- •1. Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?
- •3. Классификация знаний. Знания глубинные и поверхностные, мягкие и жесткие. Чем обусловлена мягкость знаний. Экспертные и концептуальные знания.
- •7. Фреймы: определение, структура. Для какого типа знаний подходит фреймовое представление?
- •8 Что такое логическая модель? Понятие предиката, квантора. Сложное высказывание.
- •9. Нечеткие знания. Коэффициент уверенности. Схема объединения свидетельств (схема Шортлиффа).
- •10. Вероятностная логика Неполные знания. Немонотонная логика. Основной недостаток логических моделей.
- •12. Нечеткие отношения. Лингвистическая переменная. Нечеткая логика. Построение функций принадлежности.
- •21. Пассивные методы приобретения знаний: метод наблюдения и анализа протоколов. Достоинства и недостатки пассивных методов приобретения знаний.
- •22. Активные индивидуальные методы приобретения знаний: анкетирование, интервьюирование, свободный диалог. Достоинства и недостатки этих методов.
- •23. Активные групповые методы приобретения знаний: «круглый стол», «мозговой штурм». Достоинства и недостатки этих методов.
- •25. Два типа обучения: обучение «заучиванием наизусть» и когнитивное обучение.
- •26. Метод обучения "Hit-and-Near-Miss". При каких условиях этот метод сходится?
- •27. Дайте характеристику двумерных систем технического зрения.
- •28. Трехмерные системы технического зрения. Какие дополнительные возможности они имеют по сравнению с двумерными системами.
- •29. Распознавание образов как область искусственного интеллекта. Охарактеризуйте общие проблемы распознавания.
- •30. Промышленные и автономные роботы. Методы обучения робота. Чем отличается язык управления роботом от обычного языка программирования.
9. Нечеткие знания. Коэффициент уверенности. Схема объединения свидетельств (схема Шортлиффа).
В классической логике значения могут быть либо «истинно» либо «ложным». Очень часто существуют знания где мы не может четко сказать истинна или ложь.
Для описания неточностей применим теорию вероятностей…
!!!Схема Шортлифа:
КУ[h/e]=МД[h/e]-МнД[h/e]
Коэффициент уверенности в гипотезе h при свидетельстве e равняется как мера доверия минус мера недоверия гипотезы h при свидетельстве e. МД и МнД принимает значения [0,1], поэтому КУ принимает значение [-1,1]. КУ позволяет взвешивать свидетельства «за» и «против». Ни КУ, ни МД, ни МнД не являются вероятностными мерами. МД и МнД не являются результатом обработки выборки и следовательно им нельзя дать статистическую интерпретацию.
(МД+МнД)/2 – в этом случае получается противоречие
– в этом случае недостаток информации
Для МД формула объединения свидетельств МД[h/e1,e2]=МД[h/e1]+ МД[h/e2]*(1- МД[h/e1]).
Для МнД ф-ла объединения свидетельств МнД[h/e1,e2]=МнД[h/e1]+ МнД[h/e2]*(1- МнД[h/e1]).
Достоинства:
Формула симметрична, порядок свидетельств не существенен;
По мере накопления подтверждающих свидетельств МД(МнД) движется к определенности(к 1);
Схема Шортлифа допускает возможность того что как и данные правила могут быть ненадежные, каждое правило снабжается коэффициентом ослабления, то есть числом [0,1], показывающим надежность этого правила.
10. Вероятностная логика Неполные знания. Немонотонная логика. Основной недостаток логических моделей.
Вероятностная логика, логическая система, в которой утверждениям, помимо истины и лжи, приписываются "промежуточные" истинностные значения, называемые вероятностями истинности высказываний, степенями их правдоподобия, степенями подтверждения и т.п.
