Интеллектуальные информационные системы

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Интеллектуальные информационные системы

1. Основные определения

Данные - это информация, полученная в результате наблюдения или измерения отдельных свойств или атрибутов, характеризующих объекты, процессы и явления в предметной области.

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

Знания - это хорошо структурированные данные, данные о данных (метаданные).

Знания делятся на глубинные и поверхностные.

Поверхностные знания - знания о видимых взаимосвязях между отдельными событиями или фактами предметной области.

Глубинные знания - это абстракции, аналогии, схемы, которые отражают структуру и природу процессов, протекающих в предметной области.

Такие знания объясняют явления и могут использоваться для прогнозирования поведения объектов (например, понимание принципов работы ОС).

Современные интеллектуальные системы в основном работают с поверхностными знаниями. Это связано с тем что пока не существует универсальных методик, которые позволяли бы выявлять глубинные структуры знаний и работать с ними.

Знания подразделяются на процедурные и декларативные.

Сначала появились процедурные знания - знания в алгоритмах, они управляли данными. Для их изменения требовалось изменять текст программы. Однако с развитием информатики и программирования все большая часть знаний сосредотачивалась на структурах данных (таблицы, списки).

Т.е. увеличилась роль декларативного знания.

Знания в настоящее время приобрели чисто декларативную форму. Т.е. знанием считается предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных не специалистам.

Рисунок 1 - Таблица Ньюэлла

Существуют следующие модели представления знаний:

1) Продукционная модель;

2) Семантические сети;

3) Фреймы;

4) Формальные логические модели.

Существует 2 группы языков: модульные и сетевые.

Модульные языки оперируют отдельными несвязными элементами знаний (правила или аксиомы).

Сетевые языки дают возможность связать эти фрагменты через отношения в семантические сети (или сети фреймов).



Рисунок 2 - Классификация моделей

Рисунок 3 - Модель восприятия человека

Рисунок 4 - Понятия предметной области

Фрагмент, выделенный из окружающего мира, называется областью экспертизы или предметной областью. Существует также множество задач и проблем, которые необходимо решать, используя сущности и отношения из этой предметной области, поэтому используется более широкое понятие - проблемная область (проблемная среда - это предметная область + решаемые задачи).

Рисунок 5 - Процесс формирования понятийной структуры

Понятийная структура проблемной области использует 3 источника знаний:

1 источник (первого рода) - человек, 2 источник (второго рода) - книги, справочники, инструкции и т.д., 3 источник (третьего рода) - базы данных и другие носители.

Инженерия знаний - занимается проблемами хранения и обработки знаний. Разрабатывается широкий класс систем, основанных на знании.

В основе деятельности специалиста (инженера по знаниям) находится процессы концептуализации - способы отображения понятийной структуры в компьютер. Основная задача инженера по знаниям является связанной с построением модели проблемной области. Любая система, обладающая базой знаний о некоторой предметной области, может рассматриваться как интеллектуальная система. Онтология - система, состоящая из набора понятий, на основе которых можно строить отношения, функции, классы, объекты и теории предметной области.

O = <A, B, C>

А - конечное множество понятий, терминов (концепций) предметной области, которые представляют данную онтологию.

В - конечное множество отношений между концепциями (понятиями) данной предметной области.

С - конечное множество функций интерпретации, заданной на A и B.

Онтологии - это базы знаний специального типа, которые могут читаться, пониматься, отчуждаться или физически разделяться от разработчиков. Существует отдельная ветвь - онтологический инжиниринг.

2. Понятие интеллектуальной информационной системы (ИИС)

ИИС - это такая информационная система, которая работает со знаниями.

Т.е. ее можно рассматривать как фабрику, производящую информацию, в которой заказом является информационный запрос, сырьем - исходные данные, продуктом - требуемая информация.

Фактуальные знания - осмысленные и понятые данные, организованные на носителе.

Операционные знания - это те зависимости между знаниями, которые позволяют интерпретировать данные или извлекать из них информацию.

