Заглавная страница Избранные статьи Случайная статья Познавательные статьи Новые добавления Обратная связь КАТЕГОРИИ: АрхеологияБиология Генетика География Информатика История Логика Маркетинг Математика Менеджмент Механика Педагогика Религия Социология Технологии Физика Философия Финансы Химия Экология ТОП 10 на сайте Приготовление дезинфицирующих растворов различной концентрацииТехника нижней прямой подачи мяча. Франко-прусская война (причины и последствия) Организация работы процедурного кабинета Смысловое и механическое запоминание, их место и роль в усвоении знаний Коммуникативные барьеры и пути их преодоления Обработка изделий медицинского назначения многократного применения Образцы текста публицистического стиля Четыре типа изменения баланса Задачи с ответами для Всероссийской олимпиады по праву Мы поможем в написании ваших работ! ЗНАЕТЕ ЛИ ВЫ?
Влияние общества на человека
Приготовление дезинфицирующих растворов различной концентрации Практические работы по географии для 6 класса Организация работы процедурного кабинета Изменения в неживой природе осенью Уборка процедурного кабинета Сольфеджио. Все правила по сольфеджио Балочные системы. Определение реакций опор и моментов защемления |
Представление нечетких знаний в ис.⇐ ПредыдущаяСтр 11 из 11
Для количественного описания знаний предметной области использование традиционного математического аппарата (теория множеств, булева алгебра и др.) оказалось не вполне адекватным, т.к. многие объекты и понятия характеризуются такими отношениями, для которых трудно определить численную характеристику. Эти отношения обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию (например, «сильный», «красивый», «высокий», «кислый» т.п.). Кроме того, при принятии решений некоторые высказывания не могут быть интерпретированы как полностью истинные или ложные. Существуют знания, достоверность которых выражается некоторой вероятностью. Для решения таких проблем в начале 70-х американский математик Лотфи Задепредложил формальный аппарат нечеткой алгебры и нечеткой логики (fuzzy logic). Это направление получило широкое распространение в задачах искусственного интеллекта, распознавания образов, классификации реальных объектов. Вычисления на основе нечеткой логики получили название мягкие вычисления (soft computing). Одно из главных понятий в нечеткой логике — понятие лингвистической переменной. Лингвистическая переменная (ЛП) — это переменная, значение которой определяется набором словесных характеристик некоторого свойства, образующих нечеткое множество (fuzzy set). Например, ЛП «рост» задается множеством: «рост» = { карликовый, низкий, средний, высокий, очень высокий }.
Нечеткое множество, характеризующее ЛП, определяется на некотором базовомнаборе значений или базовой числовой шкале, имеющей размерность. При этом значение ЛП определяется как нечеткое множество. Нечеткое множество в свою очередь определяется через некоторую базовую шкалу В и функцию принадлежности m(x), хÎВ. Допускается и такое математическое описание: , где хi - значение базовой шкалы. Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству. Это отличает ее от вероятности. Например, для двух экспертов определение нечеткого множества «Высокая» для ЛП «Цена ПК» в условных единицах может существенно отличаться в зависимости от социального и финансового положения.
1 эксперт = {50/1 + 25/0.8 + 10/0.6 + 5/0.4} 2 эксперт = (25/1 + 10/0.7 + 5/0.5} Пример 9.1 Опишем ЛП «Возраст». Определим нечеткое множество: В = {младенческий, детский, юный, молодой, зрелый, преклонный, старческий). Для ЛП «возраст» базовая шкала — это числовая шкала от 0 до 120, обозначающая количество прожитых лет, а функция принадлежности определяет, насколько мы уверены в том, что данное количество лет можно отнести к данной категории возраста. Построим шкалу: Например, определить значение нечеткого множества «Младенческий возраст» можно так: «младенческий» = Ребенок до полугода здесь с высокой степенью уверенности относится к младенцам (m=1). Дети до четырех лет причисляются к младенцам тоже, но с меньшей степенью уверенности (0.5< m <0.9), а в десять лет ребенка называют так только в очень редких случаях. Таким образом, нечеткие множества позволяют при определении понятия учитывать субъективные мнения отдельных индивидуумов.
