22. Системы нечеткого рассуждения. Метод нечеткой логики.

Применение нечетких знаний было обусловлено необходимостью представления знаний в условиях неопределенности. Для учета степени неопределенности некоторых характеристик учитываемых в работе систем искусственного интеллекта разработаны специальные методы:

1. Метод нечеткой логики;

2. Метод коэффициента уверенности;

3. Байесовский метод.

Метод нечеткой логики

Предположим, что эксперт может оценивать истинность или ложность интервалом значений от 0 до 1. p(0) – ложь;

p(1) – истина;

р(x>0.5) – граничное значение;

р(х) – степень близости к истине(лжи);

р – субъективная оценка.

В системах СИИ имеется средство оценки для функции отображения.

р₁  р₂ = min(р₁,р₂)

р₁  р₂ = min(р₁,р₂)

При рассмотрении вопросов связанных с нечеткой логикой применяется взвешивание отдельных сведений.

23. Системы нечеткого рассуждения. Метод коэффициента уверенности.

Применение нечетких знаний было обусловлено необходимостью представления знаний в условиях неопределенности. Для учета степени неопределенности некоторых характеристик учитываемых в работе систем искусственного интеллекта разработаны специальные методы:

1. Метод нечеткой логики;

2. Метод коэффициента уверенности;

3. Байесовский метод.

Метод коэффициента уверенности

Данный метод определил Шерт Лифф. Он основан на:

КУ(h:e) →

h – гипотеза;

е – свидетельство;

КУ(h:l) = MD(h:l) – MHD(h:l)

КУ(-1:1)

КУ(h:l) = MD(h:l₁;l₂) = MD(h:l₁) + MD(h:l₁)(1 - MD(h:l₂))

Данное выражение имеет два свойства:

1. она симметрична отношением свидетельств l₁ и l₂;

2. по мере накопления свидетельств мера доверия близка к определенности;

Оценка коэффициента уверенности может дополнятся коэффициентом ослабления КО_сл > [0..1] что повышает надежность результатов полученных посредством этого правила.

25. Лингвинистическая переменная. Нечеткие множества. Операции с нечеткими знаниями.

Лингвистическая переменная – переменная, значение которой определяется значением вербальных (словесных) характеристик некоторого свойства.

ЛП «Рост» = {карликовый, низкий, средний, высокий}

Значения ЛП определяется через нечеткие множества. Нечеткие множества – определяются на основе некоторого базового набора значений или некоторой числовой шкале, что имеет размерность каждого значения лингвистической переменной определяющихся как нечеткое множество.

Пример

Нечеткое множество – низкий рост. НМ определяется через шкалу В и функцию принадлежащую НМ μ(х), х є В. Величина μ(х) лежит в интервале от 0 до 1.

В =

μ(х) = {0,1} – определяет субъективную степень уверенности эксперта в том, что данное значение базовой шкалы соответствует определения НМ.

Для нечетких знаний, что выражены с помощью НМ, существует несколько способов использования. Эти способы относятся к эвристиками или

μ(х) = max(μ1(х), μ2(х)) – логика Заде

μ(х) = (μ1(х) + μ2(х)) - (μ1(х) * μ2(х)) – вероятностный подход

Усиление или ослабление лингвистических понятий достигается введением специальных квантификаторов. Для логического вывода на нечеткие множества используют специальные отношения и операции над ними. Одним из первых применений теории НЗ стало использование коэффициента уверенности.

24. Системы нечеткого рассуждения. Байесовский подход.

Применение нечетких знаний было обусловлено необходимостью представления знаний в условиях неопределенности. Для учета степени неопределенности некоторых характеристик учитываемых в работе систем искусственного интеллекта разработаны специальные методы:

1. Метод нечеткой логики;

2. Метод коэффициента уверенности;

3. Байесовский метод.

Байесовский метод

В нем используется характеристика

р(h) – априорная вероятностная гипотеза при отсутствии свидетельств.

p(h:l) – апостериорная вероятностная гипотеза при наличии свидетельств l.

p(h:l) = (p(h  l))/ p(l)

p(h:l) = p(l  h)/ p(h)

p( h:l) = (p( h  l))/ p(l) → p(h:l)/ p( h:l)

p(l  h)/ p( h  l) = (p(h)* p(h:l))/ (p(h)* p(l: h))

р(l) = р(h:l)* р(h) + р(l   h) + p(( h)

p(h:l) = 1 Вероятность того, что если у пациента грипп, то у него высокая температура.

28. Инструментальные средства создания экспертных систем. Языки инженерии знаний.

Экспертная система – это комплекс программ использующие человеческие знания и хранящиеся в базах знаний.

По типу инструментальные средства различают:

1.симольные языка программирования ориентированные на разработку экспертных систем и др.систем искусственного интеллекта.

2.языки инженерии знаний

3.системы автоматизации разработки ЭС

4.Оболочки ЭС

При использовании 3 и4 могут возникать проблемы – (управление стратегии логического вывода могут не совпадать с тем выводом, который использует конкретные эксперты). Кроме того, язык представления знаний может не подходить для данного представления. Инструментальные средства можно классифицировать по классам экспертных систем.