Фактуальные - экстенсиональные знания (детализированные).

Операционные знания - интенсиональные знания (обобщенные).

Процесс извлечения информации из данных сводится к адекватному соединению операционного и фактуального знаний. В разных системах они по-разному используются.

В системах, основанных на обработке баз данных, происходит отделение фактуального и операционного знаний друг то друга. Первые фактически организуются в виде БД. Вторые - в виде программ. В качестве посредника выступает СУБД.

Концепция независимости программ от данных позволяет повысить гибкость информационных систем по выполнению произвольных информационных запросов. Однако эта гибкость в силу процедурности представления операционного знания имеет четко определенные границы.

Для формулирования информационного запроса пользователь должен ясно представлять себе структуру БД и, до определенной степени, алгоритм решения задачи. Следовательно, пользователи должны хорошо разбираться в логической структуре БД и в алгоритме программы.

Общие недостатки традиционных информационных систем заключаются в слабой адаптивности к изменениям предметной области и информационной потребности пользователей. Второй недостаток - слабая адаптивность и невозможность решать плохо формализованные задачи. Эти недостатки устраняются в ИИС.

Для ИИС, ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:

1) Развитые коммуникационные способности;

2) Умение решать сложные, плохо формализованные задачи;

3) Способность к самообучению.

Коммуникационные способности ИИС характеризует способ взаимодействия

конечного пользователя с системой - т.е. возможность формулирования произвольного запроса в диалоге системы.

Сложные, плохо формализуемые задачи, требующие построения оригинального алгоритма решения, в зависимости от конкретной ситуации, для которой могут быть характерны неопределенность и динамичность.

Способность к самообучению - возможность автоматического извлечения знаний для решения задач из накапливаемого опыта конкретных ситуаций.

3. Когнитивные процессы

Когнитивные технологии для поддержки принятия управленческих решений и когнитивный анализ и моделирование сложных ситуаций.

Когнитология - наука о знании.

Сложности анализа процессов принятия управленческих решений в таких областях как экономика, экология, социология, обусловлены рядом особенностей, которые присущи этим областям:

1) Многоаспектность происходящих в них процессов и их взаимосвязанность;

2) Отсутствие достаточной количественной информации о динамике процессов. Это вынуждает переходить к качественному анализу таких процессов;

3) Изменчивость характера процессов во времени.

В силу указанных особенностей экономические, социальные и другие системы относят к слабоструктурированным системам. Под текущей ситуацией понимается состояние слабоструктурированной системы в рассматриваемый момент времени. Число факторов в такой ситуации может измеряться десятками.

Все они зависят от времени, а также между ними есть причинно-следственные отношения. В этом случае увидеть и осознать логику развития в такой ситуации крайне трудно. На многие сложные вопросы, относящиеся к слабоструктурированным системам, можно ответить, если использовать компьютерные средства познавательного (когнитивного) моделирования ситуаций. Специфика прикладных средств когнитивного моделирования заключается в их ориентированности на конкретные условия развития ситуации в той или иной стране, регионе, городе.

Понятие когнитивной карты ситуации

Когнитивная карта ситуации - это ориентированный взвешенный граф, в котором;

1) Вершины взаимно однозначно соответствуют базисным факторам ситуаций, в терминах которых описываются процессы и ситуации. Множество первоначально отобранных базисных факторов может быть верефецированно с помощью технологии интеллектуального анализа данных. Data Mining - эта технология позволяет отбросить избыточные факторы, слабо связанные с ядром базисных факторов.

2) Определяется непосредственные взаимосвязи между факторами путем рассмотрения причинно-следственных цепочек, которые описывают распространение влияний от каждого фактора на другие факторы.

Считается что факторы, входящие в посылку, влияют на факторы следствия. Это влияние может быть либо усиливающим (положительным), либо тормозящим (отрицательным). Когнитивная карта отображает лишь наличие влияния факторов друг на друга. В ней не отображены ни детальный характер этих влияний, ни динамика изменения влияний в зависимости от изменения ситуации, ни временные изменения самих факторов. Учет всех этих обстоятельств требует перехода на следующий уровень структуризации информации, отображаемой в когнитивной карте, т.е. к когнитивной модели.

