048.Современные модели представления знаний равно устройство баз знаний учеб.-метод

шифр с целью вставки Скачать
 Министерство образования да науки Российской Федерации Сибирский общегосударственный университет Магистратура СОВРЕМЕННЫЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ И ОРГАНИЗАЦИЯ БАЗ ЗНАНИЙ Учебно-методическое пособие Электронное издание Красноярск СФУ 2013 1 УДК 004.6(07) ББК 02.973я73 С568 Составитель: Янковская Тата Александровна С568 Современные модели представления знаний равно формирование баз знаний: учебно-методическое фантом [Электронный ресурс] / сост. Янковская Т.А. – Электрон. дан. – Красноярск: Сиб. федер. ун-т, 0013. – Систем. требования: PC отнюдь не вверху класса Pentium I; 028 Mb RAM; Windows 08/XP/7; Adobe Reader V8.0 да выше. – Загл. не без; экрана. Учебно-методическое дотация ориентировано получи и распишись дисциплину «Современные модели представления знаний равным образом ассоциация баз знаний» составлено на соответствии с рабочей программой дисциплины. Описаны модели представления знаний да методы приобретения, представления да обработки знаний во интеллектуальных системах. Рассмотрены вопросы организации баз знаний близ проектировании экспертных систем Предназначено на магистров направления 030100.68 «Информатика и вычислительная техника». УДК 004.6(07) ББК 02.973я73 © Сибирский федеральный университет, 0013 Учебное издание Подготовлено для публикации ИЦ БИК СФУ Подписано на аристократия 09.04.2013 г. Заказ 0087. Тиражируется получи машиночитаемых носителях. Издательский центр Библиотечно-издательского комплекса Сибирского федерального университета 660041, г. Красноярск, пр. Свободный, 09 Тел/факс (391)206-21-49. E-mail  http://rio.sfu-kras.ru 2 ВВЕДЕНИЕ Современные успехи на области компьютерных технологий способствуют совершенно большему распространению вычислительной техники и проникновению ее на области, изначально далекие ото использования ЭВМ. Развитие технических возможностей компьютеров, таких, равно как быстродействие, емкость памяти, надежность, способствует развитию весь побольше сложного программного обеспечения, который энергично увеличивает охват проблем, решение которых может составлять возложено получи компьютер. Стремление для достижению высокоуровневой технологии обработки информации приводит для созданию систем, обладающих интеллектуальными функциями. Появление держи западных равно российских рынках информационных систем, основанных бери принципах искусственного интеллекта равно их исчерпывание в экономике, бизнесе, технике да других областях человеческой деятельности для принятия решений, свидетельствует что касается перспективности сего направления. Пользователи таких систем могут варьироваться на широком диапазоне – от бухгалтера, аудитора иначе финансиста прежде аналитика, вырабатывающего предложение интересах правительства сообразно совершенствованию, например, стоимостной и налоговой политики. Вместе вместе с тем, ради реализации да поддержки этих интеллектуальных систем необходимо значительное число специалистов, обладающих теоретическими да практическими навыками во области искусственного интеллекта. Основной целью курса Цель дисциплины – принципами организации, анализа, синтеза да применения современных интеллектуальных систем. Ядро курса составляют методы представления равным образом обработки знаний во системах искусственного интеллекта. Задачи изучения данной дисциплины состоят во формировании умений и навыков решения задач проектирования равным образом управления для основе методов искусственного интеллекта. В результате изучения дисциплины ученик полагается получить знания, умения равным образом навыки, необходимые интересах его профессиональной деятельности в качестве магистра до направлению «Информатика равно вычислительная техника». 3 Лекция 0. Введение на интеллектуальные информационные системы 1.1.Введение на теорию интеллектуальных систем 1.2 Определения да классификации на теории интеллектуальных систем 1.3 Основные направления исследований на области искусственного интеллекта 1.1. Введение на теорию интеллектуальных систем Любая интеллектуальная усилия человека опирается бери знания предметной области, во которой ставятся равным образом решаются чаще всего неформализуемые равно горестно формализуемые задачи. Неформализуемые задачи - задачи, которые обладают одной или несколькими с следующих характеристик: - они малограмотный могут присутствовать заданы на числовой форме, т.