Министерство образования Российской Федерации
Рязанская государственная радиотехническая академия
В.Ф. ОДИНОКОВ
ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ
Учебное пособие
Рязань 2004
УДК 519.68 (075.8)
Интеллектуальные информационные системы: Учеб. пособие / В.Ф. Одиноков; Рязан. гос. радиотехн. акад. Рязань, 2004. 76 с.
Рассматриваются теоретические основы, структура и программное обеспечение информационных систем с элементами искусственного интеллекта.
Предназначено для студентов специальности 0719 "Информационные системы и технологии".
Табл.11. Ил. 17. Библиогр.: 12 назв.
Информационные системы, искусственный интеллект, интернет
технологии
Печатается по решению редакционно-издательского совета Рязанской государственной радиотехнической академии.
Рецензент: кафедра автоматизированных систем управления Рязанской государственной радиотехнической академии (зав. кафедрой д-р техн. наук, проф. Г.И. Нечаев)
Рязанская государственная
радиотехническая академия, 2004
ВВЕДЕНИЕ
Интеллектуальные информационные системы (ИИС) – одно из быстро прогрессирующих направлений в области информатики, имеющее широкую сферу применения.
По определению ИИС используют элементы искусственного интеллекта (ИИ), определяющие такие свойства ИИС, как анализ слабо формализованных данных, способность находить решения при нечетких исходных данных, адаптация к изменяющимся условиям работы и т.д.
ИИС можно классифицировать по любому признаку. По целевому назначению они подразделяются:
на консультирующие системы;
информационно-поисковые системы;
системы принятия решения;
обучающие системы;
системы тестирования;
системы проектирования и т.д.
По степени использования искусственного интеллекта ИИС можно разделить на системы с алгоритмами ИИ общего применения и предметные экспертные системы. Первые используют разработанные независимо от области применения методы ИИ, вторые – знания специалистов в конкретной предметной области.
Все основные прогрессивные свойства ИИС объясняются особенностями ИИ. Ниже даются понятие и основы теории ИИ.
1. Искусственный интеллект
ИИ – это программная система, имитирующая мышление человека, т.е. его творческие способности. ИИС, базирующаяся на ИИ, становится системой, поведение которой в определенных аспектах подобно человеку. Как и человек, ИИ непосредственно связан с процессом познания. В процессе познания окружающего мира в первую очередь необходимо выделить:
сущности;
отношения между сущностями.
Сущности – это предметы, факты, явления, операции, процессы и т.д. Они имеют свойства. Для полной характеристики сущности необходима некоторая совокупность свойств, определяющих сущность и выделяющих ее на фоне других сущностей.
Отношения между сущностями определяют зависимости между сущностями. Отношения могут быть очевидными и выводимыми. Важнейшую роль в познании окружающего мира играют причинно-следственные отношения. Они устанавливаются путем нахождения связей между сущностями на основе анализа появления или непоявления сущностей в последовательности экспериментов или наблюдений (принципы индукции Д.С. Миля). При этом придерживаются следующих правил.
Принцип существенного различия. Если после введения какого-либо фактора появляется или после удаления его исчезает известное явление, то указанный фактор и составляет причину явления.
Принцип единственного сходства. Если все обстоятельства явления, кроме одного, могут отсутствовать, не уничтожая этим явление, то это единственное обстоятельство находится в отношении причинной связи с явлением.
Принцип единственного остатка. Если вычесть из какого-либо явления ту часть его, которая согласно прежним исследованиям оказывается следствием известных причин, то остаток явления есть следствие остальных причин.
Рассуждение
по аналогии (Лейбниц). “Вещь
так относится к вещи
,
как вещь
к вещи
”.
Поскольку мышление человека базируется на знаниях, а само мышление есть их обработка, приводящая к новым знаниям, то основными проблемами ИИ являются представление знаний и методы их обработки.
Знание – это информация о свойствах и законах предметной области. Знания могут быть исходными и выводимыми, конкретными и обобщенными. Конкретные знания обычно именуют данными, а обобщенные – просто знаниями.
Данные – это исходная частная информация об окружающем мире. ИИ оперирует формализованными данными, которые позволяют автоматизировать сбор и хранение конкретной информации об объектах. Формализованные данные можно обработать по определенной программе. В результате обработки данных получают новую информацию (новые знания).
Знания могут быть декларативными и процедурными. Декларативные знания представляют собой утверждения, не содержащие процедур. Декларативные знания определяют пространство статического состояния объекта. Процедурные знания – это программы обработки данных (фактов) с целью получения новой информации.
2. Модели знаний
Представление любых знаний в ИИ и ИИС должно быть формализовано. Формализация ведется в соответствии с принятой моделью. Как известно, модели знаний могут быть различными.
Формально-логическая модель. Основана на формальной теории, содержащей четыре составных части: алфавит, аксиомы, формулы и операции. Примером формально-логических моделей являются предикаты первого порядка.
Продукционная модель. Основана на правилах продукции типа
Если условие , то заключение ,
где “Если “, “то “ – операторы; условие (анцедент) - посылка, утверждение, предшествующий, основание; заключение (консеквент) - действие, следствие, последующий, гипотеза.
Иерархическая модель. В иерархической модели связи между объектами описываются с помощью упорядоченного графа (дерева). "Дерево" (тип) является составным. Оно включает в себя подтипы (поддеревья), каждый из которых в свою очередь является типом "дерево".
