Формальные системы оперирования временем

ИС:

1. Представление и обработка знаний

2. Рассуждение

3. Общение

Временные рассуждения – обеспечивают учет временных зависимостей

Области применения:

• Диагностика и объяснение

• Планирование

• И (СППР) РВ

Классификация

С редства представления информации о времени

На основе моделирования изменений

На основе явного моделирования времени

STRIPS системы

Ситуационное исчисление

Сети Петри

Моделирование изменений

Временные расширения сетей Петри

Модальные временные логики {временная логика Прайера; фон Вригта; Леммона; линейная}

Моделирование на основе парадигмы согласования ограничений

Явное моделирование времени

Моделирование на основе согласования ограничений

Метрические модели:

- метрическая модель времени

- дизъюнктивно- линейные отношения

Качественные модели:

- точечная

- интервальная

-точечно-интервальная

Гибридные модели:

- начальная алгебра

-расширенная точечно-интервальная алгебра

Ситуационное исчисление

Предикат HOLD

Функция Result

С их помощью задаются правила

STRIPS – системы

F= {F₁, … , F_k} – база фактов

R= {R₁, … , R_m} – база правил

P_i = {<cond>, <del>, <add>}

Cond – предусловие

Del – удаление ситуации

Add – добавление

Сети Петри

Двудольный ориентированный граф

«-» моделирования изменений

Сложно представить сложные временные события

Модальные временные логики

Логика Прайора

FA – «будет А»

GA – «всегда будет А» ¬F¬A

F(AvB) = FAv FB

FFA FA

– правила вывода

A= AvFA возможность

A=A&GA необходимость

Расширение логики: P- было, H- всегда было

Временная логика Леммона

Минимальная

Модальности: F- будет, P- было

Аксиомы:

F¬P¬A A

P¬F¬A A

¬F(A B) (FA FB)

¬P(A B) (PA PB)

Логика Кампа

-Spq: q истинно после того, как р истинно

-Upq: q истинно пока р истинно

PA SA(Av¬A)

FA UA(Av¬A)

Метрическая логика Прайора

FnA – интервал n, после которого А будет истинно

PnA= F(-n)A – был интервал n, до которого было истинно А

PA≡ n(n<0&FnA)

FA≡ n(n>0&FnA)

HA≡ n(n<0 FnA)

GA≡ n(n>0 FnA)

Временная логика фон Вригта

Т – бинарная связка

АТВ – сейчас А, в следующий момент В

Т – позволяет строить цепочки состояний

Х₁Т(Х₂Т(Х₃Т(…)))

Время в данной логике дискретное

Линейная временная логика

G – всегда

F – будет

N – в следующий момент будет

U – пока

R – завершает

AUB – А истинно, пока В истинно

ARB – А завершает В

Аксиомы:

FA = true UA

GA = false RA = ¬F¬A

ARB = ¬(¬AU¬B)

Логика ветвящегося времени

Пути развития событий

Временные логики на базе согласования ограничений

Время – временные зависимости

Временные расширения сетей Петри

Временные сети Мерлина

Тенденции развития инструментальных средств ис (эс, соз)

1. Разработка инструментальных средств для создания ИС (ЭС)

2. ЕЯ – системы

3. Soft – Computing (средства для «мягких» вычислений)

• Нейронные сети НС (NN)

• Нечеткая логика НЛ (FL)

• Генетические (эволюционные) алгоритмы ГА (GA)

4. Средства извлечения знаний (интеллектуальный анализ данных) DataMining & Knowledge Discovery

1. ориентированные на PC (1st Class, Level5Object)

2. на рабочие станции

3. на MainFrame (KBMS)

4. на специальные компьютеры (Lisp – машина, Prolog - машина)

предметно (проблемно) ориентированные инструментальные средства

GDA

G 2 NeurOnline

ReThink

CBR средства – моделирование рассуждений на остнове аналогий

Средства для создания систем – советчиков

1. Средства для создания ЕЯ интерфейса к СУБД, интернет и т.д.

2. ЕЯ интерфейс для поиска и сканирования текстов

3. Средства для распознавания речи (с дикторским текстом) >100 000 слов

4. Средства для голосового ввода («зашумленные» данные)

1. Нейронные сети

• Общего назначения

• Специального назначения

• Распознавание образов

• Финансовая сфера (обнаружение подделок, прогноз курса валют)

• Управление производством

2. Нечеткая логика – нечеткие контроллеры

3. Г енетические алгоритмы

Выбор начальной популяции

t=0

Отбор пар

t=t

Скрещивание (кроссинговер) p(t)

Эволюция (мутация) p`(t)

+Δt(t+1)

+ p`(t)

Гибридные системы: НС+НЛ+ГА

1. Извлечение знаний

2. Приобретение знаний

3. Машинное обучение

DataMining & Knowledge Disc

I n (from) DB (DW)

П рагматический аспект

DB (DW)

Данные

Информация

Знания

Метод решения

K nowledge Disc

Г носеологический (познавательный) аспект

Н аблюдаемый фактор

О бобщающий фактор

Э мпирическая гипотеза

Теория

Получение знаний в ИС (ЭС)

Без использования специальных компьютерных инструментальных средств

• Извлечение знаний

С использованием специальных средств

Приобретение знаний

Формирование знаний