На этом (новом) уровне каждая связь между факторами когнитивной карты раскрывается до соответствующего уровня, который может содержать как количественные (измеряемые), так и качественные (не измеряемые) переменные. Количественные переменные входят в виде численных переменных, а качественные - в виде лингвистических. По мере накопления знаний в процессе исследования ситуации, становится возможной более детально раскрывать характер связей между факторами. Однако каждая дуга в этом графе представляет некоторую функциональную зависимость между соответствующими базовыми факторами. Когнитивная модель представляется функциональным графом.

Вопросы обеспечения целенаправленного поведения в сложной ситуации

При анализе конкретной ситуации пользователь обычно знает какие изменения базисных факторов является для него желательным.

Факторы, представляющие наибольший интерес для пользователя называют целевыми. Это так называемы выходные факторы.

Задача выработки решений по управлению процессами в ситуации состоит в том, чтобы обеспечивать желательные изменения целевых факторов. Цель считается корректно заданной, если желательные изменения одних целевых факторов не приводят к нежелательным изменениям других целевых факторов. В исходном множестве базисных факторов выделяется совокупность так называемых управляющих факторов (входные факторы когнитивной модели). Эти воздействия считаются согласованными с целью, если не вызывают нежелательных изменений ни в одном из целевых факторов. При корректно заданной цели управления и при наличии управляющих воздействий, согласованных с целью, решение задачи управления не вызывает особых трудностей. Но в общем же случае наличие целей для обеспечения целенаправленного поведения в ситуации, является весьма непростой задачей, требующей специального рассмотрения.

6. Методика когнитивного анализа сложных ситуаций

1) Формулировка задачи и цели исследования;

2) Изучение социально-экономического процесса с позиций поставленной цели;

3) Сбор, систематизация и анализ существующей статистической и качественной информации по проблеме;

4) Выделение основных, так называемых характеристических признаков изучаемого процесса и взаимосвязей. Определение действий основных объектов, законов развития исследуемой ситуации. Это позволяет выделить объективные зависимости и тенденции в процессах;

5) Определение присущих исследуемой ситуации требований, целей и ограничений;

6) Выделение основных субъектов, связанных с ситуацией, определение их субъективных интересов в развитии данной ситуации. Это позволяет определить возможные изменения в развитии ситуации;

7) Определение путей, механизмов действия, реализации экономических интересов основных субъектов. Это позволяет в дальнейшем определить стратегии поведения.

7. Построение когнитивной (графовой) модели проблемной ситуации

1) Выделение факторов, характеризующих проблемную ситуацию

1.1 Выделение базисных (основных) факторов, описывающих суть проблемы;

1.2 Определение факторов, влияющих на целевые факторы.

Пример: при решении проблемы неплатежа налогов, можно выделить следующие факторы: собираемость налогов, политическая стабильность региона, инвестиционный рейтинг района, финансовая стабильность региона.

1.3 Определение факторов - индексов, отражающих и объясняющих развитие процессов в проблемных ситуациях и их влияние на различные сферы.

2) Группировка факторов по блокам, объединяется в один блок, факторы, характеризующие данную сферу проблемы и определяемые процессы в этой сфере.

2.1 Выделение в блоке группы интегрированных показателе (факторов), по существованию которых можно судить об общих тенденциях в данной сфере.

Например факторы дефицита бюджета, обобщающие характерную ситуацию в данной сфере.

2.2 Выделение в блоки показателей, характеризующих тенденции и процессы в данной сфере более детально.

3) Определение связи между факторами.

3.1 Определение связей и взаимодействий между факторами.

Это позволит определить основные направления влияния факторов разных блоков друг на друга.

3.2 Определение непосредственных связей факторов внутри блока.