Семантическая сеть. В основе семантической модели лежит граф, собирающий вокруг одного узла всю информацию по данному узлу. Семантическая сеть состоит из множества объединенных концептуальных графов, каждый из которых соответствует некоторой логической формуле со своими именами и аргументами предикатов, связанными друг с другом по установленным правилам.
Фреймовая
модель.
Фрейм (рамка) – это единица представления
знаний, детали которой (объект,
атрибут
,
значение
)
могут
быть изменены согласно текущей ситуации.
Объектно-ориентированная модель. Объектно-ориентированные модели являются развитием фреймового представления. В основе объектно-ориентированного подхода лежат такие понятия, как класс, объект, наследование, инкапсуляция, полиморфизм. Базы знаний и программы обработки данных строятся по унифицированным схемам с развитой системой структур, методов и правил.
Модель, управляемая образцами. При этом в базе знаний содержатся наборы образцов структур данных и различных модулей их обработки. На каждом шаге работы программа анализирует текущую ситуацию и определяет после анализа образцов, какой модуль наиболее подходит для обработки этой ситуации.
Частным случаем образцовых (эталонных) моделей является так называемый программный сценарий - формализованное описание стандартной последовательности взаимосвязанных факторов, определяющих типичную ситуацию предметной области.
Реляционная модель. Реляционная модель представляет собой многомерную таблицу элементов. Поскольку одной таблицей не всегда удается описать сложные логические структуры, применяют связывание таблиц по специальным правилам.
Нечеткая логика. Нечеткая логика основывается на неточных числах, коэффициентах уверенности, вероятности, нечетких множествах. Последние содержат упорядоченные пары, включающие номер элемента множества и функцию степени принадлежности этого элемента множеству.
Экспертные системы. Экспертные системы – это программные системы, которые решают прикладные задачи в условиях неполной априорной информации и при отсутствии строгих научных правил обработки фактов на основе знаний специалистов в рассматриваемой области.
Нейросетевые модели. Основные компоненты искусственных нейронных сетей моделируют структуру мозга. Нейроны являются единицами обработки информации. Нейроны получают сигналы либо из внешнего мира, либо от других нейронов. Нейроны соединены в большую и сложную сеть. Нейроны в сети связаны каналами-дендритами. Точка приема нейроном сигнала от сети называется синапсом. Нейрон может иметь до 10000 синапсов. Принятые синапсами входные сигналы суммируются, причем одни входы стремятся возбудить нейроны, другие – препятствуют этому. Если нейрон возбуждается, он посылает сигнал в сеть через точку - аксон.
Для
имитации нейронов (см. рисунок) каждый
входной сигнал
=
Искусственный нейрон
умножим
на некоторый вес
и просуммируем:
.
Сумматор имеет один выход
.
Поскольку любой нейрон
общается с другими –
-ми,
то
=
,
где
– выходной
сигнал
-го
нейрона. Тогда
=
и
=
=
.
Сигнал
обрабатывается активационным
блоком
,
который выдает
.
Функция
может быть любой: пороговой, сигнумом,
сигмодальной, линейной и т. д.
Для
пороговой
нейрон остается неактивным до тех
пор, пока его
не достигнет порогового значения
.
Тогда
=
0, если
,
1, если > .
Когда = 0, функция называется сигнум-функцией:
1,
>0,
= 0, =0,
-1, <0.
Сигмодальная (логистическая) сжимающая функция:
(
)=1/(1+
).
Это позволяет работать в большом диапазоне входных сигналов без перегрузки нейрона с большой чувствительностью в средней области . Разновидностью сигмодальной функции является гиперболический тангенс.
Линейная функция:
=
,
где - системный параметр (часто =1).
Линейно-пороговая функция:
= 0,
,
- , > .
Выбор зависит от проекта нейронной сети.
Искусственная нейронная сеть группируется по слоям: входной слой нейронов, принимающий сигналы, возможный скрытый внутренний слой, выходной слой, связывающий систему с внешним миром, и т.д. Проектирование нейронной сети заключается:
в определении числа и свойств слоев нейронов,
определении связей внутри и между слоями,
задании всех параметров, , ,….
С точки зрения количества слоев сети могут быть однослойными (простыми, с нейронами, как на рисунке) и многослойными. С точки зрения связей сети делятся на сети прямого (однонаправленного) распространения и с обратными связями. Первые не имеют памяти, вторые моделируют ее, обеспечивая получение многообразных свойств сети и, соответственно, уровень ИИ ее нейронной структуры.
Простейшая нейронная сеть - персептрон. Имеет трехслойную, иерархическую, распространяющуюся вперед структуру с отсутствием связей между нейронами одного слоя. Первый слой – входной, принимающий внешние сигналы и передающий их второму слою. Весовые коэффициенты между первым и вторым слоями фиксированы и равны 1. Здесь, очевидно, отсутствует элемент обучения. Нейроны второго слоя отмечают свойства явлений. Третий слой – выходной. После обучения он имеет обратную связь со вторым слоем. В этом месте возможны память и обучение. Нейроны второго и третьего слоев используют пороговую функцию сигнум.
Обучение заключается в принудительном формировании весов связей между вторым и третьим слоями в соответствии с уравнением
=
+
(
-
),
где , - соответственно новая (после обучения) и старая (до обучения) весовые связи нейрона второго слоя с нейронами третьего слоя, - желаемый или правильный выход нейрона третьего слоя, - реальный выход нейрона , 0 1. Если нейрон посылает правильный выход во внешнюю среду, тогда весовые связи не меняют, и наоборот.
Обучение персептрона происходит следующим образом. На вход подают эталонные сигналы и настраивают параметры связей так, чтобы получить на выходе требуемую реакцию.