Експертні системи

Приклади:

Фрагмент <d₁, t, r₁, x₁, x₂> представляє істинне бінарне відношення R₁ між нерозпізнаними (невизначеними) об'єктами Х₁ та Х₂. При цьому утворюється комплексний об'єкт D₁

Фрагмент <x₁, x₂, r₁, a₁, a₂> пердставляє відношення R₁ між об'єктами А₁ та А₂, для якого не відомо, чи воно істинне, чи хибне, а також не відомо, який утворюється комплексний об'єкт

Надалі використовується скорочене зображення фрагментів. Вважається, що якщо до вершини зв'язку не під'єднані ребра типу то за допомогою відповідного фрагмента представляються істині (t) відношення. Позначення в-вершини буде вміщене всередину вершини зв'язку.

Для представлення ситуацій, що складаються з множин об'єстів та відношень, будить використані множини елементарних фрагментів, які надалі називаються мережами, а частини мереж - фрагментами. Покладемо, що порядок запису елементарного фрагмента у мережі або місце його розташування у відповідному представленні мережі не відіграє ніякої ролі. Іншими словами, зміна порядку або місця ніяк не впливає на інтерпретацію мереж. Мережі зображаються у вигляді набору елементарних фрагментів, які можуть містити одні і ті самі (спільні) вершини. Зв'язок між елементпрними фрагментами задається лише за допомогою цих вершин. Наприклад, на рис.8 зображена мережа, що представляє відношення R₁ між об'єктами A₁ та X₁, а також X₁ та X_2. Така мережа записується у вигляді

<x₃, t, r₁, a₁, x₁> <x₄, t, r₁, x₁, x₂>,

де х₃ та х₄ відповідають парам об'єктів, пов'язаних відношенням, тобто сукупностям.

У цій мережі спільними для двох елементарних фрагментів є три вершини - t, r₁, x₁. При цьому інформаційний зв'язок між представленними відношеннями здійснюється за допомогою н-вершини X₁. Мається на увазі залежність невідомого об'єкта х₁ від обох відношень, а також об'єкта X₂ від відношення R₁ між А₁ та X_1. Якщо замінити х₁ на в-вершину, то такої залежності вже не буде.

Слід зазначити, що далеко не кожна мережа, складена з фрагментів, буде представляти правильну чи допустиму інформацію. Фрагменти можуть представляти відношення, що ніяк не узгоджуються одне з одним, наприклад відношення бути братом (R₁) та мати квадратну форму (R₂). Тоді мережа

<x₃, t, r₁, a₁, x₁> <x₄, t, r₂, x₁>

буде репрезентувати Дехто Х₁, який є братом А₁, має квадратну форму. Щоб уникнути подібних неузгодженостей, згідно схеми обробки в процесі вводу інформації виконується перевірка на її допустимість. Для цього використовуються так звані обов'язкові знання, роль яких відіграють семантичні графи.

Будь-яка мережа, що складається з одного елементарного фрагмента, є зв'язаною. Під зв'язаною також розуміється мережа, що складається з багатьох фрагментів і в якій між будь-якими двома н-вершинами завжди існує шлях по ребрам через вершини зв'язку та н-вершини. Ця умова буде виконуватись лише у тому випадку, якщо кожен елементарний фрагмент мережі має спільну н-вершину хоча б з одним іншим елементарним фрагментом цієї ж мережі. У загальному випадку такий зв'язок може мати вид ланцюжків.

Необхідно відзначити, що незв'язані мережі можуть містити одні і ті самі в-вершини, але не можуть мати одні і ті самі н-вершини, а також н-вершини, зв'язані ланцюжками фрагмінтів через н-вершини.

За допомогою зв'язаних мереж представляються неподільні (у певному сенсі) шматки інформації, які повністю беруть участь у обробці. Якщо мережа не є зв'язаною, то вона може бути поділена на самостійні (зв'язані) частини, які можуть використовуватись автономно.

Характерні особливості введеної семантичної мови

1) Наявність спеціальних вершин-ситуацій (що стоять на першому місці у кортежах або у графічному зображенні зв'язаних ребрами

з вершиною зв'язку) та вершин-логічних складових (що стоять на другому місці та пов'язані ребрами у вигляді пунктирних ліній). Вершини-ситуації є одним з суттєвих факторів, що визначають високі зображувальні можливості мови мереж. Вершини-логічні складові уможливлюють використання однорідних представлень логічних конструкцій. В результаті за допомогою зміни системних знань (мереж, що представляють таблиці істиності логічних операцій) можу бути забезпечене налаштування систем на ту чи іншу логіку. Подібні мережі складаються з фрагмінтів типу: <_, t, , t, f, f> - відповідає 11=0, <_, t, , t, t, t> - відповідає 1 1= 1 тощо. Таблиці істиності для логічних зв'язок представляються як тернарні відношення, де символу 1 співставляється в-вершина t, а 0 - в-вершина f. За допомогою подібних знань може бути представлена і інформація типу 11=1 - є хиба, для чого використовується фрагмент <_, f, , t, f, t>. Таким чином стає можливим більш високий рівень логічних узагальнень.

