Моделирование процессов обработки информации для принятия решений



Мы поможем в написании ваших работ!


Мы поможем в написании ваших работ!



Мы поможем в написании ваших работ!


ЗНАЕТЕ ЛИ ВЫ?

Моделирование процессов обработки информации для принятия решений



Модели представления знаний

Продукционная модель

- это модель, основанная на правилах – позволяет представить знания в виде предложений, состоящих из 2 частей – “если” и “то”.

Под условием понимается некоторое предложение(образец), по которому осуществляется поиск в базе знаний. А под действием понимается наше действие при успешном исходе поиска.

Они могут быть промежуточными, выступающими далее как другие условия, а могут быть терминальными (целевыми), т.е. такие, которые завершают работу условия.

При использовании продукционной модели база знаний состоит из набора правил. Перебором правил управляет программа, которая называется машина вывода (интерпретатор).

Вывод бывает прямым – от данных к цели. И обратным – вывод от цели для ее подтверждения к данным.

Данные – исходные факты, на основе которых запускается машина вывода.

Пример:

Имеется фрагмент базы знаний, включающей только 2 правила:

R1 – если «отдых планируется летом и человек активный», то «следует ехать в горы».

R2 – если «любит солнце», то «отдых следует запланировать летом».

Данные: человек активный, любит солнце.

Проход правил:

Шаг 1. Пробуем правило R1 – не работает, нет данных.

Шаг 2. Пробуем правило R2.

Проход 2.

Шаг 1. Пробуем правило R1 – активизируется правило «ехать в горы».

Обратный вывод:

1й проход

Шаг1. Цель ехать в горы, пробуем R1, данных нет, они становятся целью, ищется правило в переменной цели.

Шаг2. Отдых летом подтверждает R2 и активизирует ее.

Шаг3. Пробуем R1, подтверждается цель.

Продукционная модель чаще всего применяется в промышленных экспертных системах.

Она привлекает разработчиков своей наглядностью, высокой модульностью.

Легкостью внесения дополнений и изменений.

И простотой механизма логического вывода.

Существует большое число программных средств, которые реализуют продукционную модель.

Например  OPS-5, EXSIS, СПЭИС

 

Семантические сети

Термин семантические сети означает “смысловая”.

А сама семантика – наука, которая устанавливает отношения между символами и объектами, которые они объясняют. Наука, определяющая смысл знаков.

Семантическая сеть – ориентированный граф, вершины которого представляют понятия, а линии (дуги) представляют отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты.

Отношения – это связи между этими объектами.

Характерная особенность семантических сетей – это обязательное наличие 3 типов отношений.

Пример: класс – элемент класса, свойство – значение.

Пример элемента класса.

Существует несколько классификаций семантических сетей:

1) По количеству отношений

1. Однородные с единственным типом отношений;

2. Неоднородные с различными типами отношений.

2) По типам отношений

1. Бинарные сети – в которых отношения связывают 2 объекта;

2. Парные сети – в которых отношения связывают более чем 2 понятия.

Наиболее часто используются в семантических сетях:

1. Связь “часть – целое” (класс подкласс, элемент - множество);

2. Функциональные связи (производит, владеет);

3. Количественные отношения (A > 0, B < 0);

4. Пространственные отношения (далеко от, близко от, над, за и т.п.);

5. Временные (раньше, позже, одновременно);

6. Атрибутивные (иметь свойство, иметь значение);

7. Логические связи – и, или, не.

Проблема поиска решения в базе знаний типа семантической сети

сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

 

Рисунок 8 – Модель

 

    Преимущества модели:

- совпадает с тем, как человек познает мир;

- соответствие долговременной памяти человека.

Недостатки:

- сложность с поиском вывода.

Реализации: NET, PROSPECTOR, CASNET, TORUS – языки представления знаний в виде семантической сети.

 

Фрейм

Frame – рамка

Frame – как структура знаний для восприятия пространственных сцен.

Под фреймом понимается абстрактный образ или ситуация.

Абстрактный образ. Пример:

Слово “комната” – ассоциируется с образом жилого помещения с окнами, дверьми, полом и потолком и с площадью равной примерно 6-20 кв. метров. Есть пустые места – количество окон, цвет стен, высота потолка и т.д.

В теории фреймов такой образ называют фреймом.

Фреймом называют формализованную модель для отображения образа.

 

Структура фрейма

Рисунок 9 – Структура фрейма

 

Слотом может являться другой фрейм.