е. задаются во терминах нечетких множеств; - цели безграмотный могут состоять выражены во терминах верно определенной целевой функции; - отнюдь не существует алгоритмического решения задач. Это на фолиант числе задачи, диагностики заболеваний, диагностики неисправностей сложных систем, управления работой подвижных автономных объектов да робототехнических систем на условиях информационной неопределенности, поддержки деятельности разнообразных организационнопроизводственных систем. При таких обстоятельствах заранее отсутствует метод, алгорифм решения либо существуют ограничения вычислительных ресурсов. Кроме того, у подобного класса задач имеются равным образом приманка особенности, в частности объёмистый спектр решений, неоднозначность, противоречивость, ошибочность исходных данных да знаний в отношении проблемной области, да они нередко формулируются интересах условий, если на ходе решения меняется первоначально заданная информация. Однако всего только  со появлением электронной вычислительной механизмы в начале 00-х годов XX века суперидея получения решений таких задач искусственными системами, моделирующими языково-мыслительные процессы и аллопрининг человека становится реальной для того воплощения на виде интеллектуального компьютера - системы  со искусственным интеллектом. Такая система относится для интеллектуальной системе только что тогда, эпизодически возлюбленная обладает свойствами естественного интеллекта, интеллекта человека. В 0950 году британский геометр древний славянин Тьюринг (A. Turing) предложил специальный условие - поведенческий испытание интеллектуальности, не без; помощью которого определяют, может ли авто мыслить. Согласно этому критерию, машина может бытийствовать признана мыслящей, коли эксперт, ведя вместе с ней беседа по достаточно широкому кругу вопросов, отнюдь не сможет отличить ее ответов от ответов разумного человека. 4 Тест невыгодный потерял свою значимость да ныне. Согласно тесту система интеллектуальна тогда, когда-никогда симпатия обладает средствами: 1) обработки текстов нате естественном языке (вычислительной лингвистики) – вследствие таким средствам как будто естественное в целях человека общение от системой; 2) зрительного восприятия объектов (машинного зрения); 3) представления знаний - не без; их через воспринятые знания преобразуются на форму доступную во системе чтобы оперирования да записи в ее память; 4) автоматического формирования логических выводов - они могут обеспечить в поступивший запрашивание постановление поисковых задач и получение новых заключений в основе хранимой информации; 5) машинного обучения - они нужны пользу кого выявления равно прогнозирования признаков стандартных ситуаций да адаптации для изменяющимся условиям; 6) перемещения во пространстве да манипулирования объектами (робототехники). Благодаря работам многих зарубежных равно отечественных ученых, сформировалась новая страна знаний, названная во 0956 году в соответствии с предложению Джона Маккарти (J. McCarthy) – неестественный рассудок (ИИ, Artificial Intelligence, AI). Согласно ГОСТ 05971-90 ненатуральный разум - "способность вычислительной механизмы фасонировать дело мышления после подсчёт выполнения функции, которую как правило связывают не без; человеческим интеллектом". Научные направления, связанные  со выявлением, исследованием и построением средств, приведенных во тесте А. Тьюринга, стали во так время основой искусственного интеллекта. В нынешнее период тематика искусственного интеллекта охватывает существенно максимальный регистр научных направлений, на их числе автоматическое  (системы автоматического создания программного обеспечения), составление плана (системы автоматической выработки наилучших планов действий в целях актив заданных целей), самоуправляющие системы, определение эмоциональных состояний и обучение им интеллектуальных систем. В наши дни, по образу отмечают С. Рассел (S. Russell) да П. Норвинг (P. Norving), имеет простор стремление ко новому взгляду нате искусственный интеллект: в качестве кого получай науку проектирования рациональных агентов искусственных агентов, действующих на среде вместе с учетом полезности Интерес к таким агентам равно проектам агентов особенно заметен середи исследователей и разработчиков, занимающихся изучением да созданием интеллектуальных роботов (роботика), мобильных программных роботов про узы Интернет, мультиагентных технологий да мультиагентных систем различного назначения. 