ТО есть основания предполагать (0,8), что этот микроорганизм относится к классу enterobacteriaceae.

 

если условие1 удовлетворяется с истинностью х₁ и... и условие_m удовлетворяется с истинностью х_м,

то прийти к заключению₁ со степенью уверенности у₁ и... и к заключению_n со степенью уверенности у_n.

 

Рассмотрим следующий набор правил "условие-действие":

Если

X имеет СЛУЖЕБНОЕ УДОСТОВЕРЕНИЕ И

X имеет ОГНЕСТРЕЛЬНОЕ_ОРУЖИЕ, ТО X - ПОЛИСМЕН.

ЕСЛИ

X имеет РЕВОЛЬВЕР, или

X имеет ПИСТОЛЕТ, или

X имеет ВИНТОВКУ, ТО X имеет ОГНЕСТРЕЛЬНОЕ ОРУЖИЕ.

Если

X имеет ЛИЧНЫЙ_ЖЕТОН, то

X имеет СЛУЖЕБНОЕ_УДОСТОВЕРЕНИЕ.

Эти правила можно представить в виде набора узлов в дереве целей

Рис. Представление набора правил в виде И/ИЛИ-графа

 

Логика предикатов (символьной логикой) - формальное исчисление, допускающее высказывания относительно переменных, фиксированных функций и предикатов.

Отец (Х,У)

Понятие ``предикат'' обобщает понятие ``высказывание''. Неформально говоря, предикат – это высказывание, в которое можно подставлять аргументы. Если аргумент один – то предикат выражает свойство аргумента, если больше – то отношение между аргументами.

По уровню абстрактности элемента знаний, модель работает с простейшими составляющими знания - фактами и правилами. На этом уровне абстракции логика предикатов позволяет получить единую систему представления, в которой знания рассматриваются как единое целое.

Модель достаточно универсальна, однако, так же, как и модель представления знаний с помощью фактов и правил, не может быть использована для создания ИС со специальными знаниями из различных предметных областей.

Способности модели к обучению находятся на среднем уровне. Формирование новых знаний возможно на низком уровне абстрактности - на уровне фактов и правил. Алгоритмы вывода хорошо формализованы. С помощью логики предикатов можно, определяя произвольным образом знания, выяснить, имеются или отсутствуют противоречия между новыми и уже существующими знаниями.

Для хранения элемента модели нужно примерно 128-256 B памяти.

 

Семантические сети -Семантическая сеть состоит из точек, которые называются узлами, и дуг, которые соединяют, описывающие отношения между узлами. Узлы в семантической сети соответствуют объектам, концепциям или событиям. Дуги могут быть определены различными методами, которые зависят от вида представленных знаний. Конечно дуги, используемые для представления иерархии, содержащие дуги типа IS-A (которые имеют значение "есть") и HAS-PART ("имеет часть").

 

Модель достаточно универсальна и легко настраивается на конкретную предметную область. Каждое отдельное знание рассматривается как некоторое отношение между сущностями и понятиями. Итак, определены заранее и уже существующие внутри системы знания можно наращивать независимо, с сохранением их модульности.

Характерная особенность семантической сети - наглядность знаний как системы. Все знания, принадлежащие к одинаковым сущностей и понятий, могут быть изображены в виде отношений между различными узлами, описывающих эти сущности. Такая возможность дает основание говорить о легкости понимания такого представления.

Из-за того, что форма представления знаний сетями не устанавливается, для каждого конкретного формализма будут определены свои правила вывода, поэтому усиливается элемент произвольности, внесенный человеком. Выводы на семантических сетях таят в себе угрозу возникновения противоречия. Новые знания формируются в виде новых отношений между понятиями.

Примерный размер памяти для хранения элемента модели составляет 256-512 В.

 

Динамические (нейроподобных) структуры. Начало современным моделям нейронных сетей было положено в работе Маккаллока и Питтса, где авторы предприняли первую попытку эмулировать человеческие способности классифицировать и распознавать образы. В их формализме нейроны имеют состояния 0, 1 и предельную логику перехода из состояния в состояние. Каждый нейрон в сети определяет взвешенную сумму состояний всех других нейронов и сравнивает ее с порогом, чтобы определить свое собственное состояние. Дальнейшее развитие этой модели связан с тем, что Розенблат ввел способность связей к модификации, что сделало ее такой, что может учиться. Эту модель назвали персептроном.

Основная черта нейронных сетей - использование взвешенных связей между отделочными элементами как принципиальный способ запоминания информации.

Задать нейронную сеть, способную решить конкретную задачу, - это значит определить модель нейрона, топологию связей, веса связей.

