![](/user_photo/2706_HbeT2.jpg)
- •Содержание
- •Введение
- •Глава 1. Основные понятия
- •1.1. Понятие об искусственном интеллекте
- •1.1.1. Точка зрения Петрунина.
- •1.1.2. Интеллектуальные алгоритмы.
- •1.2. Основные направления исследования в области ии
- •1.3. Данные и знания. Основные модели представления знаний
- •Глава 2. Логические модели представления знаний
- •2.1. Логика высказываний
- •2.1.1. Булева алгебра.
- •2.1.2. Понятие о логическом следствии.
- •2.1.3. Метод резолюции в лв.
- •Имеет место теорема о полноте резолютивного вывода. Множество клозов противоречиво тогда и только тогда, когда из него методом резолюции можно вывести пустой клоз.
- •2.2. Логика предикатов первого порядка
- •2.2.1. Основные определения.
- •2.2.2. Метод резолюции в лппп.
- •2.2.3. Стратегии проведения резолюции.
- •2.2.4. Упорядоченный линейный вывод в лппп.
- •2.2.5.Применение поиска в пространстве состояний при реализации автоматизированного логического вывода.
- •2.2.6. Логический вывод на хорновских дизъюнктах.
- •Понятие экспертной системы и применение логического вывода при построении экспертных систем.
- •2.2.9. Запросы класса b.
- •2.2.10. Запросы класса c.
- •2.3. Понятие о нечетком выводе
- •2.4. Неклассические логики
- •2.4.1. Логики высших порядков.
- •2.4.2. Модальные логики.
- •2.4.3. Многозначные логики.
- •Глава 3. Продукционные модели представления знаний
- •3.1. Основные понятия
- •3.2. Стратегии управления
- •3.2.1. Поиск с возвратом.
- •3.2.2. Поиск в пространстве состояний.
- •3.3. Понятие о коммутативных системах продукций
- •3.4. Понятие о нечетком выводе на продукциях
- •3.5. Сравнение продукционных и логических моделей
- •Глава 4. Реляционные языки представления знаний
- •4.1. Основные элементы естественных языков
- •4.2. Дескрипторные модели
- •4.2.1. Понятие об ипс.
- •4.2.2. Линейная модель работы ипс.
- •4.2.3. Понятие о многоуровневом поиске.
- •4.2.4. Основные характеристики ипс.
- •4.4. Синтагматические цепи
- •4.4.1. Понятие синтагматических цепей.
- •4.4.2. Фреймы.
- •4.5. Сетевые модели представления знаний
- •4.5.1. Понятие семантической сети.
- •4.5.2. Структура интеллектуальной системы доступа к данным на основе семантической сети.
- •4.5.3. Задача поиска кратчайшего обхода образца в семантической сети.
- •4.5.4. Понятие о логическом выводе на семантических сетях.
- •Глава 5. Нейронные сети
- •5.1. Параллели из биологии
- •5.2. Базовая искусственная модель
- •5.3. Применение нейронных сетей
- •5.4. Обучение сети
- •Глава 6. Организация диалога с эвм на естественном языке
- •6.1. Элементы теории формальных языков
- •6.2. Обратная польская запись
- •6.3. Недостатки применения аппарата формальных грамматик
- •6.4. Элементы семиотики
- •6.5. Модель непосредственных составляющих
- •6.6. Многозначность в естественных языках
- •6.7. Расширенные сети переходов
- •6.8. Глубинные (семантические) падежи
- •Глава 7. Логическое программирование на языке пролог
- •7.1. Основные понятия в языке Пролог
- •7.2. Пакет Turbo Prolog
- •7.3. Структура программы
- •7.4. Поиск решений
- •7.5. Механизм отката
- •7.6. Операторы. Декларативный и процедурный смысл программы
- •7.7. Повторение и рекурсия
- •7.8. Повторение и откат
- •7.8.1. Метод отката после неудачи (опн).
- •7.8.2. Метод отсечения и отката (оо).
- •7.8.3. Метод повтора, определенный пользователем.
- •7.9. Методы организации рекурсии
- •7.10. Отладка программы и обнаружение ошибок
- •7.11. Графика в Turbo Prolog’е
- •7.11.1 Создание меню.
- •7.11.2. Создание графического режима.
- •7.11.3. Черепашья графика
- •7.12. Списки и их использование
- •7.12.1. Использование списка.
- •7.12.2. Поиск элементов в списке.
- •7.12.3. Создание нового списка путем слияния двух списков
- •7.12.3. Разделение на два списка.
- •7.13. Сортировки
- •7.13.1. Наивная сортировка.
- •7.13.2. Сортировка включением.
- •7.13.3. Метод «пузырька».
- •7.13.4. Быстрая сортировка.