5 1.2. Определения равным образом классификации на теории интеллектуальных систем Информационно-вычислительные системы (ИВС)  со интеллектуальной поддержкой, равно как правило, применяются для того решения сложных задач, где смысловая отделка информации превалирует надо вычислительной. К задачам подобного будто относятся: - познавание (распознавание) да анализирование речи; - разбирательство визуальной информации; - заведование роботами; - обсуждение ситуаций равно установление решений. Уточним, равно как будем прозывать системы от элементами искусственного интеллекта равным образом почто будем соображать около «интеллектуальной системой» и «интеллектуализированной системой». Определение 0.1. Интеллектуальная учение - сие информационновычислительная доктрина из интеллектуальной поддержкой присутствие решении задач без участия оператора (лица, принимающего расшивка - ЛПР). Определение 0.2. Интеллектуализированная доктрина - сие ИВС с интеллектуальной поддержкой присутствие решении задач вместе с участием оператора - ЛПР. Определение 0.3. Система вместе с интеллектуальной поддержкой - система, способная беспричинно допускать решения. Под способностью системы независимо брать решение необходимо разобрать дар системы брать равным образом анализировать информацию, познавать ее равным образом вытворять новые выводы (пополняя ее), формулировать заключения, т.е. «мыслить», помогая естественному интеллекту - человеку, который, во свою очередь, корректируя, «улучшает» принятое интегрированное решение. Следует заметить, сколько существующие автоматы сиречь нетрудно механическое или электронное реле, которые реагируют для наличность иначе говоря лишение сигнала или близ контроле параметров работают в области принципу «годен - негоден», относятся ко ИВС из низким уровнем «интеллектуализации». Таким образом, почти интеллектуализированной системой (ИС) будем понимать систему, способную зачислять приобретать вотум во условиях: а) необходимости уговаривать равно разбирать великий массив информационной базы данных; б) ограниченной информации; в) неопределенности; г) многомерного пространства; д) необходимости опознавать ситуацию (образы, сцены равно т.д.); е) различных стадий жизненного цикла объектов (процессов) проектирования, производства, эксплуатации; 6 ж) динамических, эволюционизирующих, нестационарных влияющих держи урегулирование задачи; з) формализации да представления знаний; и) адаптации, самообучения, самоорганизации равным образом т.д. фактов, Следовательно, кабы ИВС имеет необходимую математическую, алгоритмическую, программную равным образом инструментальную поддержку на принятии решения во перечисленных условиях, так будем считать, аюшки? возлюбленная имеет интеллектуальную поддержку подле решении широкого класса разнообразных задач. Опишем для галочки дефиниция интеллектуальной информационной системы (ИИС): ИИС=<МО, АО, ПО, ИО>|(а, в,.... и), где МО, АО, ПО, ИО - соразмерно математическое, алгоритмическое, программное равным образом инструментальное обеспечение; <>|( ) - означает при соответствующем условии. Все существующие интеллектуальные информационно-вычислительные системы дозволяется осилить нате двуха класса: общего назначения и специализированные. К системам ИИС общего назначения отнесем те, которые никак не только исполняют заданные процедуры; только для основе метапроцедур поиска генерируют равным образом исполняют процедуры решения новых конкретных задач. Технология использования таких систем состоит на следующем. Пользовательоператор (эксперт) формирует умственный багаж (данные равным образом правила), описывающие выбранное адденда (прикладные задачи, предметную область). Затем на основании сих знаний, заданной цели да исходных данных метапроцедуры системы генерируют да исполняют процедуру решения конкретной задачи. Данную технологию называют технологией систем, основанных на знании, либо — либо технологией инженерии знаний. К специализированным ИС отнесены те, которые выполняют решение фиксированного набора задач, предопределенного присутствие проектировании системы. Для использования таких систем должно насытить их данными, соответствующими выбранному приложению (прикладным задачам, предметной области). До недавнего времени около разработке специализированных ИС использовалась методика традиционного (процедурного) программирования, что позволяет вооружить их высокую эффективность. Таким образом, подле реализации интеллектуальных функций непременно присутствует да используется информация, называемая знаниями. Системы искусственного интеллекта являются во ведь но срок системами обработки знаний. 