Нейронную сеть можно рассматривать как взвешенный ориентированный граф. Узлы в этом графе соответствуют нейронам, а ребра — связям между нейронами. С каждой связью ассоциирован вес — рациональное число, — который отображает оценку возбуждающего или тормозящего сигнала, передаваемого по этой связи на вход нейрона-реципиента, когда нейрон-передатчик возбуждается.

 

Рис. Фрагмент нейронной сети с возбуждающими и тормозящими связями

Нейрон (от др.-греч. νεῦρον — волокно, нерв) — это структурно-функциональная единица нервной системы. Эта клетка имеет сложное строение, высокоспециализирована и по структуре содержит ядро, тело клетки и отростки. В организме человека насчитывается более ста миллиардов нейронов. (Дендриты и аксон)

Иску́сственный нейро́н - узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов. Полученный результат посылается на единственный выход. Такие искусственные нейроны объединяют в сети — соединяют выходы одних нейронов с входами других. Искусственные нейроны и сети являются основными элементами идеального нейрокомпьютера.

Математическая модель искусственного нейрона была предложена Уореном Маккалоком и Уолтером Питтсом вместе с моделью сети, состоящей из этих нейронов.

Практически сеть была реализована Фрэнком Розенблаттом в 1958 году как компьютерная программа, а впоследствии как электронное устройство — перцептрон. (работа с бинарными сигналами). Работа с непрерывными (аналоговыми) сигналами - Уидроу и Хоффом (предложили в качестве функции срабатывания нейрона использовать логистическую кривую)

Математическая модель

Математически нейрон представляет собой взвешенный сумматор, единственный выход которого определяется через его входы и матрицу весов следующим образом:

, где

, где

Здесь х_i и w_i — соответственно сигналы на входах нейрона и веса входов, функция u называется индуцированным локальным полем, а f(u) - передаточной функцией. Возможные значения сигналов на входах нейрона считают заданными в интервале [0,1]. Они могут быть либо дискретными (0 или 1), либо аналоговыми. Дополнительный вход x₀ и соответствующий ему вес w₀ используются для инициализации нейрона. Под инициализацией подразумевается смещение активационной функции нейрона по горизонтальной оси, то есть формирование порога чувствительности нейрона. Кроме того, иногда к выходу нейрона специально добавляют некую случайную величину, называемую сдвигом. Сдвиг можно рассматривать как сигнал на дополнительном, всегда нагруженном, синапсе.

Передаточная функция f(u) определяет зависимость сигнала на выходе нейрона от взвешенной суммы сигналов на его входах.

Фреймы. В области искусственного интеллекта термин "фрейм" относится к специальному методу представления общих концепций и ситуаций. Марвин Минский, первый, кто предложил идею фреймов, описывает его в таком виде: "Фрейм - это структура данных, представляющая стереотипную ситуацию такого типа, как нахождение внутри некоторого вида жилой комнаты, или сбора на вечеринку по поводу рождения ребенка. Для каждого фрейма присоединяются несколько видов информации. Часть этой информации - о том, как использовать фрейм. Часть о том, чего можно ждать дальше. Часть о том, что надо делать, если эти ожидания не подтвердятся ".

Фрейм по своей организации во многом похож на семантическую сеть. Фрейм является сетью узлов и отношений, организованных иерархически, где верхние узлы представляют общие понятия, а нижние узлы более частные случаи этих понятий. В системе, основанной на фреймах, понятие в каждом узле определяется набором атрибутов и значениями этих атрибутов, атрибуты называются слотами. Каждый слот может быть связан с процедурами, которые выполняются, когда информация в слотах меняется. С каждым слотом можно связать любое количество процедур.

По уровню абстрактности элемента знаний, фрейм как структура описывает одну из единиц обработки, лежит на высоком уровне абстракции и имеет определенную независимость, и может предоставить средства, которые соединяют между собой эти структурные единицы. Элементы знаний представляют собой целые понятия. Фреймовая система не только описывает знания, но и позволяет человеку описывать метазнання.

Модель достаточно универсальной, поскольку существуют не только фреймы для обозначения объектов и понятий, но и фреймы-роли (отец, мать, начальник, пешеход), фреймы-ситуации (тревога, авария, рабочий режим устройства) и др..

Представление знаний с помощью фреймов имеет наглядность и интуитивно понятно.

Обучение фреймовых систем затруднено. Приобретение новых знаний в модели возможно только в системах со сложной структурой фреймов. Создание таких систем требует серьезных затрат, но эти системы позволяют приобретать новые знания на уровне понятий. Проблема устранения противоречивых знаний решается самой системой.

Для хранения элемента модели требуется примерно 0.5-1.5 КB.

Создание фреймовых систем является сложной и кропотливой работой. Изменение и модификация такой системы требует привлечения опытных разработчиков, а также при выполнении этого условия является процессом, по трудоемкости сравнимым с созданием новой системы.