Интеллектуальные информационные системы

ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

 

 

Содержание

 

Лекция 1. Введение в интеллектуальные информационные технологии.................................................. 3

Лекция 2. Основные направления, функции и классификация ИИС...................................................... 12

Лекция 3. Технологии разработки экспертных систем............................................................................... 16

Лекция 4. Состав и организация данных и знаний в ЭС........................................................................... 39

Лекция 5. Способы реализации логического вывода в ЭС с классическими моделями представления знаний............................................................................................................................................................... 56

Лекция 8. Основные понятия теории искусственных нейронных сетей.................................................. 99

Лекция 9. Генетические алгоритмы............................................................................................................ 112

Словарь основных терминов и определений, используемый в лекциях................................................ 133

 

 

 

Лекция 2. Основные направления, функции и классификация ИИС.

В лекции изложены основные направления исследований в области ИИ, а также признаки классификации ИИС в зависимости от конкретных информационных потребностей пользователей, а также характеристика систем с интеллектуальным интерфейсом, экспертных систем, самообучающихся систем и адаптивных информационных систем.

Области применения ИИС.

  Интеллектуальные информационные системы проникают во все сферы жизни, поэтому трудно провести строгую классификацию направлений, по которым ведутся активные и многочисленные исследования в области ИИ. Рассмотрим некоторые из них.

1. Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем являются выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабоструктурированных проблем. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС).
2. Разработка естественно-языковых интерфейсов и машинный перевод. Проблемы компьютерной лингвистики и машинного перевода разрабатываются в ИИ с 1950-х гг. Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических текстов. Системы машинного перевода строятся как интеллектуальные системы, поскольку в их основе лежат БЗ в определенной предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала - язык смысла - язык перевода». Они базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений. Кроме того, в них осуществляется ассоциативный поиск аналогичных фрагментов текста и их переводов в специальных базах данных (БД). Данное направление охватывает также исследования методов и разработку систем, обеспечивающих реализацию процесса общения человека с компьютером на естественном языке.
3. Генерация и распознавание речи. Системы речевого общения создаются в целях повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии.
4. Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются в данные другого типа, например в текстовые описания. При синтезе изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты.
5. Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных. К данному направлению относятся не так давно появившиеся системы добычи данных (Data-mining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery).
6. Распознавание образов. Это одно из самых ранних направлений ИИ, в котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков.
7. Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения.
8. Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают в себя:

· специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ);

·     языки логического программирования ( PROLOG, CLIPS );

· языки представления знаний (OPS 5, KRL, FRL, RDF);

· интегрированные программные среды, содержащие арсенал инструментальных средств создания систем ИИ (КЕ, ARTS, GURU, G2);

· оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, Эксперт), которые позволяют создавать прикладные ЭС, не прибегая к программированию.

9. Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют весьма высокую стоимость, а также недостаточную совместимость с существующими вычислительными средствами.

10. Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных разработок, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нерешенные проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и обработки трехмерной визуальной информации.

Признаки классификации ИИС.

Интеллектуальная информационная система основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Для ИИС характерны следующие признаки:

·  развитые коммуникативные способности;

·  умение решать сложные плохо формализуемые задачи;

·  способность к самообучению;

·  адаптивность.

Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.

Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС. На рис. 1. приведена классификация ИИС, признаками которой являются следующие интеллектуальные функции:

· коммуникативные способности - способ взаимодействия конечного пользователя с системой;

· решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;

· способность к самообучению - умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;

· адаптивность - способность системы к развитию в соответствии с объективными изменениями области знаний.

 

Рис. 1 Классификация интеллектуальных систем.

 

Об архитектуре приложения

    3.3.2.Архитектура приложения:

централизованное приложение -реализуется на базе центральной ЭВМ, с которой связаны терминалы;

распределенное приложение -обычно используется архитектура клиент-сервер.

 

 

О масштабе ЭС

3.3.4. Масштаб ЭС характеризует сложность решаемых задач и связан с типом используемой ЭВМ.

