Доопределяющие экспертные системы



Мы поможем в написании ваших работ!


Мы поможем в написании ваших работ!



Мы поможем в написании ваших работ!


ЗНАЕТЕ ЛИ ВЫ?

Доопределяющие экспертные системы



 

Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и знаний. В этом случае экспертная система должна доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве метода работы с неопределенностью могут использоваться вероятностный подход и нечеткая логика. Они могут использовать для формирования несколько источников знаний. В этом случае могут использоваться различные эвристические приемы выбора единицы знаний и их набора, например, на основе использования приоритетов. Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:

1) Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное значение - определение сущности рассматриваемой ситуации, выбор гипотез исходя из фактов.

2) Диагностика – выявление причин, которые привели к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных факторов. Например, выявление факторов снижения эффективности производства.

3) Коррекция – диагностика, дополненная возможностью оценки и реализации действий.

Трансформирующие экспертные системы

 

В отличие от аналитических, статических экспертных систем, синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характеристикой результата, которую нельзя заранее предопределить, а также динамичностью самой проблемной области. В качестве методов решения задач трансформирующей системы используются системы гипотетического вывода:

1) генерация, тестирование – когда из исходных данных осуществляется генерация гипотез, а затем проверка сформированных гипотез на подтверждение поступающими фактами;

2) предположение и умолчание – когда по исходным данным подбираются знания на аналогичных классах, которые в дальнейшем адаптируются к конкретной ситуации;

3) использование общих закономерностей в случае неизвестных ситуаций, которые позволяют генерировать недостающие знания.

Многоагентные системы

Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой полученными результатами на динамической основе. Например, через доску объявлений.

Рисунок 12 – Схема многоагентной системы

ИЗ – источник знаний.

Для многоагентных систем характерны следующие особенности:

1) проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

2) распределенное решение проблем, которые разбиваются на подпроблемы;

3) применение множества стратегий, работы механизма вывода заключений в зависимости от типа решаемой задачи;

4) обработка больших массивов данных, содержащихся в базе данных;

5) использование различных математических моделей и внешних процедур, хранимых в базе моделей, способность прерывания решений задач в связи с необходимостью получения дополнительных знаний и данных от пользователей модели параллельно решаемых подпроблем.

Для синтезирующих динамических систем наиболее применимы предметные (проблемные) области:

1) проектирование, определение конфигурации с точки зрения достижения заданных критериев эффективности и ограничений;

2) прогнозирование – предсказание последствий развития ситуации на основе моделирования;

3) диспетчирование – распределение работ во времени, составление расписаний, планирование;

4) планирование – выбор последовательности действий пользователя по достижению цели;

5) мониторинг – слежение за текущей ситуацией с возможной последующей коррекцией;

6) управление – мониторинг, дополненный реализацией действий в автоматической системе.

Самообучающиеся системы

 

В основе этих систем лежат методы автоматической классификации. Примеры реальных ситуаций:

- обучающая выборка: с учителем, когда для каждого примера в явном виде задается значение признака его принадлежности к некоторому классу; без учителя – система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяется принадлежность ситуации к конкретному классу. Таким образом формируется база знаний. Далее система корректируется по мере накопления опыта.

Общие недостатки:

1) возможна неполнота или зашумленность обучаемой выборки и как следствие относительная адекватность БЗ к возникающим проблемам;

2) проблемы с плохой смысловой ясностью, зависимости признаков, неспособностью объяснения;

3) ограничение в размерности признаков пространства.

Индуктивные системы

 

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств, относящихся к одним и тем же подклассам и определению для них значимых признаков. Процесс классификации осуществляется следующим образом:

1) выбирается признак классификации;

2) по значению выбранного признака множество разбивается на подмножества;

3) выполняется проверка (принадлежит ли подмножество одному классу);

4) осуществляется проверка;

5) для подмножества примеров с несовпадением классообразующего признака процесс классификации продолжается с пункта 1.

Процесс классификации можно представить с помощью дерева решений.

Классифицирующий признак

Признак классификации

Цена Спрос Конкуренция Издержки Качество
Низкая Низкий Маленькая Маленькие Низкое
Высокая Низкий Маленькая Большие Высокое
Высокая Высокий Маленькая Большие Низкое
Высокая Высокий Маленькая Маленькие Высокое
Высокая Высокий Маленькая Маленькие Низкое
Высокая Высокий Маленькая Большие Высокое

Анализ новой ситуации сводится к выбору ветви действия, которая полностью определяет эту ситуацию. Поиск решения осуществляется в результате последовательной проверки признаков классификации, каждая ветвь дерева соответствует одному правилу решения.

Нейронные сети

Особенностью интеллектуальных систем является способность решать слабоструктурированные и плохо формализованные задачи. Эта способность основана на применении различных методов моделирования рассуждений для обработки символьной информации. Традиционным подходом, механизмом рассуждения является использование дедуктивного логического вывода на правилах, которые применяются в системах продукционного и логического типа. При таком подходе необходимо заранее сформулировать весь набор закономерностей, которые описывают предметную область. Альтернативный подход основан на концепции обучения по примерам (CBR – cased based reasoning). В этом случае не требуется знать обо всех закономерностях данной системы. Но необходимо располагать достаточным количеством примеров для настройки разрабатываемой адаптивной системы, которая после обучения будет способна получать требуемые результаты с определенной степенью достоверностью. В качестве таких адаптивных систем применяются искусственные нейронные сети.



Читайте также:





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 - 3.235.175.15 (0.01 с.)