Нильсон предложил идею расширения логики и ввел понятие вероятностной логики, в которой всем логическим формулам приписывается вероятность. Здесь вероятность соответствует законам Байеса. Рассмотрим три логические формулы в логике высказываний А, А>В, В. Представим следующие вертикальные векторы:
где,
Вариант истинности А, А —>В, В;
вариант истинности А и лжи А —>В, В;
вариант лжи А и истинности А —>В, В;
вариант лжи А, В и истинности А —>В;
Эти три логические формулы подобраны так, что возможны только четыре указанных выше случая (когда нет противоречий). Это так называемые возможные варианты, например, А,А —>В истина, В ложь - это варианты, содержащие противоречия.
Если выбрать один из возможных вариантов, то образуется традиционная двузначная логика. В вероятностной логике рассматриваются состояния, когда одновременно с некоторой вероятностью могут существовать несколько возможных вариантов.
Неполные знания н немонотонная логика
В реальных ситуациях часто бывает чрезвычайно сложно описать полностью задачу. Например, знание "птицы летают" - верное, однако встречаются и нелетающие птицы, т.е. это неполное знание. Или же задача о "миссионерах и туземцах", т.е. задача о переправе в одной лодке через реку, она становится неразрешимой, если вдруг нет весел или на дне лодки дыра. Подобных причин может быть множество, а раз так, то полностью описать их невозможно. Исходя из здравого смысла, считают, что раз существует лодка, то ею можно пользоваться. Так же можно перечислить все предметы, которые находятся в комнате, но того, чего в ней нет, перечислить невозможно, поскольку это бесчисленное множество предметов. Точно так же можно перечислить верные знания (в некоторой предметной области), но перечислить неверные знания и разумно их определить невозможно.
Поэтому удобно в базе знаний определять исктючительно правильные знания, а все, что не определено, считать заведомо неверным. Утверждения, которые не упомянуты ни как истинные, ни как ложные, принято относить к ложным. Это называют гипотезой закрытого мира.
Классическая логика исходит из предпосылки, что набор определенных в ней аксиом (знаний) полон, и правильный вывод не меняется, даже если впоследствии добавлена новая аксиома. Такое свойство называют монотонностью. Если допустить, что в базу знаний добавлено такое знание: "как правило, птицы летают (за некоторым исключением)", то обнаружится свойство немонотонных выводов. А именно, при добавлении новой аксиомы иногда возможно отрицание вывода, который считался верным в некоторой системе аксиом (базе знаний). Рассмотрим систему аксиом, состоящую из следующих знаний:
а) "как правило, птицы летают (за некоторым исключением)";
б) "пингвины не летают"
в) "Пикколо есть птица"
Из этой системы аксиом можно сделать вывод, "Пикколо летает". Однако впоследствии получена более подробная информация, выяснилось, что Пикколо это пингвин. И в систему аксиом внесено добавление "Пикколо есть пингвин". Теперь вывод, полученный ранее "Пикколо летает", отрицается и делается новый вывод, что "Пикколо не летает". Это пример немонотонности выводов.
К системам, связанным с неполными знаниями и управлением такими знаниями, относится система поддержания значений истинности. В базе знаний этой системы, неполной и содержащей противоречия, все знания делятся на достоверные и недостоверные, и предусмотрено упорядочение базы с целью устранения недостоверных знаний. В этой системе достоверно истинные знания относятся классу "IN", а знания, истинность которых недостоверна либо в истинность которых нет повода верить, - к классу "OUT". Если при добавлении новых значений возникает противоречие, то выполняется повторная проверка классов знаний !
Недостаток логических моделей
При обработке знаний возникает проблема, связанная с различной природой процесса рассуждений в исчислении предикатов и ходом рассуждений, основанных на здравом смысле. Например, когда доказано, что А->С, то С остается истинным и в случае появления любого дополнительного факта В, т.е. А & В -> С. Исчисление предикатов "монотонно", и отсюда следует, что любые умозаключения аддитивны и нет необходимости в их пересмотре. Совершенно ясно, что такая монотонность неприемлема в реальном мире. В реальной жизни мы часто вынуждены изменять умозаключение или отказываться от него при появлении новых фактов. О формальных системах, для которых следует это предусмотреть, говорят, что они "немонотонны". Из-за монотонности исчисления предикатов логические модели отошли на второй план, уступив место продукционным системам и системам, основанным на фреймах, при описании предметных областей из реального мира.