    По этому признаку различают:

è      малые ЭС - предназначены для первичного обучения и исследования возможности применения технологии ЭС для рассматриваемого класса задач. Системы такого типа могут быть реализованы на персональных компьютерах;

è       средние ЭС - охватывают весь спектр необходимых приложений и обычно интегрированы с базами данных, электронными таблицами и т.д. Системы такого масштаба чаще всего реализуются на рабочих станциях;

è      большие ЭС - имеют доступ к мощным базам данных и реализуются на рабочих станциях или на специализированных компьютерах;

è       символьные ЭС - создаются с исследовательскими целями и реализуются на специализированных компьютерах, ориентированных на обработку символьных данных.

 О типе проблемной среды

3.3.4. Понятие проблемной среды включает описание предметной области (множество сущностей, описывающих множество объектов, их характеристик и отношений между объектами) и решаемых в ней задач.

    Другими словами, проблемная среда включает структуры данных и решаемые с ними задачи, представленные в виде исполняемых утверждений (правил, процедур, формул и др.).

    В связи с этим проблемная среда определяется характеристиками соответствующей предметной области и характеристиками типов решаемых в ней задач.

    3.3.4.1.Характеристики предметной области

              3.3. 4.1.1. Тип предметной области:

               статический - входные данные не изменяются за время сеанса работы приложения, значения других (не входных) данных изменяются только самой экспертной системой;

          динамический - входные данные, поступающие из внешних источников, изменяются во времени, значения других данных изменяются ЭС или подсистемой моделирования внешнего окружения.

 

    3.3.4.1.2.Способ описания сущностей предметной области:

совокупность атрибутов и их значений (фиксированный состав сущностей);

совокупность классов (объектов) и их экземпляров (изменяемый состав сущностей).

    3.3. 4.1.3. Способ организации сущностей в БЗ:

               неструктурированная БЗ;

              структурирование сущностей в БЗ по различным иерархиям, («частное - общее», «часть - целое», «род - вид»), что обеспечивает наследование свойств сущностей.

Структурирование БЗ способствует:

Ø ограничению круга сущностей, которые должны рассматриваться механизмом вывода, и сокращению количества перебираемых вариантов в процессе выбора решения;

Ø обеспечению наследования свойств сущностей, т.е. передачи свойств вышерасположенных в иерархии сущностей нижерасположенным сущностям, что значительно упрощает процесс приобретения и использования знаний.

        

О типе решаемой задачи в данной проблемной области (тип задачи связан с проблемной областью)

 Характеристики типов решаемых в проблемной области задач.

Тип решаемых задач:

    задачи анализа или синтеза. В задаче анализазадана модель сущности и требуется определить неизвестные характеристики модели. В задаче синтезазадаются условия, которым должны удовлетворять характеристики «неизвестной» модели сущности, и требуется построить модель этой сущности. Решение задачи синтеза обычно включает задачу анализа как составную часть;

    статические или динамические задачи. Если задачи, решаемые ЭС, явно не учитывают фактор времени и/или не изменяют в процессе своего решения знания об окружающем мире, то ЭС решает статические задачи, в противном случае речь идет о решении динамических задач. Учитывая значимость времени в динамических проблемных средах, многие специалисты называют их приложениями, работающими в реальном времени. Обычно выделяют следующие системы реального времени:

псевдореальноговремени, «мягкого»реального времени и «жесткого»реального времени.

    Системы псевдореального времени, как следует из названия, не являются системами реального времени, однако они, в отличие от статических систем, получают и обрабатывают данные, поступающие из внешних источников. Системы псевдореального времени решают задачу быстрее, чем происходят значимые изменения информации об окружающем мире.

