Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
ИИЭС(I семестр)-2007.doc
Скачиваний:
32
Добавлен:
21.08.2019
Размер:
3.14 Mб
Скачать

Пример использования модели семантической сети

Рассмотрим пример: как создаются фразы, описывающие техническую систему, например, фраза типа:

«Датчик №1 на протяжении времени с t1 по t2 измерял сигнал высоты».

Этой фразе соответствует граф, показанный на рисунке.

Чтобы создать сеть соответствующую этой фразе: вначале выделяем объект описания – «множество». Он объединяет в единую сеть, все понятия, фигурирующие в фразе. Эти понятия: датчик №1, моменты времени t1 и t2, сигнал высоты, глагол «измеряет» являются элементами подмножеств более общих понятий, которые в свою очередь могут являться подмножествами других подмножеств или самого множества.

Для рассматриваемой фразы: датчик №1 является элементом подмножества авиационный датчик, авиационный датчик является подмножеством датчиков, а датчики являются подмножеством всего множества понятий. Обозначения:

S – подмножество.

l – элемент.

Таким образом, здесь четыре цепочки подмножеств, объединенных общим элементом «множество».

Кроме понятий датчик, физический сигнал (характеризует положение летательного аппарата, являющееся высотой) и понятия время (задает начало t1 и конец t2 конкретного процесса), задается понятие состояние объекта – сказуемое фразы – «измеряет».

Объединим все элементарные понятия в единую фразу грамматическим элементом Q, который в качестве элемента l берет сказуемое, а из остальных понятий выбирает элементы по соответствующим отношениям. В данном случае: измеритель, сигнал, начало, конец.

Для создания любой семантической сети все понятия:

  • объединяются в единую структуру с заданием общего элемента «множество понятий»;

  • каждое из понятий детализируется путем задания подмножеств и конкретных элементов этих понятий.

Для задания конкретных фраз используются грамматические элементы. В примере это элемент Q, который отношением l связан в сети со сказуемым и отношениями, имеющими конкретный смысл, со всеми другими понятиями (в примере датчик №1 – измеритель). Фраза читается по часовой стрелке вокруг грамматического элемента, начиная с любого понятия, например:

«Датчик №1 измеряет высоту до момента времени t2 с момента времени t1».

Восприятие и распознавание образов с использованием систем Искусственного Интеллекта

Задачи восприятия и распознавания образов связаны с методами синтеза при помощи обучения алгоритмических процедур преобразования и анализа информации для задач, алгоритмы решения которых точно не известны.

Под образом здесь понимается структурированное, приближенное (частичное) описание изучаемого объекта или явления. Причем частичность описания здесь является принципиальным свойством. Образом может быть символ или список символов.

Обычно образ состоит из двух групп символов. Это:

  • представление переменной характеристики объекта описания;

  • его постоянные характеристики.

Такое описание служит для установления соответствия образов, то есть доказательства их идентичности, аналогичности, подобия или сходства. Это сопоставление образов и представляет собой одну из основных задач ИИ.

В различных задачах ИИ понятие образ может иметь различный смысл. В классических моделях образ описывается вектором признаков и каждый элемент этого вектора – числовое значение признака, характеризующего объект. В так называемых структурных моделях распознавания в качестве образа выступает высказывание, порожденное грамматикой. Грамматика характеризует некоторый класс, которому принадлежит данный объект или образ. Целью создания автоматизированных вычислительных систем распознавания здесь является автоматизация группы процессов, восприятия и познания, которые связаны с поиском, выделением, идентификацией, классификацией и описанием образов на основе анализа реальных данных. Общая структура системы распознавания образов и ее разработка имеет вид:

Здесь три типа связей:

обратная связь по данным;

факторы, влияющие на синтез системы;

возврат к предыдущему этапу разработки системы;

Обозначения:

РС – разработка системы;

СРО – система распознавания образов.