Простые экспертные системы разработаны на персональных компьютерах, а сложные на интеллектуальных РС или на символьных компьютерах последовательного или параллельного типа.

Инструментальные средства делятся по типу использования методов и знаний на традиционные (используют только методы инженерии знаний) и гибридные (дополнительно к методам инженерии используют обычные методы программирования).

Универсальное инструментальное средство оценивается универсальным представлением знаний и универсальным функционированием. Универсальное представление характеризует модель представления знаний и принимает следующие значения:

А) единое представление(только одна модель)

Б) интеллектуальное представление (совместно используется несколько моделей)

В) универсальное представление (используют все модели знаний)

По механизму функционирования различают инструментальные средства с одним механизмом.

Языки инженерии знаний

Инструментальные средства этой категории избавлены разработки от необходимых углублений в детали реализации: способы эффективного распределения памяти; низкоуровневый процесс доступа и манипулирования данными; механизмы логического вывода.

Правила БЗ на языке Пролог можно представить в виде дизъюнкта Хорна.

Для получения успеха при выборе какого либо правила из БЗ необходимо реализовать процедуру обратного вывода. При реализации обратного вывода выполняется поиск в глубину с нисходящим порядком.

Наличие в Прологе механизма логического вывода подкреплено возможностями:

1. индексированная БД фраз, которые можно использовать для представления правил, процедур или фактов.

2. универсальный механизм сопоставления, который позволяет выполнить сопоставления данных и шаблонов включающие переменные, и возвращать подстановку, которая может обеспечить их совпадение.

3. стратегия управления: поиск в глубину и слева направо в очередном правиле.

29. Инструментальные средства создания экспертных систем. Средства автоматизации разработки экспертных систем

Экспертная система – это комплекс программ использующие человеческие знания и хранящиеся в базах знаний.

По типу инструментальные средства различают:

1.симольные языка программирования ориентированные на разработку экспертных систем и др.систем искусственного интеллекта.

2.языки инженерии знаний

3.системы автоматизации разработки ЭС

4.Оболочки ЭС

При использовании 3 и4 могут возникать проблемы – (управление стратегии логического вывода могут не совпадать с тем выводом, который использует конкретные эксперты). Кроме того, язык представления знаний может не подходить для данного представления. Инструментальные средства можно классифицировать по классам экспертных систем.

Простые экспертные системы разработаны на персональных компьютерах, а сложные на интеллектуальных РС или на символьных компьютерах последовательного или параллельного типа.

Инструментальные средства делятся по типу использования методов и знаний на традиционные (используют только методы инженерии знаний) и гибридные (дополнительно к методам инженерии используют обычные методы программирования).

Универсальное инструментальное средство оценивается универсальным представлением знаний и универсальным функционированием. Универсальное представление характеризует модель представления знаний и принимает следующие значения:

А) единое представление(только одна модель)

Б) интеллектуальное представление (совместно используется несколько моделей)

В) универсальное представление (используют все модели знаний)

По механизму функционирования различают инструментальные средства с одним механизмом.

Средства автоматизации разработки экспертных систем

Также, как и во фреймовых моделях основная идея объектно ориентированного языка состоит в том, чтоб заключить данные в некие структуры, объединенные в структуры наследования. Процедуры могут наследоваться и комбинироваться также как и данные, а объекты могут взаимно посылать сообщения.

27. Инструментальные средства создания экспертных систем. Типы аппаратных средств.

Экспертная система – это комплекс программ использующие человеческие знания и хранящиеся в базах знаний.

По типу инструментальные средства различают:

1.симольные языка программирования ориентированные на разработку экспертных систем и др.систем искусственного интеллекта.

2.языки инженерии знаний

3.системы автоматизации разработки ЭС

4.Оболочки ЭС

При использовании 3 и4 могут возникать проблемы – (управление стратегии логического вывода могут не совпадать с тем выводом, который использует конкретные эксперты). Кроме того, язык представления знаний может не подходить для данного представления. Инструментальные средства можно классифицировать по классам экспертных систем.

Простые экспертные системы разработаны на персональных компьютерах, а сложные на интеллектуальных РС или на символьных компьютерах последовательного или параллельного типа.

Инструментальные средства делятся по типу использования методов и знаний на традиционные (используют только методы инженерии знаний) и гибридные (дополнительно к методам инженерии используют обычные методы программирования).

Универсальное инструментальное средство оценивается универсальным представлением знаний и универсальным функционированием. Универсальное представление характеризует модель представления знаний и принимает следующие значения:

А) единое представление(только одна модель)

Б) интеллектуальное представление (совместно используется несколько моделей)

В) универсальное представление (используют все модели знаний)

По механизму функционирования различают инструментальные средства с одним механизмом.

Аппаратные средства

1. Персональный компьютер

2. ЭВМ общего назначения;

3. ИРС – интеллектуальные рабочие станции (Sun, Appolo);

4. Последовательно-символьные ЭВМ (Zisp, Prolog);

5. Параллельные ЭВМ (Connection, Dado Faim).