 

 Общность исполняемых утверждений (также связана с предметной областью):

    частные исполняемые утверждения, содержащие ссылки на конкретные сущности (объекты);

    общие исполняемые утверждения, относящиеся к любым сущностям заданного типа (вне зависимости от их числа и имени). Использование общих утверждений позволяет значительно лаконичнее представлять знания. Однако поскольку общие утверждения не содержат явных ссылок на конкретные сущности, для их использования каждый раз требуется определять те сущности, к которым они должны применяться.

    Не все сочетания перечисленных выше параметров, характеризующих проблемную среду, встречаются на практике. Наиболее распространены следующие типы проблемных сред (также зависят от типа предметной области):

    Для статической предметной области:

    А. Представление сущностей в виде совокупности атрибутов и их значений, неизменяемый состав сущностей - БЗ не структурирована, решаются статические задачи анализа, используются только частные исполняемые утверждения;

   Б. Представление сущностей объектами, изменяемый состав сущностей, БЗ структурирована, решаются статические задачи анализа и синтеза, используются общие и частные исполняемые утверждения;

    

 

    Для д инамической предметной области:

    А. Представление сущностей совокупностью атрибутов и их значений, неизменяемый состав сущностей, БЗ не структурирована, решаются динамические задачи анализа, используются частные исполняемые утверждения;

    Б. Представление сущностей в виде объектов, изменяемый состав сущностей, БЗ структурирована, решаются динамические задачи анализа и синтеза, используются общие и частные исполняемые утверждения.

 О типах решения задач — в целом

3.3.5. В ЭС различают следующие типы решения задач:

    3.3.5.1. Интерпретация данных -процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Экспертные системы, как правило, проводят многовариантный анализ данных;

    3.3. 5. 2. Диагностика -процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправностей в системе (отклонений параметров системы от нормативных значений);

 3.3.5.3. Мониторинг - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы;

   3.3.5.4. Проектирование -создание ранее не существовавшего объекта и подготовка спецификаций на создание объектов с заранее определенными свойствами. Степень новизны может быть разной и определяется видом знаний, заложенных в ЭС, и методами их обработки. Для организации эффективного проектирования требуется формировать не только сами проектные решения, но и мотивы их принятия. ЭС, решающие задачи проектирования, реализуют процедуры вывода решения и объяснения полученных результатов;

   3.3.5.5. Прогнозирование - предсказание последствий некоторых событий или явлений на основе анализа имеющихся данных. Прогнозирующие ЭС логически выводят вероятные следствия из заданных ситуаций. В прогнозирующих ЭС в большинстве случаев используются динамические модели, в которых значения параметров «подгоняются» под заданную ситуацию. Выводимые из этих моделей следствия составляют основу для прогнозов с вероятностными оценками;

    3.3.5.6. Планирование - построение планов действий объектов, способных выполнять некоторые функции. Работа ЭС по планированию основана на моделях поведения реальных объектов, которые позволяют проводить логический вывод последствий планируемой деятельности;

     3.3.5.7 Обучение - использование компьютера для обучения каким-либо дисциплине или предмету. Экспертные системы обучения выполняют такие функции, как диагностика ошибок, подсказывание правильных решений; аккумулирование знаний о гипотетическом «ученике» и его характерных ошибках; диагностирование слабости в познаниях обучаемых и нахождение соответствующих средств для их ликвидации. Системы обучения способны планировать акт общения с учеником в зависимости от успехов ученика для передачи необходимых знаний;

      3.3.5.8. У правление - функция организованной системы, поддерживающая определенный режим ее деятельности. Экспертные системы данного типа предназначены для управления поведением сложных систем в соответствии с заданными спецификациями;

     3.3.5.9. П оддержка принятия решений - совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс принятия решения. Такого рода ЭС оказывают помощь специалистам в выборе и/или генерации наиболее рациональной альтернативы из множества возможных при принятии ответственных решений.

Отличия знаний от данных.

    Характерным признаком интеллектуальных систем является наличие знаний, необходимых для решения задач конкретной предметной области. При этом возникает естественный вопрос, чт о такое знания и чем они отличаются от обычных данных, обрабатываемых ЭВМ.

