- •Системы искусственного интеллекта
- •1. Общие понятия об искусственном интеллекте.
- •1.1. Предмет исследования искусственного интеллекта.
- •1.2. Проблемы искусственного интеллекта.
- •1.3. История развития систем искусственного интеллекта.
- •1.4. Подходы к построению систем искусственного интеллекта.
- •2. Знания в системах искусственного интеллекта.
- •2.1. Понятие и виды знаний.
- •2.2. Системы баз знаний.
- •2.3. Онтологии.
- •2.4. Методы представления знаний.
- •2.5. Методы приобретения знаний.
- •3. Экспертные системы.
- •3.1. Базовые понятия.
- •3.2. Методика построения эс.
- •4. Искусственная жизнь.
- •4.1. Генетические алгоритмы.
- •4.2. Клеточные автоматы.
- •5. Распознавание образов.
- •5.1. Понятие образа.
- •5.2. Проблема обучения распознаванию образов.
- •5.3. Гипотеза компактности.
- •5.4. Подходы к распознаванию образов.
- •5.5. Обучение и самообучение распознаванию образов.
- •6. Методы обучения распознаванию образов.
- •6.1. Кластерный анализ структуры многомерных данных.
- •6.1.1. Основные понятия кластерного анализа.
- •6.1.2. Общая схема кластеризации.
- •6.1.3. Методы кластеризации.
- •6.2. Метод потенциальных функций.
- •6.3. Метод предельных упрощений.
- •6.4. Коллективы решающих правил.
- •6.5. Метод группового учета аргументов.
2.4. Методы представления знаний.
Метод представления знаний – совокупность взаимосвязанных средств формального описания знаний и оперирования этими описаниями.
При создании моделей представления знаний следует учитывать такие факторы, как однородность представления и простота понимания.
Формальные логические методы.
Логические модели представления знаний основаны на исчислении предикатов. Предикат – это высказывание, в которое можно подставлять аргументы. Если аргумент один – то предикат выражает свойство аргумента, если больше – то отношение между аргументами.
В логических моделях факт – формула в некоторой логике, система знаний – совокупность формул. Таким образом, предметная область описывается в виде набора аксиом.
Пример применения – Prolog-программа.
Основные операции: логический вывод (доказательство теорем).
Достоинства:
формальный аппарат вывода новых фактов (знаний) из известных фактов (знаний);
возможность контроля целостности;
простая и ясная нотация.
Недостатки:
знания трудно структурировать и поэтому к предметной области предъявляются высокие требования и ограничения;
при большом количестве формул их совокупность трудно обозрима, и вывод идет очень долго.
Семантические сети.
Семантика – наука, устанавливающая соответствие между символами и объектами, которые они обозначают. Т. е. семантическая сеть – смысловая сеть. Первые семантические сети были разработаны в качестве языка-посредника для систем машинного перевода.
Семантическая сеть – структура для представления знаний в виде узлов (понятий), соединенных дугами (отношения между понятиями).
В качестве понятий обычно выступают абстрактные или реальные объекты.
Типы отношений:
часть – целое (класс – подкласс, множество – элемент);
функциональные связи (определяются глаголами «производит», «влияет»);
количественные (больше, меньше, равно);
пространственные (за, под, далеко от);
временные (в течение, раньше, позже);
атрибутивные (имеет свойство, имеет значение);
логические связи («и», «или», «не»);
элемент класса – пример (собака – кличка собаки).
Классификация семантических сетей по отношениям между понятиями:
По количеству отношений:
однородные – на графе представлен один тип отношений;
неоднородные – на графе представлены различные типы отношений.
По типу отношений:
бинарные – связаны пары объектов;
n-арные – отношениями связано более двух понятий или объектов.
Проблема поиска решения в базе знаний типа «семантическая сеть» сводится к поиску фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос.
Основные операции: сопоставление с образцом, поиск, замена, взятие копии.
Достоинства:
знания хорошо структурированы, структура понятна человеку;
соответствие организации долговременной памяти у человека.
Недостатки:
сложность организации процедуры поиска;
при большом объеме сеть трудно обозрима.
Фреймы.
Фрейм (в переводе – каркас) – это абстрактный образ для представления некоторого стереотипа восприятия. Пример: фрейм комнаты – жилое помещение с 4-мя стенами, полом, потолком, дверью, n окнами и площадью m кв. м. Из этого описания нельзя убрать ни один из элементов, не изменив абстрактный образ, но можно описать реальную комнату, задав значение свойств и характеристик некоторым (или всем) элементам фрейма с помощью значений слотов.
Слоты – это характеристики, свойства и уточнения элементов фрейма или фрейма в целом, существенные в разрабатываемой модели (в примере n и m). В общем случае слот определяется принадлежностью к элементу фрейма, именем, множеством значений, одно из которых он может принимать, способом получения своего значения, присоединенной процедурой для определения своего значения (при необходимости).
Различают фреймы-образцы (или прототипы) – фреймы, хранящиеся в базе знаний, у которых только часть слотов может иметь значения, и фреймы-экземпляры, у которых все слоты должны иметь значения и которые создаются для отображения реальных фактических ситуаций на основе поступающих данных.
Обычно описание фрейма представляют в виде таблицы:
ИМЯ ФРЕЙМА |
||||
Наименование элемента фрейма |
Имя слота |
Множество значений слота |
Способ получения значения |
Присоединенная процедура |
|
|
|
|
|
Способы получения слотом значения при формировании фрейма-экземпляра:
по умолчанию (от фрейма-образца);
через наследование свойств от другого фрейма в слоте «это»;
по формуле, указанной в слоте;
через присоединенную процедуру;
явно из диалога с пользователем;
из базы данных.
Если в качестве значения слота выступает имя другого фрейма, то образуется сеть фреймов.
Виды фреймов:
фреймы-структуры (залог, вексель);
фреймы-роли (кассир, клиент);
фреймы-сценарии (собрание, праздник, банкротство);
фреймы-ситуации (рабочий режим устройства, авария).
Основные операции: присвоение слотам значений.
Достоинства:
гибкость и наглядность;
отражают концептуальную основу организации памяти человека.
Недостатки:
отсутствие формальной семантики, что затрудняет сравнение свойств представления знаний различных языков фреймов, а также полное логическое объяснение языка фреймов.
Продукции.
Продукционная модель (продукционные правила) представляет знания условными предложениями вида:
ЕСЛИ (условие), ТО (действие).
Условие – некоторое предложение-образец, по которому осуществляется поиск в базе знаний. При успешном исходе поиска выполняется некоторое действие. Действия могут быть промежуточными (выступающими далее как условия) или терминальными (целевыми), завершающими работу системы.
Здесь данные – это факты, хранящиеся в базе фактов, на основании которых запускается машина вывода (интерпретатор правил), обрабатывающая правила из продукционной базы знаний.
Возможны два подхода к выводу:
Прямая цепочка рассуждений. Задается начальная ситуация (условие или набор условий). Необходимо на основании правил выполнить прогноз дальнейшего развития ситуации: «настоящее будущее».
Обратная цепочка рассуждений. Задается конкретная ситуация и необходимо проанализировать, какие условия и причины привели к этой ситуации: «прошлое настоящее».
Основные операции: вывод (применение правила, определение правила-преемника и т.д.)
Достоинства:
разделение знания и управления. Это обеспечивает высокую модульность продукционных правил, т. е. отсутствие синтаксического взаимодействия между правилами;
наглядность;
легкость дополнения и модификации;
простой механизм логического вывода.
Недостаток:
при большом количестве правил их совокупность трудно обозрима, и вывод идет очень долго.