Над нечеткими множествами возможны операции нечеткой логики: max{ m(x1), m(x2) } Возможно применение операций из теории вероятности: m(x) = m(x1)+ m(x2)+ m(x1)* m(x2) Вводятся специальные операторы, называемые квантификаторами, которые усиливают или ослабляют свойства нечеткого множества: Например, если задано нечеткое множество «Старческий возраст»: А = , то понятие «Очень старческий возраст» определяется: , то есть « Оченьстарческий возраст» равен: con(A) = A2 = Тема 10. Инженерия знаний. Поле знаний. В процессе проектирования БЗ, эксперт взаимодействует с инженером по знаниям с целью извлечения знаний, их структурирования, где важную роль играет стратегия получения знаний. Поле знаний – это условное неформальное описание основных понятий и взаимосвязей предметной области, выявленных из системы знаний эксперта в виде графа, диаграммы, таблицы или текста. Поле знаний (ПЗ) является концептуальной моделью предметной области и формируется на стадии структурирования при разработке ЭС. Описание ПЗ дается на некотором языке, который является связующим звеном между естественным языком и формальным языком математики.
Требования, предъявляемые к языку описания ПЗ: 1) Однозначность понятий и высказываний. 2) Заимствованные термины из предметной области должны сохранять свой смысл. 3) Язык должен быть символьным или графическим. На стадии структурирования описание ПЗ переносится на какой-либо язык представления знаний, выбор которого зависит от структуры ПЗ. Существует 3 основных подхода к выбору языков описания знаний: 1 – использование уникальных языков, разработанных для конкретной предметной области (SSL, язык К-схем); 2 – использование языков классификации знаний (языки Вилкинса и Далгарно); 3 – использование логико-конструктивных языков, разработанных в семиотике (науке об универсальном методе познания). Методы третьего подхода не нашли применения в естественных науках в силу жесткой структуры знаний. В искусственном интеллекте знания нечеткие, поэтому эти методы и языки могут применяться. Язык семиотического моделирования является наиболее лучшим приближением к универсальному языку инженерии знаний. Необходимо учитывать, что при формировании ПЗ главной является правильная передача структуры предметной области. Тогда ПЗ является некоторой семиотической моделью, в которой рассматриваются 3 аспекта: 1 - синтаксис; 2 - семантика; 3 - прагматика. Синтаксис задает набор правил построения языковых конструкций. Семантика показывает связи между элементами языка. Прагматика задает отношения между объектами предметной области и их пользователями. 1) Синтаксис ПЗ представляется моделью, описываемой с помощью множеств: Pz = {In, Out, M}, где In – структура входных данных; Out – структура выходных данных; М – модель предметной области. M = {Sk, Sf}, где Sk – концептуальная структура (показывает взаимосвязь элементов); Sf – функциональная структура (моделирует рассуждения эксперта в процессе принятия решения). 2) Семантика ПЗ зависит от особенностей предметной области и обладает полиморфизмом, т.е. одни и те же операторы языка могут иметь различные значения для разных задач. Семантика рассматривается на двух уровнях: 1 – ПЗ есть модель знаний эксперта некоторой предметной области; 2 – ПЗ есть модель самих знаний, не зависимых от эксперта. В данном случае ПЗ формируется в результате 4-х этапов извлечения знаний: 1. Визуальное восприятие и интерпретация экспертом некоторой ситуации в предметной области, происходящей в памяти эксперта Vi; 2. Вербальное объяснение рассуждений эксперта в виде текста или речи Ti/Ci. 3. Восприятие и интерпретация сообщений инженером по знаниям Mi. 4. Кодирование и вербальное описание модели представления знаний на языке описания ПЗ – Pz. Цепочка Vi®Ti/Ci®Mi®Pz называется «испорченный телефон». Семантическая составляющая ПЗ является чисто субъективной. Это – БЗ эксперта в понимании инженера по знаниям. 3) Прагматика ПЗ рассматривается на уровне анализа технологии предметной области, используя которые инженер по знаниям может описать ПЗ. Т.о., это – программные средства формирования ПЗ.