    Данныминазывают информацию фактического характера, описывающую объекты, процессы и явления предметной области, а также их свойства. В процессах компьютерной обработки данные проходят следующие этапы преобразований:

а.исходная форма существования данных (результаты наблюдений и измерений, таблицы, справочники, диаграммы, графики и т.д.);

б.представление на специальных языках описания данных, предназначенных для ввода и обработки исходных данных в ЭВМ;

 в.базы данных на машинных носителях информации.

    Знания являются более сложной категорией информации по сравнению с данными. Знания описывают не только отдельные факты, но и взаимосвязи между ними, поэтому знания иногда называют структурированными данными.

    Знания могут быть получены на основе обработки эмпирических данных. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

    Для того чтобы наделить ИИС знаниями, их необходимо представить в определенной форме. Существуют два способа наделения знаниями программных систем:

Ø первый способ предусматривает поместить знания в программу, написанную на обычном языке программирования. Такая система будет представлять собой единый программный код, в котором знания не вынесены в отдельную категорию. В этом случае трудно оценить роль знаний и понять, каким образом они используются в процессе решения задач. Трудным делом является модификация и сопровождение подобных программ, а проблема пополнения знаний может стать неразрешимой;

Ø второй способ базируется на концепции баз данных и заключается в вынесении знаний в отдельную категорию, то есть знания представляются в определенном формате и помещаются в БЗ. Такая база знаний легко пополняется и модифицируется. Она является автономной частью интеллектуальной системы, хотя механизм логического вывода, реализованный в логическом блоке, а также средства ведения диалога накладывают определенные ограничения на структуру БЗ и операции с нею. В современных ИИС принят этот способ.

    При разработке ИИС сначала осуществляются накопление и представление знаний, причем на этом этапе обязательно участие человека, а затем знания представляются определенными структурами данных, удобными для хранения и обработки в ЭВМ. Знания в ИИС существуют в следующих формах:

Ø исходные знания (правила, выведенные на основе практического опыта, математические и эмпирические зависимости, отражающие взаимные связи между фактами; закономерности и тенденции, описывающие изменение фактов с течением времени; функции, диаграммы, графы);

Ø описание исходных знаний средствами выбранной модели представления знаний (множество логических формул или продукционных правил, семантическая сеть, иерархии фреймов);

Ø представление знаний структурами данных, которые предназначены для хранения и обработки в ЭВМ;

Ø базы знаний на машинных носителях информации.

 

 

    Подведём итог:

    В области ИИ даются конкретные определения знаний:

Ø «Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области».

Ø «Знания - это хорошо структурированные данные или данные о данных, или метаданные».

Ø «Знания - формализованная информация, на которую ссылаются или используют в процессе логического вывода».

 

    Существует множество классификаций знаний. Как правило, с помощью классификаций систематизируют знания конкретных предметных областей.

    По своей природе знания можно разделить на декларативные и процедурные знания.

    Декларативныезнания - это описания фактов и явлений.

    Процедурныезнания - это описания действий, которые возможны при манипулировании фактами и явлениями для достижения намеченных целей.

    Для описания знаний на абстрактном уровне разработаны специальные языки описания знаний. Эти языки также делятся на языки процедурного типа и декларативного. Все языки описания знаний, ориентированные на использование традиционных компьютеров фон-неймановской архитектуры, являются языками процедурного типа. Разработка языков декларативного типа, удобных для представления знаний, является актуальной проблемой.

    По способу приобретения знания можно разделить на факты и эвристику(правила, которые позволяют сделать выбор при отсутствии точных теоретических обоснований). Первая категория знаний обычно указывает на хорошо известные в данной предметной области обстоятельства. Вторая категория знаний основана на собственном опыте эксперта, работающего в конкретной предметной области, накопленном в результате многолетней практики.

    По типу представления знания делятся на фактыи правила. Факты - это знания типа «А - это А»,такие знания характерны для баз данных и сетевых моделей. Правила, или продукции, - это знания типа «если А,то В».