30.Основные структуры языка Clips. Примеры.

Определение фактов Clips

Факты-это одна из основных форм представления данных в БД. Используются в правилах и помещаются в список фактов системы рабочей памяти. Для работы с фактами используют 2 формата:

1. упорядоченные факты – жестко задана цепочка значений атрибутов.

2. неупорядоченные факты (шаблоны) – после имени в произвольном порядке следуют слоты, как пары (атрибут значение).

Clips-различает неупорядоченные от упорядоченных по первому полю факта. Если это значение всегда типа symbol соответствует типу некоторого шаблона, предварительно создается конструктор шаблона (defназвание_шаблона).

Deftemplate – такой факт является неупорядоченным.

Упорядоченный факт

(class “Marta Roberts” 25 “45A”)

Неупорядоченный факт

(class (teatcher “ Marta Roberts’)

(#students 25)

(room “45A”))

Средства работы с фактами

Факты в системе обрабатываются с помощью соответствующих конструкторов операций и функций. Эти возможности включают создание шаблонов. Создание, удаление, дублирование, поиск фактов, просмотр, сохранение, загрузка списка фактов выполняется с помощью конструктора deffacts.

Создание правила Clips

Привило (антецеденты) → (консеквенты)

(предпосылки → заключения)

Общий формат правила

(defrule <имя правила>

<предпосылка1>

<предпосылка1> →

<действие1>

<действие1>)

Обычно перечень предпосылок представляет собой образцы (pattern), которые должны соответствовать рабочей памяти. Действия задают изменения, которые должны быть внесены в соответствующую рабочую память. Процесс сопоставления фактам или объектам наз. сопоставление образцов. Язык Clips предоставляет механизм, называемый механизм логического вывода.

Пример записи правила:

(defrule diagnosis

(patient(name Jones)

(organism organism-1)

(organism (name organism-1))

(morphology rod)

(aerobicity aerobic)) →

(organism (name organism-1))

(identify enterobacteriaceac

Confidence 0.8)))

Если у определенного пациента обнаружится связь с определенным микроорганизмом, которые перечислены в правиле свойства, то этот микроорганизм принадлежит какому-то классу. Правило может добавить в рабочую память рабочий вектор, содержащийся в правой части правила. Необходимо записать полное правило, включающее в них переменные играющие роль местодержателей.

defrule diag

(patient(name ? patient)

(org ? org)

Если в рабочей памяти содержится конкретные векторы, то они могут удовлетворить предпосылкам диагностики.

Прорцес применения правила описывается в терминах распознавания – действия.

26. Структура экспертной системы. Назначение основных устройств системы

Чтобы проводить экспертизу компьютерная программа, претендующая на роль эксперта должна быть способна решать задачи посредством логического вывода и получать при этом достаточно надежный результат. Экспертная система должна иметь доступ к системам фактов называемых БЗ. Во время консультации ЭС должна выводить заключения из информации имеющейся в БЗ. Ряд экспертных систем обязан уметь использовать ту информацию, которая возникает уже в ходе консультации. Таким образом, экспертную систему можно представить состоящей из трех частей:

1) Базы знаний;

2. Механизм вывода (МВ);

3. Система пользовательского интерфейса (СПИ).

оболочка

Пользователь ←→( СПИ ←→ МВ) ←→ Базы знаний

База знаний - центральная часть экспертной системы. Она содержит правила, описывающие явления и взаимосвязи между ними, методы и знания для решения задач из области применения системы. Базу званий можно представлять состоящей из фактических знаний и знаний, которые используются для вывода других знаний.

Механизм вывода содержит принципы и правила работы. Механизм вывода "знает", как использовать базу знаний так, чтобы можно было получать разумно согласующиеся заключения (выводы) из информации, находящейся в ней. Когда экспертной системе задан вопрос, механизм вывода выбирает способ применения правил базы знаний для решения задачи, поставленной в вопросе. Фактически механизм вывода запускает экспертную систему в paбочее состояние, определяя, какие правила базы знаний нужно вызвать и организовать к ним доступ. Механизм вывода выполняет правила, определяет, когда найдено приемлемое решение, и передает результаты программе интерфейса с пользователем. Если вопрос требует предварительной обработки, то доступ к базе знаний осуществляется через интерфейс с пользователем.

Интерфейс - это часть экспертной системы, которая взаимодействует с пользователем.

Интерфейс может также дать объяснение пользователю, каким образом экспертная система выводит результат. Система интерфейса с пользователем принимает информацию от пользователя и передает ему информацию. Другими словами, система интерфейса должна убедиться, что после того как, пользователь описал задачу, вся необходимая информация получена. Интерфейс, основываясь на виде и природе информации, введенной пользователем, передает необходимую информацию механизму вывода. Когда механизм вывода возвращает знания, выведенные из базы знаний, интерфейс передает их обратно пользователю в удобной форме. Интерфейс с пользователем и механизм вывода могут рассматриваться как "приложение" к базе знаний. Экспертная система состоит из трех основных частей. Взаимосвязь между частями может быть сложной, зависящей от природы и организации знаний, а также от методов и целей вывода.