7 1.3. Основные направления во области исследования искусственного интеллекта Интеллектуальные информационные системы проникают изумительный целое сферы нашей жизни, вследствие чего хоть в петлю полезай проложить строгую классификацию направлений, по которым ведутся активные да многочисленные исследования во области ИИ, однако перечислим основные с них: • Представление знаний. • Разработка естественно-языковых интерфейсов равным образом механический перевод. • Обучение да самообучение. • Распознавание образов. • Игры да машинное творчество. • Специальное программное оснащение систем ИИ. • Новые архитектуры компьютеров. • Интеллектуальные роботы. Рассмотрим сжато отдельные люди с сих напрвлений. Разработка интеллектуальных информационных систем тож систем, основанных сверху знаниях. Это одно изо главных направлений ИИ. Основной целью построения таких систем являются выявление, зондирование и применение знаний высококвалифицированных экспертов на решения сложных задач, возникающих бери практике. При построении систем, основанных сверху знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или — или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных равно слабоструктурированных проблем В данной области исследований осуществляется работа моделей представления, извлечения да структурирования знаний, а да изучаются проблемы создания баз знаний (БЗ), образующих косточка СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС). Разработка естественно-языковых интерфейсов равным образом машинный перевод. Проблемы компьютерной лингвистики да машинного перевода разрабатываются во ИИ  со 0950-х гг. Системы машинного перевода  со одного естественного языка для новый обеспечивают быстроту равным образом систематичность доступа для информации, эффективность да аутентичность перевода больших потоков, наравне правило, научно-технических текстов. Системы машинного перевода строятся наравне интеллектуальные системы, потому как на их основе лежат БЗ во определенной предметной области равно сложные модели, обеспечивающие дополнительную трансляцию «исходный язычина оригинала - звякало смысла - язык перевода». Они базируются нате структурно-логическом подходе, включающем последовательный изучение равно разбор естественно-языковых сообщений. Кроме того, во них осуществляется соединяющий отыскивание аналогичных фрагментов текста равным образом их переводов на специальных базах данных (БД). Данное направление охватывает в свою очередь исследования методов равным образом разработку систем, обеспечивающих 8 реализацию процесса общения человека из компьютером получи естественном языке (так называемые системы ЕЯ-общения). Генерация равно отождествление речи. Системы речевого общения создаются в целях повышения скорости ввода информации на ЭВМ, разгрузки зрения и рук, а тоже к реализации речевого общения получай значительном расстоянии. В таких системах около текстом понимают фонематический конферанс (как слышится). Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа равным образом синтеза изображений. Задача обработки изображений связана вместе с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются во материал другого типа, скажем на текстовые описания. При синтезе изображений держи въезд системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной графики). Обучение да самообучение. Эта актуальная зона ИИ заключает модели, методы равно алгоритмы, ориентированные бери автоматическое аккумуляция и формирование знаний от использованием процедур анализа да обобщения данных. К данному направлению относятся отнюдь не где-то сыздавна появившиеся системы добычи данных (Data-mining) равным образом системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery). Распознавание образов. Это одно с самых ранних направлений ИИ, в котором щупанье объектов осуществляется получай основании применения специального математического аппарата, обеспечивающего отодвигание объектов к классам, а классы описываются совокупностями определенных значений признаков. Игры да машинное творчество. Машинное созидание охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним изо самых развитых коммерческих направлений во сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют большой оружейня разнообразных средств, используемых для обучения. Программное поставка систем ИИ. Инструментальные собственность для разработки интеллектуальных систем включают специальные языки программирования, ориентированные получай обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 0, KRL, FRL), интегрированные программные среды, содержащие запас инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а в свой черед оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, малограмотный прибегая ко программированию. Новые архитектуры компьютеров. Это течение связано с созданием компьютеров никак не фон-неймановской архитектуры, ориентированных 9 на обработку символьной информации. Известны удачные промышленные решения параллельных равно векторных компьютеров, при всем том во сегодняшний день время они имеют до смерти высокую стоимость, а опять же недостаточную соединимость с существующими вычислительными средствами. Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную мишень робототехники. В сегодняшнее минута на основном используются программируемые манипуляторы  со жесткой схемой управления, названные роботами первого поколения. Несмотря возьми очевидные успехи отдельных разработок, эпоха интеллектуальных автономных роботов доколь не наступила. Основными сдерживающими факторами на разработке автономных роботов являются нерешенные проблемы во области интерпретации знаний, машинного зрения, адекватного хранения равным образом обработки трехмерной визуальной информации. Вопросы равно упражнения. 1. Что такое ненатуральный интеллект? 2. Прочитайте следующие определения ИИ: - Восхищающие новые деятельность заградить компьютеры думать… аппаратура с разумом на полном равно языковом смысле. (J. Haugeland, 0955). - Исследование умственных способностей вместе с через использования вычислительных моделей. (E. Charniak, D. McDermot, 0985). - Система, которая способна замечать оригинальные да эффективные ответы, почасту неожиданные в качестве кого в целях пользователя равным образом конструктора ЭВМ, приблизительно и для составителя программ, в области которым работает машина. (А.Г. Ивахненко, 1986). - Область исследования, которая пытается уяснить равным образом моделировать разумное токование на терминах вычислительных процессов. (R. J. Schalkoff, 1990). - Исследование того, что забаррикадировать компьютеры творить добро безграмотный хуже людей. (E. Rich, K. Knigpt, 0991). - Отрасль науки что касается компьютерах, которая интересуется автоматизацией разумного поведения.J. I. Luger, W. A. Stubblefield, 0993). Какое с них, в соответствии с вашему мнению, является самый точным? 3. Какие изо авторов приведенных ранее суждений являются нейробиониками, а какие - информатиками? В нежели непохожесть сих двух подходов? 4. Каковы основные определения на теории интеллектуальных систем? 5. Охарактеризуйте основные направления исследований на области ИИ. 10 Лекция 0. Классификация интеллектуальных информационных систем 2.1. Классификация интеллектуальных информационных систем 2.2 Системы не без; интеллектуальным интерфейсом 2.3 Экспертные системы 2.4 Самообучающиеся системы 2.5 Адаптивные информационные системы 2.1. Классификация интеллектуальных информационных систем Интеллектуальная информационная порядок (ИИС) основана сверху концепции использования базы знаний к генерации алгоритмов решения прикладных задач различных классов на зависимости ото конкретных информационных потребностей пользователей. Для ИИС характерны следующие признаки: • развитые коммуникативные способности; • опытность постановлять сложные плохо формализуемые задачи; • жилка ко самообучению; • адаптивность. Интеллектуальные информационные системы Системы  со интеллектуальным интерфейсом (коммуникативные способности) Экспертные системы (решение сложных плохо формализуемых задач) Самообучающиеся системы (способность к самообучению) Адаптивные информационные системы (адаптивность) Интеллектуальные базы данных Классифицирующие Индуктивные системы CASE- технологии Естественно-языковой интерфейс Доопределяющие Нейронные сети Компонентные технологии Гипертекстовые системы Трансформирующие Системы, основанные на прецедентах Системы контекстной помощи Мультиагентные Информационные хранилища Когнитивная графика Рис. 0.1 Классификация интеллектуальных информационных систем Каждому изо раньше перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут располагать одним другими словами несколькими признаками интеллектуальности от различной степенью проявления. 11 Средства ИИ могут употребляться к реализации различных функций, выполняемых ИИС. На рис. 0.1 приведена систематизирование ИИС, признаками которой являются следующие интеллектуальные функции: • коммуникативные талантливость — порядок взаимодействия конечного пользователя от системой; • расшивка сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения во зависимости с конкретной ситуации, характеризующейся неопределенностью равно динамичностью исходных данных да знаний; • ловкость для самообучению — сноровка системы машинально извлекать знания с накопленного опыта равным образом приспосабливать их про решения задач; • адаптивность — дар системы для развитию на соответствии с объективными изменениями области знаний. 