Сетевые модели представления знаний (семантические сети)

Способ представления сетевых моделей наиболее близок к тому, как они представлены в текстах на естественном языке. Вся информация может быть представлена в виде троек (a r b), где а и b – это объекты или понятия, r – соотношение или связи между ними.

H=<I,C1,…,Cn,I’>

I – множество информационных единиц;

С – множество типов связей между элементами;

I’ – отображение, которое задает между информационными единицами, входящими в I связи из заданного набора.

Сети:

1. Классифицирующие сети. В них используются отношение структуризации. Они позволяют вводить в БЗ различные иерархические отношения между элементами множества I.

2. Функциональные сети – вычислительные модели, характеризующиеся наличием функциональных отношений. Позволяет вычислять одни информационные единицы через другие.

3. Сценарии. Причинноследственные связи. Либо устанавливающие влияние одних факторов на др.

Если допускаются все три вида, то это Семантическая сеть.

Семантическая сеть – модель, основы для которой является формализация знаний в виде ориентированного графа с размеченными вершинами и дугами.

Достоинства:

-большие выразительные возможности;

-наглядность представления информации (наглядность системы знаний);

-схожесть представления семантической структуры и фраз человека на естественном языке.

Недостатки:

-сетевая модель не дает ясного представления о структуре предметной области, поэтому затруднительна ее изменение в общем виде;

-представляют собой пассивную структуру, для обработки которых необходим специальный аппарат формального вывод и планирования;

-проблема поиска решения в БЗ типа семантической сети сводится к поиску задачи поиска фрагмента сети, к которой соответствует непосредственные подсети.

Характеристика экспертных систем

Экспертные системы – программный комплекс, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опят для менее квалифицированных пользователей.

Необходимы для тиражирования опыта экспертов менее квалифицированным пользователям. Экспертные системы необходимы в случае, если в предметной области большая часть знаний представлена в виде личного опыта экспертов.

Традиционно знания существуют в двух видах — коллективный опыт и личный опыт. Если большая часть знаний в предлагаемой области представлена в виде коллективного опыта (например, высшая математика), эта предметная область не нуждается в экспертных системах. Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов), если эти знания по каким-либо при-чинам слабо структурированы, такая предметная область нуждается в экспертных системах.

Экспертные системы классифицируются на: 1. Классифицирующие системы 2. Доопределяющие системы 3. Трансформирующие системы 4. Многоагентные системы

Классифицирующие системы - это экспертные системы, которые решают задачи распознавания ситуации.

Доопределяющие системы решают аналитические задачи на основе неопределенных исходных данных и знаний.

Многоагентные системы – это системы интеграции в базе знаний (БЗ), которые обмениваются между собой получаемые результатами на динамической основе (пример, через доску объявлений).

Классификация ЭС.

1) по решаемым задачам

• интерпретация данных (одна из традиц.задач ЭС – опр.смысла данных, рез-ты которого д.б.согласованными и корректными).

• диагностика (обнаруж.неисправности в некот.системе. Неисправность – отклонение от нормы)

• мониторинг (наблюдение и обследование, а также непрерывная интерпретация данных в реальном времени. Если опр.пар-ры выйдут за пределы, сигнализация!!)

• проектирование (подготовка спецификаций на создание объектов с заранее опр.св-вами)

• прогнозирование (логический вывод вероятных следствий из заданных ситуаций)

• планирование (нахождение плана действий, относ.к объектам, способных выполнить некот.функции)

• обучение (самый простой вариант – диагностирование ошибки при обучении дисциплины и подсказка, как действовать дальше. Они аккумулируют знание об «ученике», их характ.ошибках, а затем на основе анализа находят соотв.подходы к обучению и планируют алгоритм обучения).

2) по связи с реальным временем (статические, квазидинамически, динамические)

3) по типу компьютера, для кот.реал.ЭС

4) по степени интеграции с др.программами и системами