11.4. Проверка информации эксперта и гипотезы о характерности

Как отмечалось, не ошибающихся экспертов не бывает. По­этому информацию эксперта следует подвергать проверке, осно­ванной на использовании условий доминирования по харак­терности.

Формально такую проверку можно представить следующим образом. Пусть на каком-то этапе диалога «компьютер—экс­перт» состояние а_i, было отнесено к классу Р_j:

a_i  P_i. После каждого ответа эксперта осуществлялось распространение по доминированию. Построенные конусы доминирования по характерности в общем случае пересекаются. Это означает, что некоторые состояния могут быть классифицированы несколько раз. Предположим, что при этом классификации какого-то состояния а_v различаются. Тогда, например, (а_v,а_j)D_pi, но a_j  P₁, т.е. а_v более характерно для класса Р_i, чем а_j, однако а_v оказалось отнесенным (при другом ответе эксперта) к классу Р_l . Этот факт может быть как ошибкой эксперта, так и проявлением зависимости диагностических признаков.

При выявлении противоречия в классификации компьютер предъявляет эксперту на экране описания двух состояний и просит еще раз их проанализировать. Если эксперт обнаружи­вает свою ошибку, он ее устраняет и опрос продолжается. Если эксперт подтверждает обе противоречивые классификации, то:

• с помощью эксперта выделяется подмножество зависимых диагностических

признаков;

• эти признаки объединяются в один агрегированный признак, не зависящий от

остальных.

Аналитические оценки показывают, что в среднем около 25% ответов экспертов проверяются, что позволяет считать созданную базу знаний непротиворечивой и надежно отражаю­щей экспертные знания.

11.5. Определение последовательности состояний для предъявления эксперту в процессе классификации

Как было показано выше, классификация состояния объек­та исследования позволяет косвенно классифицировать ряд других состояний (либо уменьшить неопределенность). Это дает возможность построить полную классификацию, т.е. решить поставленную задачу, предъявив эксперту сравнительно не­большое число состояний. Для реализации такой возможности необходимо найти стратегию выбора очередного состояния для предъявления эксперту.

Система КЛАСС [7], а также последовавшие за ней системы ДИФКЛАСС [13], СТЕПКЛАСС [14] и КЛАНШ [15] отличаются друг от друга стратегией предъявления состояний эксперту.

Так, в системе КЛАСС осуществляется выбор наиболее ин­формативного состояния. Предполагается, что все возможные ответы эксперта для любого неизвестного состояния объекта равновероятны. Для каждого неклассифицированного со­стояния вычисляются количества косвенно классифицируемых состояний 'при всех возможных ответах эксперта. Далее под­считывается среднее количество, которое и характеризует ин­формативность предъявления конкретного вектора. Компьютер осуществляет перебор всех неквалифицированных на данный момент состояний и выбирает то, для которого ожидаемое сред­нее количество косвенно классифицированных состояний мак­симально.

Существенно более эффективными (по числу обращений к эксперту) являются методы ДИФКЛАСС и КЛАНШ.