11.2.2. Представление и использование нечетких знаний

Следует отметить, что знания не всегда могут быть описаны точно, чаще встречаются «нечеткие» знания. Поэтому интеллектуальные системы, встроенные в системы принятия решений, должны уметь накапливать нечеткие знания и оперировать ими.

Математическая теория нечетких множеств в настоящее время широко применяется в самых различных областях деятельности человека, что стало возможным благодаря проникновению современных ИТ во все сферы хозяйственной и научной деятельности. В частности, методы теории нечетких множеств применяют в управлении сложными технологическими процессами, в решении задач по созданию интеллектуальных систем.

Все нечеткости можно классифицировать следующим образом: недетерминированность выводов, многозначность, ненадежность, неполнота, нечеткость или неточность. Рассмотрим это понятие более подробно.

Недетерминированное управление выводом наиболее характерно для систем искусственного интеллекта. Такое управление необходимо потому, что знания накапливаются фрагментарно и нельзя заранее определить цепочку логических выводов, в которых они используются. Другими словами, необходимо методом проб и ошибок выбрать некоторую цепочку логических выводов, и в случае неуспеха организовать перебор с возвратами для поиска другой цепочки и т.д.

Большинство поисковых задач можно сформулировать как задачи поиска в пространстве состояний пути от исходного состояния заданной задачи до целевого состояния путем повторения возможных преобразований. При этом для организации поиска в пространстве состояний удобно использовать дерево поиска. Для систематического просмотра дерева поиска используют два основных метода: поиск в глубину и поиск в ширину. Все остальные методы являются комбинацией этих двух методов.

Многозначность интерпретации – обычное явление в таких случаях, как понимание естественных языков и распознавание изображений и речи. Для устранения многозначности часто используют более широкий контекст и семантические ограничения, также широко используется метод релаксации.

Ненадежные знания и выводы применяют в том случае, когда знания и факты трудно представить только двумя значениями – истина или ложь. Существуют знания, достоверность которых, например, 0,8. Такую ненадежность представляют часто с помощью использования коэффициентов уверенности, с помощью модификаций метода Байеса, нечеткой и вероятностной логик.

Примеров неполных знаний можно привести множество. Так, можно перечислить все предметы, которые находятся в комнате, но того, чего в ней нет, перечислить невозможно. Точно также можно перечислить верные зна­ния в некоторой предметной области, но перечислить все неверные знания и разумно их определить невозможно. Неполные знания изучают методами немонотонной логики.

Нечеткие множества и выводы используют при изучении нечетких множеств, т.е. множеств без уточнения их границ. Например, когда говорят «старик», то неясно, что имеется в виду: старше 50? старше 60? старше 70? Нечеткие выводы содержат множество правил, представленных как нечеткие множества. Для решения задач на нечетких множествах вводят функцию принадлежности.