    Кроме фактов и правил существуют еще метазнания - знания о знаниях. Они необходимы для управления БЗ и для эффективной организации процедур логического вывода.

    Форма представления знаний оказывает существенное влияние на характеристики ИИС. Базы знаний являются моделями человеческих знаний. Однако все знания, которые привлекает человек в процессе решения сложных задач, смоделировать невозможно.

    Поэтому в интеллектуальных системах требуется четко разделить знания на те, которые предназначены для обработки компьютером, и знания, используемые человеком.

    Очевидно, что для решения сложных задач БЗ должна иметь достаточно большой объем, иначе неизбежно возникают проблемы управления такой базой. Поэтому при выборе модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания.

    Однородность представления приводит к упрощению механизма управления знаниями.

    Простота понимания важна для пользователей интеллектуальных систем и экспертов, чьи знания закладываются в ИИС. Если форма представления знаний будет трудна для понимания, то усложняются процессы приобретения и интерпретации знаний.

Организация знаний в БЗ.

    Связность знаний является основным способом, обеспечивающим ускорение поиска релевантных знаний. Для этого знания следует организовывать вокруг наиболее важных объектов (сущностей) предметной области. Все знания, характеризующие некоторую сущность, связываются и представляются в виде отдельного объекта. При подобной организации знаний, если системе потребовалась информация о некоторой сущности, то она ищет объект, описывающий эту сущность, а затем уже внутри объекта отыскивает информацию о данной сущности. 

    В объектах целесообразно выделять два типа связок между элементами: внешниеи внутренние.Внутренние связки объединяют элементы в единый объект и предназначены для выражения структуры объекта. Внешние связки отражают взаимозависимости, существующие между объектами в области экспертизы.

    Внешние связки бывают логическиеи ассоциативные.

    Логические связки выражают семантические отношения между элементами знаний.

    Ассоциативные связки предназначены для обеспечения взаимосвязей, способствующих ускорению процесса поиска релевантных знаний. Основной проблемой при работе с большой базой знаний является проблема поиска знаний, релевантных решаемой задаче.     

    Очевидно, что упорядочение и структурирование знаний могут значительно ускорить процесс поиска. Нахождение желаемых объектов в общем случае уместно рассматривать как двухэтапный процесс.

    На первом этапе, соответствующем процессу выбора по ассоциативным связкам, совершается предварительный выбор в базе знаний потенциальных кандидатов в качестве желаемых объектов.

    На втором этапе путем выполненияоперации сопоставления потенциальных кандидатов с описаниями кандидатов осуществляется окончательный выбор искомых объектов. При организации подобного механизма доступа возникают определенные трудности с выбором критерия пригодности кандидата, организации работы в конфликтных ситуациях и др. Операция сопоставления может использоваться не только как средство выбора нужного объекта из множества кандидатов, но и для классификации, подтверждения, декомпозиции и коррекции. Для идентификации неизвестного объекта он может быть сопоставлен с некоторыми известными образцами. Это позволит классифицировать неизвестный объект как такой известный образец, при сопоставлении с которым были получены лучшие результаты. Если осуществлять сопоставление некоторого известного объекта с неизвестным описанием, то в случае успешного сопоставления будет осуществлена частичная декомпозиция описания.

    Операции сопоставления весьма разнообразны. Обычно выделяют следующие их формы:

Ø синтаксическое,

Ø параметрическое,

Ø  семантическое и

Ø принуждаемое сопоставления.

    В случае синтаксического сопоставления соотносят формы (образцы), а не содержание объектов, Успешным является сопоставление, в результате которого образцы оказываются идентичными. Обычно считается, что переменная одного образца может быть идентична любой константе (или выражению) другого образца. Иногда на переменные, входящие в образец, накладывают требования, определяющие тип констант, с которыми они могут сопоставляться Результат синтаксического сопоставления является бинарным: образцы сопоставляются или не сопоставляются.