Различают фреймы – образцы (прототипы, которые хранятся в базе данных, и фреймы – экземпляры, которые создаются для отражения реальной ситуации, на основе поступающих данных.

Пример:

Магазин – образец;

Булочный магазин – экземпляр.

Модель фреймов является действительно универсальной, т.к. позволяет отображать все множество знаний о мире через следующие фреймы:

1. Фрейм - структура – предмет или понятие;

2. Фрейм – роль;

3. Фрейм – сценарий;

4. Фрейм – ситуация.

Важнейшим свойством теории фреймов является заимствование из

теории семантических сетей полезных свойств

    AKO – связи (a kind of  - это)

    Слот АКО указывает на фрейм более высокого уровня иерархии, откуда наследуется свойство.

В школе
Ребенок
  АКО Учится Возр  
7 – 17 лет
Сладкое
50 - 180см
0-16 лет
Человек
  АКО Возраст Рост Люб.
  АКО Умеет
Мыслить
Млекопитающее
Человек                                                                                                                                                                                                                                                                 Ребенок                                                                                                                                                                                                                                                              Учится

 

Рисунок 10 – Сеть фреймов

 

Основное преимущество фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также гибкость и наглядность.

Существует специальный язык представления знаний в сетях фреймов. FRL, на них построены промышленные экспертные системы ANALIST, НОДИС.

 

Формальные модели

Основная идея подхода при построении формальных логических моделей представления знаний. Вся информация, необходимая для решения прикладных задач, рассматриваемых как совокупность фактов и убеждений, которые представляются как формулы в некоторой логике.

Знания отображают совокупность таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

В основе логических моделей представления знаний находится понятие формальной теории. Понятие задается кортежем:

              S = <B, F, A, R>

B – смежное множество базовых символов.

F – множество, называемое формулами.

R – выделение подмножеств.

К – конечное множество отношений между формулами, множество называют правилом вывода.

Достоинства логических моделей представления знаний.

1. В качестве фундамента используется классический аппарат математической логики, методы, которые хорошо изучены и формально обоснованы.

2. Существуют достаточно эффективные процедуры вывода, в том числе реализованные на языке логического программирования – PROLOG.

3. В базах знаний можно хранить лишь множество аксиом, а все остальные знания получают путем логического вывода.

 

Экспертные системы

Система, основанная на знаниях. Назначение – решение достаточно трудных для экспертов задач на основе имеющихся баз знаний, отражающих опыт работы экспертов в данной области.

Достоинство данных систем заключается в возможности принятия решения в уникальных ситуациях, для которых алгоритм заранее известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решения) из базы знаний.

Решение задачи предполагает осуществление в условиях неполноты, недостоверности, условий многозначности исходной информации и категорий оценок процессов.

Экспертная система является инструментом, которая усиливает интеллектуальные способности человека (эксперта) и может выполнять следующие роли:

1. Консультирование для неопытных пользователей.

2. Ассистент в связи с необходимостью анализа экспертом различных вариантов принятия решения.

3. Партнер эксперта по вопросам, относящимся источнику знаний из сложной области деятельности.

Архитектура экспертных систем включает следующие компоненты – база знаний, программные инструменты и обработчики знаний, которые состоят из механизма вывода заключений, преобразования знаний, объяснения полученных результатов и интеллектуального интерфейса.

Основная ценность в базе знаний – совокупность единиц знаний, которые представляют собой формализованные представления, отражения объектов проблемной области и взаимодействий, действий над объектами и другие элементы.

 

Рисунок 11 – Схема экспертной системы

 

П – пользователь

Э – эксперт

ИИ – интеллектуальный интерфейс

МВ – машина вывода

МО – машина объяснения

БЗ – база знаний

МПЗ – механизм приобретения знаний

ИЗ – инженер знаний

ЭС – экспертная система

    Интеллектуальный интерфейс – программный интерфейс, который воспринимает сообщения пользователя и преобразует их в форму, которая может быть представлена в базе знаний и наоборот.

    Машина вывода – программный инструмент, который получает от интеллектуального интерфейса запрос и реализуется логический вывод (ответ на запрос).

    Машина объяснения – в процессе решения задачи пользователь может запросить объяснения принятого решения (HOW? и WHY?).

Организация базы знаний



Последнее изменение этой страницы: 2021-04-04; 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 - 3.237.38.244 (0.04 с.)