3.2.1 Определение направления влияний и взаимовлияний между факторами. Например, уровень налогового бремени, влияющий на неплатежи налогов.

3.2.2 Определение позитивности влияния. Увеличение другого налогового бремени, влияющего на неплатежи налогов. Увеличение факторов собирания налога, уменьшение факторов неплатежей налогов.

3.2.3 Определение силы влияния взаимовлияния факторов (слабо, сильно). Пример: Увеличение фактора налогового бремени, значительно увеличивает неплатежи налогов.

3.3 Определение связей между факторами различных блоков.

4) Проверка адекватности моделей - сопоставление полученных результатов с характеристиками системы, которые при тех же исходных условиях были в прошлом. Если результат сравнительно неудовлетворителен, то переходим к пункту 1.

Моделирование средствами выявления закономерностей(социальных, политических), предупреждение предотвращения налоговых тенденций, получение теоретических и практических знаний проблемы и формирование конкретных практических выводов.

Моделирование - циклический процесс, знания об исследуемой проблеме расширяются и уточняются, а исходная модель постепенно совершенствуется.



Рисунок 6 - Процесс моделирования

Объект исследований: проблемы, процессы, системы, ситуации.

1. Изучение, исследование проблемы, процесса, системы, ситуации.

2. Результат изучения: знания о проблеме, процессе, системе, ситуации.

3. Построение когнитивной карты ситуации.

4. Когнитивная модель ситуации.

5. Изучение модели системы(структурный анализ).

6. Знания о принципах и реальной возможности решения проблемы.

7. Моделирование сценариев развития и решения проблемы.

8. Знания о возможных тенденциях развития и рычагах воздействия на ситуацию.

9. Проверка и применение знаний о возможных тенденциях развития и рычагах воздействия на ситуацию.

Моделирование основано на социальном подходе. Сценарий - совокупность тенденций, характерных ситуаций в настоящий момент, желательность целей развития, комплекса мероприятий, воздействия на развитие системы и система наблюдения параметров (факторов), иллюстрирование поведенческих процессов.

Сценарий может моделироваться по трем основным направлениям:

1. Прогноз развития системы без воздействия на процесс ситуации.

2. Прогноз развития системы с выбранным комплексом мероприятий(прямая задача).

3. Синтез комплексных мероприятий для достижения необходимого изменения состояния ситуации(обратная задача).

Этапы моделирования:

1. Определение начальных условий, тенденций, которые характеризуют развитие ситуации. Это необходимо для придания адекватности модельного сценария в реальной ситуации.

2. Задание целевых желаемых направлений (увеличение - уменьшение) и силы (слабо - сильно), изменение тенденций, процессов в ситуациях.

3. Выбор комплекса мероприятий, совокупности управляющих факторов, определение их возможностей и желаемой силы и направления воздействия на ситуацию.

4. Выбор комплекса возможных воздействий на ситуацию(мероприятий, факторов), на силу и направление, которые необходимо определить.

5. Выбор наблюдаемых факторов (индикаторов), которые характеризуют развитие ситуации осуществляется в зависимости от целей анализа и желаний пользователя.

Каждое из трех направлений моделирования включает в себя определенную совокупность взаимосвязанных этапов моделирования.

	Направление моделирования
Этапы моделирования	1. Развитие системы без управляющего воздействия	2. Прямая задача	3. Обратная задача
Определение качества целей	+	+	+
Задание целевых факторов и направлений и силы их изменения	+	+	+
Выбор совокупности управляющих факторов и силы		+
Выбор комплекса мероприятий			+
Выбор наблюдаемых факторов (индикаторов)	+	+	+

Особенности управления сложными ситуациями.

При анализе текущего состояния заданной системы перед пользователем встают следующие вопросы.

1. Какие модели управления следует выбрать для обеспечения желаемого поведения.

2. Какие изменения ситуаций возможны в ближайшем будущем.

3. Какие проблемы при этом могу возникать, задачи сравнительного оценивания вариантов по близости результатов управляемой цели, по затратам, по характеру.