Для моделирования ПЗ можно использовать: 1. Традиционные CASE-средства (Rational Rose, ERWin). 2. Специальные программы (VICONT, Axon, Idea Processor). Т.о., учитывая знания психологии, можно рассматривать ПЗ в виде пирамиды. В пирамиде знаний каждый уровень служит для восхождения на новую ступень обобщения знаний о предметной области.
Пирамида знаний отражает глубину опыта эксперта. Восхождение по ступеням к вершине пирамиды соответствует уменьшению размерности семантического пространства памяти и увеличению опыта эксперта. Есть другая модель описания ПЗ – сфера знаний. Здесь поверхность сферы определяет знания и опыт в соответствие с текущим опытом эксперта (радиусом сферы). Увеличение радиуса сферы влечет увеличение объема семантической памяти. Т.о., эксперт выходит на новый уровень познания предметной области, т.е. способен усвоить и получить знания, которые ранее были недоступны.
Стратегии получения знаний. Процесс получения знаний, т.е. передача знаний эксперта в БЗ экспертной системы является ключевым вопросом формирования поля знаний. Стратегии формирования знаний: 1) Приобретение знаний (Knowledge, Aquisition). Эксперт вводит знания в БЗ ЭС с помощью специальной программы, жестко задающей структуры данных в соответствии с моделью представления знаний, заложенных в ЭС. 2) Извлечение знаний (Extraction). 3) Установление знаний (Elicitation). В двух последних стратегиях происходит взаимодействие эксперта и инженера по знаниям. Извлечение знаний является самым сложным вопросом в разработке ЭС. Основные проблемы, возникающие при извлечении знаний: 1 – Упрощение представлений инженера по знаниям уровня знаний эксперта. 2 – Неудачно выбранный метод извлечения знаний, не соответствующий структуре данной предметной области. 3 – Неправильно выбранный язык представления знаний. 4 – Терминологические несоответствия. 5 – Отсутствие целостной системы знаний. 6 – Неумение наладить контакт с экспертом. Для успешного извлечения знаний инженер по знаниям должен хорошо владеть рядом наук: ü системным анализом; ü математической логикой; ü когнитивной психологией; ü искусственным интеллектом. Согласно Платону, мышление человека диалогично, поэтому диалог эксперта и инженера по знаниям является самой лучшей формой извлечения знаний, хотя в ряде случаев эксперт не общается с инженером по знаниям, а работает с программой ввода знаний (Tetresias – программа заполнения БЗ, MYCIN, EMYCIN, разработанные на основе продукционной модели представления знаний). 4) Формирование знаний. Эта стратегия характеризует разработку моделей, методов и алгоритмов обучения ЭС (Mashine Learning) – процесс анализа данных и выявления закономерностей предметной области.
Основные области применения Mashine Learning: - прогнозирование, расшифровка языков; - методы обучения распознаванию образов; - индуктивный вывод правил и фактов. Существует 2 основных подхода к обучению: 1 – алгебраический, основанный на дополнении исходных эвристических алгоритмов какими-либо алгебраическими операциями, характеризующими объект, и построении алгоритмов классификации новых объектов. 2 – обучение на примерах (Case-based Reasoning). Здесь знания являются описанием множества примеров из предметной области. Существуют новые стратегии извлечения знаний: 1) Понимание знаний (Data Mining). 2) Исследование знаний (Knowledge Discovery).
|
||||||||
Последнее изменение этой страницы: 2017-02-10; просмотров: 278; Нарушение авторского права страницы; Мы поможем в написании вашей работы! infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 18.118.137.243 (0.025 с.) |