    В параметрическом сопоставлении вводится параметр, определяющий степень сопоставления.

    В случае семантического сопоставления соотносятся не образцы объектов, а их функции.

    В случае принуждаемого сопоставления один сопоставляемый образец рассматривается с точки зрения другого. В отличие от других типов сопоставления здесь всегда может быть получен положительный результат. Вопрос состоит в силе принуждения и использовании специальных процедур, связываемых с объектами.

Двигатель – не заводится;

стартер двигателя – не работает.

    Этой паре  может быть присвоено значения ИСТИНА или значение ЛОЖЬ в зависимости от реальной конкретной ситуации. Истинность пары атрибут-значение устанавливается в процессе решения конкретной задачи к некоторому текущему моменту времени. В процессе решения задачи содержимое рабочей памяти изменяется. Это происходит по мере срабатывания правил.

    Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила [1]!!! имеет место совпадение, при этом заключение сработанног о правила заносится в рабочую память. В процессе логического вывода объем фактов в рабочей памяти, как правило, увеличивается.

    Объем фактов в рабочей памяти может уменьшиться в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти. В процессе логического вывода каждое правило из базы правил может сработать только один раз.

    При описании реальных знаний конкретной предметной области может оказаться недостаточным представление фактов с помощью пар атрибут-значение. Более широкие возможности имеет способ описания с помощью триплетов объект-атрибут-значение. В этом случае отдельная сущность предметной области рассматривается как объект, а данные, хранящиеся в рабочей памяти, показывают значения, которые принимают атрибуты этого объекта.

 Примеры триплетов:

собака - кличка - Граф;

собака - порода - ризеншнауцер;

собака - окрас - черный.

    Одним из преимуществ такого представления знаний является уточнение контекста, в котором применяются правила. Например, правило, относящееся к объекту «собака», должно быть применимо для собак с любыми кличками, всех пород и окрасок. С введением триплетов правила из базы правил могут срабатывать более одного раза в процессе одного логического вывода, поскольку одно правило может применяться к различным экземплярам объекта, но не более одного раза к каждому экземпляру.

 

Два типа продукционных систем       

    Существуют два типа продукционных систем - с прямыми и обратными выводами.

    Прямые выводы реализуют стратегию «от фактов к заключениям».

    При обратныхвыводах выдвигаются гипотезы вероятных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Существуют также системы с двунаправленными выводами.

    Основные достоинства продукционных систем связаны с простотой представления знаний и организации логического вывода. К недостаткам систем продукций можно отнести следующие:

è отличие от структур знаний, свойственных человеку;

è неясность взаимных отношений правил;

è сложность оценки целостного образа знаний;

è низкая эффективность обработки знаний.

    При разработке небольших систем, состоящих из нескольких десятков правил, проявляются в основном положительные стороны систем продукций, однако при увеличении объема знаний более заметными становятся слабые стороны.

 

Фреймовая модель

    Фреймовая модель представления знаний основана на теории фреймов М. Минского, которая представляет собой систематизированную психологическую модель памяти человека и его сознания. Эта теория имеет весьма абстрактный характер, поэтому только на ее основе невозможно создание конкретных языков представления знаний. Фрейм имеет глубокое психологическое обоснование. Основным преимуществом фреймов как модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а также ее гибкость и наглядность. Под фреймом понимается абстрактный образ представления объекта или ситуации. Различают фреймы-образцы (прототипы), хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения фактических ситуаций на основе поступающих данных. Структура фрейма может быть представлена как список свойств (табл. 3).

                                                                                                                     Таблица 3

Структура фрейма.

Имя фрейма
Имя слота	Значение слота	Способ получения значения	Присоединенная процедура

 

    Приведенные в таблице слоты - это незаполненные значения некоторых атрибутов объекта или ситуации. Дополнительные столбцы «способ получения значения» и «присоединенная процедура» предназначены для описания слотом его значения, и возможного присоединения к тому или иному слоту специальных процедур.