Изменения могут быть обусловлены внешними возмущениями и внутренними причинами. Внешние удобно делить на предсказуемые и непредсказуемые. Независимо от характера причин, изменяя эту систему их учет приводит к необходимости изменения исходной когнитивной ситуации.

Вопросы группы 3 связаны с анализом когнитивной модели изменившейся ситуации и описанием возникающих при этом проблем, в частности возможно появление кризисной ситуации. Поскольку цели анализа могут также изменяться, поэтому новые проблемы связаны с обеспечением желаемого поведения, изменения целевых факторов и изменившейся ситуации.

8. Классификация ИИС

Рисунок 7 - Классификация ИИС

1) Системы с интеллектуальным интерфейсом.

2) Экспертные системы.

3) Самообучающиеся системы.

4) Интеллектуальные базы данных.

5) Системы с естественно-языковым интерфейсом (ЕЯ системы)

6) Гипертекстовые системы.

7) Контекстные системы помощи.

8) Системы с когнитивной графикой.

9) Классифицирующие системы.

10) Доопределяющие системы.

11) Трансформирующие системы.

12) Многоагентные системы.

13) Индуктивные системы.

14) Нейронные сети.

15) Системы на прецедентах.

16) Информационные хранилища.

Системы с интеллектуальным интерфейсом

Интеллектуальные БД отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющихся данных.

Пример:

- Вывести список товаров, цена которых выше среднеотраслевой.

- Вывести список товаров-заменителей некоторой продукции.

- Вывести список потенциальных покупателей некоторых товаров.

Для выполнения запросов первого типа необходимо сначала провести расчет среднеотраслевой цены по всей БД, и после этого отправить запрос.

Для выполнения запросов второго типа необходимо вывести значения характерных признаков объекта, а затем уже по ним произвести поиск.

Для запроса третьего типа следует определить список посредников-продавцов, выполняющих продажу товара, а затем произвести поиск связанных с ними покупателей.

Во всех рассмотренных типах запросов требуется произвести поиск по условию, которое должно быть доопределено в ходе решения задачи. То есть сама интеллектуальная система без помощи пользователя по структуре БД строит путь доступа к файлам данных.

Формулирование запроса осуществляется в диалоге с пользователем, последовательность шагов которого выполняется в форме, наиболее удобной для пользователя.

Запрос к БД может осуществляться и с помощью естественно-языкового интерфейса.

Системы с естественно-языковым интерфейсом

Этот интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный язык представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке.

Морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям.

Синтаксический анализ предполагает разложение входных сообщений на отдельные компоненты с проверкой соответствия грамматическим правилам внутреннего представления знаний и выявления недостающих частей.

Семантический анализ предполагает установление смысловой правильности синтаксических конструкций.

Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое представление.

ЕЯ интерфейс используется для следующих целей:

1) для доступа к интеллектуальным БД;

2) для контекстного поиска документальной текстовой информации;

3) для голосового ввода команд в системах управления;

4) для машинного перевода с иностранных языков.

Гипертекстовые системы

Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации. Интеллектуальные гипертекстовые системы отличаются более сложной организацией ключевых слов, которая отражает различные смысловые отношения в терминах. Таким образом, механизм поиска работает прежде всего с базой знаний ключевых слов, а затем уже с текстом.

Системы контекстной помощи

Системы контекстной помощи обычно рассматривают как частный случай интеллектуальных гипертекстовых и естественно-языковых систем.

В отличие от обычных систем помощи, которые навязывают пользователю систему поиска требуемой информации, в контекстной помощи пользователь описывает проблему (ситуацию), а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск знаний, относящихся к данной ситуации.

Такие системы относятся к классу систем распространения знаний и создаются как приложение к системам документации.

Системы когнитивной графики

Системы когнитивной графики позволяют реализовывать интерфейс пользователя системы с помощью графических образов, которые генерируются в соответствии с происходящими событиями.