11. Нечеткие множества. Основные понятия. Действия над нечеткими множествами.
В обычной теории множеств существует несколько способов задания множества. Одним из них является задание с помощью характеристической функции, определяемой следующим образом. Пусть V — так называемое универсальное множество, из элементов которого образованы все остальные множества, рассматриваемые в данном классе задач, например множество всех целых чисел, множество всех гладких функций и т.д. Характеристическая функцня множества A U — это функция Ix(х). значения которой указывают, является ли xЄU элементом множества А:
(1)
Особенностью этой функпни является бинарный характер ее значений. Множество А определяется как совокупность объектов, имеющих некоторое обшее свойство, наличие или отсутствие которого у любого элемента х задается характеристической функцией (1). Причем относительно природы объекта не делается никаких предположений.
Задание некоторого множества в этом случае эквивалентно заданию его характеристической функции, поэтому все операции над множествами можно выразить через действия над их характеристическими функциями.
Основные операции объединения, пересечения и разности двух подмножеств А и В из U с
характеристическими функционалами IA(x) и IB(x) соответственно определяются следующим образом для каждого хЄU:
Однако такие понятия, как множество "больших" или "малых величин", уже не являются множествами в классическом смысле, так как не определены границы их степеней малости, которые позволили бы провести классификационную процедуру (1) и четко отнести каждый объект к определенному классу. Большинство классов реальных объектов и процессов относятся именно к такому нечетко определенному типу. Поэтому возникает необходимость введения понятия о нечетком подмножестве как о классе с непрерывной градацией степеней принадлежности.
Понятие нечеткого множества - эта попытка математической формализации нечеткой информации для построения математических моделей. В основе этого понятия лежит представление о том, что составляющие данное множество элементы, обладающие общим свойством, могут обладать этим свойством в различной степени и следовательно, принадлежать к данному множеству с различной степенью. При таком подходе высказывания типа "такой-то элемент принадлежит данному множеству" теряют смысл, поскольку необходимо указать "насколько сильно'" или с какой степенью конкретный элемент удовлетворяет свойствам данного множества.
С точки зрения характеристической функции, нечеткие множества есть естественное обобщение обычных множеств, когда мы отказываемся от бинарного характера этой функции и предполагаем, что она может принимать любые значения на отрезке [0.1]. Причем 0 и 1 представляют собой соответственно низшую и высшую степень принадлежности элемента к определенному множеству. В теории нечетких множеств характеристическая функция называется функцией принадлежности, задающая для всех элементов степень наличия у них некоторого свойства, по которому они относятся к множеству А, а ее значение (х) — степенью принадлежности элемента х нечеткому множества A, т.е. численное значение функции принадлежности характеризует степень принадлежности элемента некоторому нечеткому множеству, являющемуся в выражении естественного языка некоторой, как правило, элементарной характеристикой явления (степени эффективности режима, уровня квалификации специалиста и т.д.).
Более строго, нечеткам множеством (fuzzy set) А называется совокупность пар А={<х, А(х)>|хЄU},
где | А — фунытя принадлежности, т.е. А : U ->[0,1].
Функция принадлежности — это не вероятность, т.к. нам неизвестно статистическое распределение, нет повторяемости экспериментов. Значения функции принадлежности могут быть взяты только из априорных знаний, интуиции (опыта), опроса экспертов.
Если в классической теории множеств понятие характеристической функции играет второстепенную роль, то для нечетких множеств функция принадлежности становится единственно возможным средством их описания.