа генетического алгоритма
- •5.7. Общие рекомендации к программной реализации генетического алгоритма
- •5.8. Задания для лабораторных работ
- •Глава 6 искусственные нейронные сети
- •6.1. Биологические нейронные сети
- •6.2. Формальный нейрон
- •6.3 Нейронные сети
- •6.4. Обучение инс
- •8.5. Алгоритм обратного распространения ошибки
- •6.6. Работа нейронной сети
- •6.7. Пример работы и обучения нейронной сети
- •6.8. Программная реализация
- •6.9. Задания для лабораторных работ
- •Заключение
- •Приложение 1 Контрольные вопросы
- •Приложение 2 Темы рефератов и индивидуальных заданий Темы рефератов
- •Темы индивидуальных заданий
- •Приложение 3 Ресурсы в сети Интернет
- •Список литератуРы
- •Оглавление
1.2. Процесс мышления
Процесс мышления, протекающий в человеческом сознании, чрезвычайно сложен. Одна ячейка человеческого глаза способна выполнять за 10 мс обработку, эквивалентную решению системы из 500 нелинейных дифференциальных уравнений. Компьютеру Cray-1 потребовалось бы несколько минут для решения этих уравнений. Поскольку глаз человека насчитывает не менее ячеек и каждая из них взаимодействует с другими, то компьютеру Cray-1 необходимо затратить по меньшей мере 100 лет, чтобы воспроизвести процессы, происходящие ежесекундно в человеческом глазу [4].
Данные из внешнего мира воспринимаются человеком с помощью одного из пяти органов чувств и затем помещаются в буфер кратковременной памяти для анализа. В другой области памяти (долговременной) хранятся символы и смысловые связи между ними, которые используются для объяснения новой информации, поступающей из кратковременной памяти. В долговременной памяти хранятся не столько факты и данные, сколько объекты и связи между ними, т.е. символьные образы. Большие объемы данных постоянно записываются в кратковременную память, и мы непрерывно анализируем и фильтруем получаемую информацию для того, чтобы определить степень ее важности и то, как она соотносится с образами, хранящимися в долговременной памяти (рис. 1.1).
Рис. 1.1. Система обработки информации у человека
Учеными установлено местоположение всех областей памяти в человеческом мозге. Логично предположить, что имеющиеся в мозге области памяти объединяются в единую структуру, в которой и происходит обработка поступающей информации.
Доступ к информации в долговременной памяти осуществляется достаточно эффективно. Практически любой элемент данных может быть извлечен в течение цикла обработки продолжительностью не более 70 мс и затем преобразован. Например, мы инстинктивно отдергиваем руку от горячей печки или резко поворачиваем руль автомобиля при возникновении препятствия на дороге, используя образы, ранее запомненные в долговременной памяти.
Механизм запоминания информации в долговременной памяти представляет собой самостоятельную и обширную тему для исследований. Требуется приблизительно 7 секунд для записи одного образа в долговременную память и установления всех связей, необходимых для извлечения этого образа в будущем. Перемещение данных из кратковременной памяти в долговременную память занимает приблизительно 15–20 минут. Если человек в автокатастрофе получил мозговую травму, то долговременная память может восстановиться почти полностью. Однако вся информация, поступившая в течение 15–20 минут до катастрофы, будет потеряна и никогда не восстановится [4].
Можно провести аналогию между кратковременной памятью человека и оперативной памятью ЭВМ, для которой отключение электропитания означает полное уничтожение всех данных. Долговременная память человека похожа на дисковую память ЭВМ. В долговременной памяти образы существуют в виде циркулирующих электрохимических импульсов и физических нейронных взаимодействий. Человек часто полностью выздоравливает после повреждения мозга и уничтожения нейронов в автокатастрофе, если у него не разрушены речевые центры или нейроны, управляющие двигательной системой. Нейроны других типов, даже если они частично повреждаются при травме, могут сохранять работоспособность благодаря зафиксированной ранее информации.
Целесообразно остановиться на организации хранения информации в человеческой памяти. Эта тема представляет наибольший интерес для разработчиков интеллектуальных систем. Способ хранения символьных образов в долговременной памяти во многом схож со способом хранения числовой информации в базах данных сетевого типа. Человеческая память хранит не числовые данные, как, например, номера элементов некоторой совокупности, а образы или символы. В памяти существует система указателей, позволяющая нам быстро извлечь любой нужный символ и все данные, которые с ним связаны. Мозг человека организован более совершенно, чем компьютерные базы данных, так как символьные образы в нем объединены в чанки – наборы фактов и связей между ними, запомненные и извлекаемые как единое целое. Чанки хранятся совместно с взаимосвязями между ними. В каждый момент времени человек может обрабатывать и интерпретировать не более четырех-семи чанков.
Чтобы убедиться в этом, прочтите следующую строку, закройте книгу и попытайтесь написать на листе бумаги то, что вы прочли:
Нлонмйкртс зрззйнк внбнм гвссмзл.
Теперь проверьте написанный вами текст и подсчитайте, сколько символов вам удалось воспроизвести правильно. Вероятно, их окажется от четырех до семи.
Повторите эксперимент со следующим предложением:
Экспертные системы почти разумны.
На этот раз вы, видимо, написали все буквы правильно. При этом оба предложения состоят из одинакового количества букв и слов. Почему же так отличаются результаты? Во втором случае вы объединили все объекты (буквы) в четыре чанка и в действительности запомнили только их и связи между ними, что соответствует допустимому для человеческого мозга диапазону. В первом же примере вы должны были запомнить 30 чанков, т.е. выйти за пределы допустимого числа чанков.
Используя ту же стратегию, опытный шахматист может, бегло взглянув на доску, запомнить положение всех фигур. При этом он запоминает не положение каждой фигуры, а их комбинации (чанки), и поэтому безошибочно восстанавливает расположение фигур на доске.
Способность формировать чанки отличает эксперта в данной конкретной области от неэксперта. Эксперт развивает свою способность объединять в чанки большие объемы данных и устанавливать иерархические связи между ними для того, чтобы быстро извлекать эти данные из памяти и с их помощью распознавать новые ситуации по мере поступления информации о них в мозг. Средний специалист в конкретной предметной области помнит от 50 000 до 100 000 чанков, которые могут быть использованы для решения той или иной проблемы. Их накопление в памяти человека и построение указателей для такого объема данных требуют от 10 до 20 лет [4].