Такие системы используются в мониторинге и управлении оперативными процессами. Системы когнитивной графики широко используются также в обучающих и тренажерных системах на основе принципов виртуальной реальности, то есть когда графические образы моделируют ситуации, в которых обучаемому необходимо принимать решение и выполнять определенные действия.

9. Моделирование процессов обработки информации для принятия решений

Модели представления знаний

Продукционная модель

- 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 вгоры».

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.

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.

10. 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.

11. 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.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

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?).

12.Организация базы знаний

Механизм приобретения знаний

База знаний отражает знания экспертов в проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением этих знаний и последующим их представлением в базе знаний занимаются специалисты - инженеры знаний. В простейшем случае механизм приобретения знаний представляет собой интеллектуальный редактор, который позволяет вводить эти данные в базу и проводить их синтаксический и семантический контроль (например, на непротиворечивость).

13. Классы экспертных систем

По степени сложности решаемых задач экспертные системы классифицируют по следующим признакам:

1) По способу формирования решения системы разделяют на 2 класса: аналитические и синтетические. Аналитические предполагают выбор решения из множества известных альтернатив. Синтетические предполагают генерацию решений (формирование объекта).

2) По способу учета временного признака: статические и динамические. Статические решают задачи при неизменяемых в процессе решения знаниях. Динамические допускают такие изменения. Статические системы допускают монотонное решение задачи от ввода исходных данных до конечного результата. Динамические предусматривают возможность пересмотра в процессе решения полученных ранее результатов.

3) По видам используемых данных и знаний: системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний понимается их неполнота или отсутствие, двусмысленность, нечеткость.

4) По числу используемых источников знаний: с использованием одного источника и множества; альтернативные и дополняющие друг друга.

	Анализ	Синтез
Детерминированная	Классифицирующие	Трансформирующие	Один источник знаний
Неопределенность	Доопределяющие	Многоагентные	Множество источников знаний
	Статика	Динамика

14. Классифицирующие экспертные системы

К аналитическим задачам относятся задачи распознавания различных ситуаций, когда по набору заданных функций выявляется сущность некоторой ситуации, в зависимости от которой выявляется последовательность действий в соответствии с исходными условиями. Среди альтернативных решений определяется одно решение, которое наилучшим образом удовлетворяет поставленным целям и ограничениям. Системы, решающие задачи распознавания ситуаций, определяют принадлежность анализируемой ситуации некоторому классу. Для формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.

15. 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.

16. 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.

17. 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.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

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.

18. 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.

19. 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.

20. 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.

21. Модель искусственного нейрона

ИНС - упрощенная модель ткани головного мозга.

Рисунок 13 - Схема биологического нейрона

Нервная клетка состоит из тела (сома, ядро) и отростков (дендриты), по котором в нейрон поступают входные сигналы. Один из отростков служит для передачи выходных сигналов данного нейрона другим нервным клеткам. Он называется аксоном. Соединение аксона с дендритом другого нейрона называется синапсом. Нейрон возбуждается и передает сигнал через аксон, если число пришедших по дендритам возбуждающих сигналов больше числа тормозящих. Принятые синапсом тела сигнала подводится к телу нейрона, причем одни входы стремятся возбудить, другие - напротив.

Каждый нейрон, и искусственный, и естественный, характеризуется функцией преобразования, функцией возбуждения нейрона. Нейроны в сети могут иметь одинаковые или разные функции возбуждения. Сигналы, которые поступают на вход, неравнозначны, информация из одного источника может быть более важной.

(функция возбуждения)

Поскольку нейронов много, то нейроны могут иметь различные функции возбуждения.

Сигналы, которые поступают на вход не равнозначны в том смысле, что информация из одного источника может быть более важной, чем из другого источника.

Приоритеты входов задаются с помощью так называемых векторов весовых коэффициентов, моделирующих синоптическую силу биологических нейронов.

Рисунок 14 - Модель искусственного нейрона



Модель искусственного нейрона представляет собой дискретный преобразователь непрерывной информации.