Разработка системы включает:

АО – анализ объекта;

ВП и НЭ – выбор признаков и непроизводных элементов;

РПА и К – разработку подсистемы анализа и классификации;

СРО объединяет:

И – измерения;

ВП – выделение признаков;

К, О – классификацию, описание объектов.

Сигналы на схеме:

  • входные

ОР – объект распознавания и доступная информация о предметной среде объекта;

СО – среда объекта или его предметная область;

РИ – результат измерения;

П, НЭ – признаки и непроизводные элементы;

  • выходные

№, КО – номер класса описания и описание самих классов.

Согласно этой схеме процесс распознавания осуществляется в два этапа.

Этап 1. Получение промежуточных результатов, путем преобразования исходных данных в форму, лучше представляющую образ с точки зрения решаемой задачи, на этом этапе выделяются существенные признаки и непроизводные элементы, характеризующие объект распознавания.

Этап 2. Разработка классификатора и проведение процесса классификации и описания объекта распознавания. Здесь анализируются полученные на первом этапе данные и синтезируется модель, которая учитывает изменчивость образов, принадлежащих одному и тому же классу. Из заданного набора характеристик выбираем некоторое их подмножество, которое адекватно характеризует этот отдельный класс объектов распознавания. Далее определяются методы, которыми осуществляются характеристики и алгоритмы этого подмножества, которые и проводят классификацию образов на базе выбранных методов. Такое распознавание связано с двумя функциями, это:

  • отнесение объекта к классу, который классификатору системы еще не известен;

  • идентификация объекта в качестве элемента уже известного классификатору класса.

Первая функция, связанная с выделением новых классов – это кластеризация, а вторая функция – это распознавание.

Задача распознавания с применением методов ИИ имеет пять специфических черт:

  • это информационные задачи, которые решаются применением к исходным данным преобразований, которые:

во-первых, приводят эти данные к стандартному виду, удобному для распознавания,

во-вторых, осуществляют на базе этих преобразованных данных само распознавание;

  • эти задачи допускают ввод понятия подобия между объектами или процессами;

  • допускается оперирование набором прецедентов  примеров, классификация которых известна;

  • для этих задач трудно или невозможно построить формальные теории с применением классических математических методов, что объясняется двумя обстоятельствами:

во-первых, уровень формализации, соответствующей предметной области и доступная информация о ней таковы, что не могут составить основу для синтеза математической модели;

во-вторых, математическая модель может быть построена, но ее синтез и изучение связаны с большими затратами;

  • - в этих задачах имеет место «плохая» исходная информация, которая обычно характеризует сложную в семантическом и структурном отношении ситуацию; это ограниченная, неполная, разнородная, косвенная, нечеткая, неоднозначная и вероятностная информация.

На сегодня известно семь типов таких задач распознавания:

  1. обучение с учителем, то есть отнесение предъявленного объекта по его формализованному описанию к некоторому классу из числа заданных;

  2. обучение с учителем с учетом динамики объекта исследования;

  3. задача автоматической классификации (обучение без учителя): множество объектов или процессов разбивается на системы непересекающихся подмножеств, являющихся классами, на базе формализованного описания этих объектов;

  4. задача автоматической классификации, обучение без учителя, с учетом динамики объекта исследования;

  5. задача прогнозирования, это вторая и четвертая задачи, но в случае, когда решение должно относиться к некоторому моменту времени в будущем;

  6. выбор информационного набора признаков для построения описания объекта распознавания и оценка, как информации отдельных признаков, так и их сочетаний;

  7. сведение исходных данных к виду удобному для распознавания, то есть построение формализованного описания объекта распознавания.

Все перечисленные задачи могут решаться при задании исходных данных в одном из следующих четырех форм или их сочетаний:

  1. изображения, полученные в различных частях спектра изучений различными способами и преобразованные в цифровую форму (излучения: оптические, инфракрасные, ультразвук и прочее; способы: телевизионный, фото, лазер-радиолокация);

  2. сигналы, то есть длинные числовые последовательности;

  3. экспертные данные в различных форматах;

  4. серии изображений или фильмы любого из перечисленных выше видов.

33