2) Чітке розмежування в-вершин, н-вешин, а також спецвершин.

3) Відсутність повного набору семантичних відмінків (типу бути суб'єктом, бути дією, бути відношенням тощо), що задаються у явному вигляді. Вважається, що кожне відношення однозначно визначає свої відмінки, а також їх розподіл по місцям відповідного кортежа. Таким чином, з місцем для кожного конкретного відношення зв'язаний семантичний відмінок. При графічному зображенні такий відмінок визначається типом або номером ребра, що виходить з вершини зв'язку. Такий підхід дозволяє спростити процедуру співставлення, позбавитись зайвих посилань, і він ніяк не пов'язаний з втратою спільності. У природній мові слова, що називають відношення та дії, як правило, визначають форми, тобто категорії слів - імен об'єктів, суб'єктів тощо. Такі форми, незалежно від порядку розташування слів, можуть бути перетворені у кортежі, де денотати (фактичні компоненти смислу) слів будуть розставлені по своїм місцям. При цьому полегшується процедура співставлення кортежів, що представляють одне і те саме відношення. Як правило, співставляються елементи, що стоять на одному і тому самому місці.

Як правило, до недоліків такого підходу відносять високу вимірність кортежів. Проте необов'язково, щоб для кожного семантичного відмінку (їх понад десять) було свої місце. Доречно семантичні відмінки, що вказують на особливості дії або ситуації у цілому, представляти як відношення, що пов'язують, наприклад, ситуацію чи подію з її місцем, причиною, часом тощо. Такі відношення представляються за допомогою власних фрагментів (кортежів).

У реальних предметних областях можуть існувати різного роду залежності, закономірності, що можуть мати груповий характер виражати досить складні зміни, перетворення. Для представлення такої інформації вводяться спеціальні засоби - мережні продукції. Мережні продукції - це різновид семантичних мереж. Їх ліві та праві частини - це мережі. Набори продукцій утворюють певного сорту внутрішньосистемні знання про модифікації, перетворення. Такі знання можуть постійно поповнюватись та корегуватись. Вони можуть бути використані для прогнозування, відслідковування змін, що виникають, перетворення представлень, що здійснюється шляхом застосування продукцій.

Семантичні мережі, що задають значення

Мережі, що задають значення, або з-мережі, - це засіб, необхідний для представлення групових відношень, а також для реалізації деяких способів оперування над множинами. Внутрішньосистемна обробка зводиться до такого оперування, у якому беруть участь різні множини об'єктів, наприклад таких, яким притаманні однотипні властивості, що пов'язані відношеннями з яким-небуть об'єктом тощо. Відповідь на запити зводиться до знаходження та постійного уточнення таких множин, які багато в чому визначають альтернативи та наступні кроки обробки.

Власне, багато видів діяльності людини пов'язано з постійним уточненням, виявленням того, що мається на увазі у тих чи інших випадках. Таке уточнення, що стосується об'єктів та використовує схеми відношень, називають конкретизацією. Наприклад, нехай йдеться про пам'ятники міст Європи. Для їх визначення спочатку необхідно знайти, які міста иаються на увазі. Нехай їх знайшлася множина {A_i,…A_n}. Тоді формується уточнена інформація, тобто мова вже йде про пам'ятки конкретних міст {A₁,…A_n}. Саме таким чином відбувається процес конкретизації, в результаті якої утворюються уточнюючі множини (у складних випадках - родини множин). Для запису таких множин і використовуються з-мережі.

У найпростішому виді з-мережа записується наступним чином:

[x_i:={a₁,…a_n}].

Говорять, що н-вершина x_i має множину значень {a₁,…a_n}. За допомогою з-мережі представляється випадок, коли невідомими об'єктами, яким співставлена вершина x_i, виявились {A₁,…A_n}. Якщо у формулі замінити x_i на x_i¹, то буде представлено, що об'єктом Хі є один з {A₁,…A_n}.