Это информация, поступающая на вход нейрона, суммируется с учетом весовых коэффициентов сигнала.

n - размерность пространства входных сигналов;

P - потенциал нейрона;

P преобразуется с помощью передаточной функции f(p) и передается другим нейронам сети;

f(p) - активационная функция.

В общем случае эта функция может быть ступенчатой, линейной или нелинейной.

Рисунок 15 - Линейная функция



Рисунок 16 - Ступенчатая (пороговая) функция

Рисунок 17 - Сигмаидальная (логистическая) функция

Пороговая функция пропускает информацию только в том случае, если алгебраическая сумма входных сигналов превышает некоторую величину.



Пороговая функция не обеспечивает достаточной гибкости искусственной нейронной сети в процессе обучения.

Если значение вычислительного потенциала не достигает заданного порога, то выходной сигнал не формируется (не срабатывает).

Это приводит к снижению интенсивности выходного сигнала нейрона и как следствие к формированию невысокого значения потенциала взвешенных входов в следующем слое нейрона.

Линейная функция дифференцирована и легко вычисляется. Это в ряде случаев позволяет уменьшить ошибки выходных сигналов сети, т.е. передаточная функция сети также является линейной.

Однако она не универсальна, т.е. не обеспечивает решение многих задач. Компромиссным решением является сигмаидальная функция.

Эта функция удачно моделирует истинную характеристику биологического нейрона.

Коэффициент k определяет крутизну нелинейной функции.

Подобно ступенчатой функции, сигмаидальная функция позволяет выделять в пространстве признаков различные множества - не выпуклые, не связанные.

При этом сигмаидальная функция не имеет разрывов.

Пик функции переноса выбирается с учетом конкретной задачи, решаемой с применением нейронных сетей.

В задачах аппроксимации и классификации предпочтение отдают логистической (сигмаидальной) функции.

Нейронная сеть представляет собой совокупность искусственных нейронов, организованных слоями - выходы одного нейрона соединяются со входом другого нейрона.

В зависимости от топологии нейрона, нейронные сети подразделяются на:

1) Одно - и многоуровневые;

2) С обратными связями и без.

Связи между слоями могут иметь различную структуру.

В однолинейный сетях каждый нейрон нижнего слоя связан с одним

нейроном верхнего слоя.

Если каждый нейрон нижнего слоя соединен с несколькими нейронами верхнего слоя, то получается пирамидоидальная сеть.

Воронкообразная схема предполагает связь каждого узла верхнего слоя со всеми узлами нижнего уровня.

Чтобы решить конкретную задачу с помощью нейронной сети, нужно выбрать нужный тип соединений нейронов, определить вид передаточных функций элементов и подобрать весовые коэффициенты межнейронных связей.

22. Модели нейронных сетей

Разработчики теории - Маккалон и Питтс.

Главные результаты нейронных сетей сводились к следующему:

1. Модель нейрона в виде простейшего процессорного элемента, который вычисляет значение некоторой функции.

2. Конструкция нейронной сети для выполнения логических и арифметических операций.

3. Высказывалось предположение, что нейронная сеть способна обучаться, распознавать образы и обобщать полученную информацию.

Фрэнк Разенблатт (1958 г.) ввел понятие перцептрона - модели нейронных сетей. Разенблатт ввел возможность модификации межнейронных связей. Это сделало нейронную сеть обучаемой. Первые перцептроны могли распознавать буквы алфавита.

Алгоритм обучения перцептрона:

1) Системе предъявляется эталонный образ;

2) Если результат распознавания совпадает с заданным, то весовые коэффициенты не изменяются;

3) Если нейронная сеть неправильно распознает результат, то весовым коэффициентам дается приращение в сторону повышения качества распознавания.

Перцептрон имеет ограниченные возможности, поскольку не всегда

существует такая комбинация весовых коэффициентов, при которой заданное множество образов будет распознаваться правильно.

Причина в том, что однослойный перцептрон реализует линейную разделенную поверхность пространства эталона, вследствие чего происходит неверное распознавание, если модель не является сепарабельной.