- •7.14. Компоновка данных из базы в список
- •7.15. Работа с символами и строками
- •7.16. Специальные строки
- •7.17. Работа с файлами
- •7.18. Создание динамических баз данных
- •7.19. Библиотеки Turbo Prolog’а
- •7.19. Модульное программирование
- •7.20. Решение задачи о волке, козе и капусте
- •Глава 8. Введение в язык лисп
- •8.1. Основные особенности языка Лисп
- •8.2. Понятия языка Лисп
- •8.2.1 Атомы и списки.
- •8.2.2 . Внутреннее представление списка.
- •8.2.3 .Написание программы на Лиспе.
- •8.2.4. Определение функций.
- •8.2.5. Рекурсия и итерация.
- •В) maplist. Эта функция действует подобно mapcar, но действия осуществляет не над элементами списка, а над последовательными cdr этого списка.
- •8.2.6 . Функции интерпретации выражения.
- •8.2.7. Макросредства.
- •8.2.8. Функции ввода-вывода.
- •Список используемых источников
- •Перечень используемых сокращений
3.4. Понятие о нечетком выводе на продукциях
В продукционных моделях, также как и в логических, существует возможность организации нечеткого вывода.
Если в обычных детерминированных моделях предполагается, что каждое правило является либо применимым или неприменимым, то в нечетких моделях для каждого состояния задана таблица вероятностей применения тех или иных правил. Можно высчитать вероятности достижения целей с помощью применения определенных последовательностей правил, можно определить самое вероятное решение, или найти решение, удовлетворяющее заданному вероятностному порогу (p>a, 0<=a<=1).
Пример. Опишем на продукциях задачу распознавания почтовых индексов (задача, аналогичная описанной в 2.3).
Предположим, что после сканирования получаем данные о том, с какой вероятностью какие линии проведены (шаблон на рис ?).
//рисунок (4 - рис. 24 из 2-й главы)
Сформулируем, например, следующие правила.
//выдержки из примеров правил в продукционном виде. (5)
l3, l4, l8 → 1 0,97 (1)
l3, l4 → 1 0,75 (2)
l4, l8 → 1 0,6 (3)
l3, l8 → 1 0,5 (4)
Терминальные условия соответствуют цифрам от 0 до 9. Результат распознавания – наиболее вероятный символ, если его вероятность превышает определенное пороговое значение.
//пример вычисления вероятностей (6)
Пусть:
p (l3) = 0,9 p (l4) = 0,9 p (l8) = 0,95,
тогда:
по первому правилу:
p (1) = 0,9 ∙ 0,9 ∙ 0,95 ∙ 0,97 = 0,95 ∙ 0,81 ∙ 0,97 ≈ 0,75
по второму правилу:
p (1) = 0,9 ∙ 0,9 ∙ 0,75 = 0,81 ∙ 0,75 ≈ 0,6
по третьему правилу:
p(1) = 0,9 ∙ 0,95 ∙ 0,6 = 0,54 ∙ 0,95 ≈ 0,51
по четвертому правилу:
p(1) = 0,9 ∙ 0,95 ∙ 0,5 ≈ 0,43
Таким образом
p(1) = 0,75 (определяется по максимуму)
Примечание. Сравнивая данный материал с изложенным в 2.3, легко видеть, что для задачи распознавания почтовых индексов применение логических и продукционных моделей фактически идентично.
3.5. Сравнение продукционных и логических моделей
Пример в предыдущем параграфе наглядно показывает близость логических и продукционных моделей. Следует обратить внимание и на то, что этим модели взаимозаменяемы при решении одних и тех же задач, например при построении экспертных систем.
Интуитивно понятно, что можно от продукционной модели перейти к логической. Действительно, если в продукционной модели ГБД записать в предикатном виде, то правила примут вид обычных импликаций, и мы придем к логической модели.
Примечание. На практике это достигается путем введения в предикат понятия состояния и функторов (см. пример в 2.2.10 – задача об обезьяне). Последовательность правил в этом случае выражается в получаемом в процессе резолюцией рядом вложенных функторов.
В тоже время логический вывод в ЛППП сводится к опровержению множества клозов, каждый из которых может быть представлен в виде последовательности импликаций, т.к. pq=pq.
А каждая импликация фактически является продукционным правилом или одним из его вариантов.
Продукционные модели предпочтительнее с точки зрения возможности выбора способа представления ГБД, в то же время предикатные языки не сводятся к ЛППП, и определенные возможности дает применение неклассических логик.
Безусловное достоинство обоих моделей – удобство применения в ЭС.
Основной недостаток обоих моделей – отсутствие возможности формализации понятий и отношений между ними, характерных для естественного языка, что достигается в реляционных языках.