4.5 Моделі штучних нейронних мереж

Неронні мережі, або штучні нейронні мережі, являють собою розвиток моделей, які виникли в результаті спроб імітування механізму мислення людини. Для визначення класів задач штучного інтелекту (насамперед, розпізнавання, інтелектуального управління динамікою складних механічних систем тощо) нейромережні моделі часто забезпечують ефективніше рішення, ніж традиційні символьні підходи.

Кора великих півкуль головного мозку людини містить близько 14 мільярдів нейронів, їх короткі та довгі відростки -дендрити, по яких надходять вхідні дії, й аксони, що відводять вихідні реакції, утворюють найскладніші переплетення зв'язків. Склад і закони функціонування власне нейрона також дуже складні. Тому при моделюванні нейронів користуються спрощеними описами моделі нейронних мереж, які дістали назву нейро-подібних мереж.

Нейронна мережа являє собою сукупність елементів - нейронів і зв'язків між ними. Кожний нейрон виконує відносно просту функцію, але, будучи об'єднаними численними зв'язками в едину структуру, всі вони разом утворюють систему, здатну розв'язувати складні задачі.

Розрізняють два типи нейроподібних мереж. У першому з них вузлами мережі є формальні елементи, що описують окремі нейрони. До мереж такого типу належать широко відомі нейро-подібні мережі, які розроблено та досліджено У. Макколоком і У. Ііптсом. У мережах другого типу вузлами є формальні елементи, які відповідають не окремим нейронам, а особливим їх сукупностям - нейронним ансамблем. Під нейронним ансамблем розуміють таку сукупність взаємозв'язаних нейронів, яка збуджується повністю при збудженні окремої її частини. Багато хто з досліджувачів наполягають на тому, що саме нейронний ансамбль, а не окремий нейрон, і є функціональною одиницею мозку як системи, яка забезпечує складну пристосованість діяльності людини як живої істоти.

Як об'єкт модельного опису нейронний ансамбль відрізняється від окремого нейрона двома основними особливостями. Одна з них полягає в тому, що вихідне збудження ансамблю змінюється неперервно, а не за законом "так - ні". Ансамбль відповідно може бути описаний як нелінійний перетворювач аналогової інформації, яка задається набором визначених статичних і динамічних характеристик.

Інша особливість полягає в тому, що ансамбль може бути поставлений у відповідність до деякої змістовної одиниці - поняття, образу тощо, тобто елементу, що бере участь у процесі розумової діяльності. Отже, нейроподібна мережа, вузли якої відповідають ансамблям, стають мережею з семантикою, або семантичною мережею. Ця обставина значно змінює підхід до проблем синтезу мереж і змістовної інтерпретації процесів, що в них відбуваються.

У самих загальних рисах результатом функціонування нейронної мережі є сигнал, що ідентифікує належність вхідного зображення до одного з кількох класів (тобто мережа здійснює категоризацію зображень).

Елементарна складова мережі - нейрон - має кілька входів і один вихід. Елементи вхідного вектора множаться на вагові коефіцієнти W¹.W²,...,Wⁿ; зважені значення сумуються і надходять до входу порогового елемента, двійковий вихід якого є виходом нейрона. У загальному випадку для відтворення нелінійності можуть використовуватися не тільки "ступеневі", а й "похилі" функції.

Однією, з найважливіших особливостей нейромереж є їх спроможність до навчання. В процесі навчання нейрона відбувається піднастроювання вагових коефіцієнтів таким чином, щоб він правильно класифікував максимальну кількість вхідних зображень. При поданні чергового навчаючого зображення оцінюється різниця (похибка) між потрібним вхідним значенням сумуючого елемента і його фактичним значенням. Звичайно для піднастроювання ваги використовується алгоритм, який мінімізує суму квадратів відхилень за період навчаючої послідовності.

Нейромережі можуть бути як одношаровими, так і багатошаровими. В багатошаровій мережі виходи одних нейронів з'єднуються зі входами інших, причому зв'язки можуть йти у різних напрямах.

Ясна річ, навчання мережі здійснюється значно складніше ніж навчання одного нейрона. На практиці використовують різні евристичні підходи, що забезпечують наближене розв'язання задачі навчання за прийнятний час. Одним із найуживаніших є метод так званого зворотного поширення, який, по суті, узагальнює на багатошарові мережі підхід, який лежить в основі методу найменших квадратів. Метод зворотного поширення, на підставі мінімізації середньоквадратичиих похибок між бажаним і фактичним виходами векторів розв'язання задачі, послідовно піднастроює ваги зв'язків, починаючи з останнього шару нейронів.