Сепарабельность - свойство такого пространства, для бесконечного множества элементов которого может быть задан счетный скелет, центр которого обладает центром тяжести, вокруг которого группируются отдельные классы близких по параметрам элементов.

Пространство является нормированным и для него могут быть определены основные свойства нормированного пространства:

- метрика;

- сепарабельность;

- связность;

- конформность.

В метрическом пространстве каждой модели с уникальным набором координат соответствует свой уникальный вектор и единственная точка.

Малое изменение отдельных координат модели приводит к малым изменениям модели и к малым перемещениям точки.

Сепарабельность приводит к тому, что все множество элементов пространства может быть разделено на отдельные подмножества моделей, похожих по определенным признакам.

Конформность означает что объем, заданный некоторым множеством моделей в пространстве, может произвольным образом без разрывов деформироваться в целом или своими локальными частями.

Связность предполагает, что множество моделей пространства представляет собой единую унитарную структуру в случае односвязности.

Либо в случае многосвязности, распадается по каким-то признакам на отдельные подмножества.

Для решения проблем были предложены модели многослойных перцептронов, которые были способны строить ломаную линию.

23. Многослойные сети

Рисунок 18 - Схема многослойного персептрона

Устанавливаются связи только между нейронами соседних слоев. Каждый слой соединен модифицированной связью с любым нейроном соседних слоев. Между нейронами одного слоя связей нет. Каждый нейрон может посылать сигнал только в вышестоящий слой и принимать выходной сигнал только из нижестоящего слоя. Выходные сигналы подаются на нижний слой, а выходной вектор определяется путем последовательных вычислений уравнений активных элементов каждого слоя снизу вверх с использованием уже известных значений активных элементов предшествующих слоев.

При распознавании образов входной вектор соответствует наибольшему признаку, а выходной- распознаваемым образам:

4-7-4-3

Число нейронов в следующем слое в два раза меньше, чем предыдущем.

Простой персептрон формирует границы области решений в виде гиперплоскости. Двухслойный персептрон выполняет множество функций.

24. Рекуррентные сети

Эти сети содержат образы связей. Благодаря им становится возможным получать отличные значения при одних и тех же входных данных.

Рисунок 19 - Схема рекуррентной сети

Особенность способа заключается в представлении появления новых объектов.

25. Модель Хопфилда

В данной модели также используются правила Хебба. Основана на простом предположении, которое заключается в том, если два нейрона возбуждены вместе, то сила связи возрастает, если порознь, то уменьшается связь. Сеть Хопфилда строится с учетом следующих условий:

1. Все элементы связаны со всеми;

2. Прямые и обратные связи симметричны;

3. Диагональные элементы матрицы связей равны 0, т.е. исключаются обратные связи с выходом на входе одного нейрона.

Сеть Хопфилда может выполнять функции ассоциативной памяти,

обеспечивая сходность к тому образу, в область которого попадает начальный образец. Этот подход привлекателен тем, что нейронная сеть запрограммирована без обучения итераций.

Хопфилд выявил функции энергии нейронной сети.

Это функциональное описание поведения сети через стремление к минимуму энергии, которое соответствует заданному набору образов. Веса связей вычисляются на основе вида функции энергии.

Машина Больцмана развивает теорию Хопфилда. Ее предложили Хинтон и Земел. Используется для решения комбинаторных задач. Эти сети получили применение в основе реализации подсистем более сложных. Эти сети также имеют определенные недостатки. Недостатки заключаются в:

1) Предположении о симметричности связи между элементами, без которых нельзя ввести понятие энергии.

2) Нейронная сеть - это устройство для запоминания и обработки информации. Закон энергии играет вспомогательную роль, а не устраивает минимизацию энергии. Сеть Хопфилда поддерживает много лишних связей. В реальности система этого не поддерживает. Происходит освобождение от сильных связей за счет их структуризации. При этом вместо органов связи всех со всеми используется многослойная иерархическая система связи.