2.2. Системы  со интеллектуальным интерфейсом Применение ИИ с целью усиления коммуникативных способностей информационных систем привело для появлению систем не без; интеллектуальным интерфейсом, промежду которых не запрещается предоставить следующие типы. 1. Интеллектуальные базы данных. Позволяют на крест от традиционных БД гарантировать выборку необходимой информации, не присутствующей во явном виде, а выводимой изо совокупности хранимых данных. 2. Естественно-языковой интерфейс. Применяется чтобы доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд на системах управления, машинного перевода  со иностранных языков. Для реализации ЕЯ-интерфейса необходимо хлопнуть проблемы морфологического, синтаксического и семантического анализа, а вот и все задачу синтеза высказываний для естественном языке. При морфологическом анализе осуществляются различение и проверка правильности написания слов на словаре. Синтаксический контроль предполагает диссоциация входных сообщений бери отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний равно находка недостающих частей. Семантический обсуждение обеспечивает установление семасиологический правильности синтаксических конструкций. В отличие с анализа единство высказываний заключается во преобразовании цифрового представления информации на мнение для естественном языке. 3. Гипертекстовые системы. Используются ради реализации поиска по ключевым словам на базах данных из текстовой информацией. Для больше полного отражения различных смысловых отношений терминов надобно сложная семантическая основание ключевых слов. Решение сих задач осуществляется  со через интеллектуальных гипертекстовых систем, в которых инструмент поиска попервоначалу работает не без; базой знаний ключевых слов, а 12 затем - из самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей вдобавок текста графическую информацию, аудио- равным образом видеообразы. 4. Системы контекстной помощи. Относятся для классу систем распространения знаний. Такие системы являются, как бы правило, приложениями к документации. Системы контекстной помощи - особый случай гипертекстовых равно ЕЯ-систем. В них абонент описывает проблему, а система бери основе дополнительного диалога конкретизирует ее равным образом выполняет поиск относящихся для ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации. 5. Системы когнитивной графики. Ориентированы держи коммуникация с пользователем ИИС через графических образов, которые генерируются в соответствии не без; изменениями параметров моделируемых либо наблюдаемых процессов. Когнитивная монотипия позволяет на наглядном равно выразительном виде представить куча параметров, характеризующих изучаемое явление, освобождает пользователя через анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально во системах мониторинга равно оперативного управления, во обучающих равным образом тренажерных системах, во оперативных системах принятия решений, работающих на режиме реального времени. 2.3. Экспертные системы Экспертные системы в духе самостоятельное указание во искусственном интеллекте сформировалось во конце 0970-х гг. История ЭС началась  со сведения японского комитета в соответствии с разработке ЭВМ пятого поколения, на котором опора первый план уделялось развитию «интеллектуальных способностей» компьютеров из тем, воеже они могли оперировать далеко не всего только данными, же равно знаниями, в качестве кого сие делают специалисты (эксперты) рядом выработке умозаключений. Группа соответственно экспертным системам при Комитете British Computer Society определила ЭС равно как «воплощение во ЭВМ компоненты опыта эксперта, основанной сверху знаниях, во экий форме, что машина может предоставить умственный собрание или — или обрести решение относительно обрабатываемой функции». Одним изо важных свойств ЭС является дарование пояснить путь своих рассуждений понятным для пользователя образом. Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом да во его трактовке означает «привнесение принципов равным образом инструментария с области искусственного интеллекта во решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются с целью решения неформализованных проблем, к 13 которым относят задачи, обладающие одной (или несколькими) изо следующих характеристик: • задачи отнюдь не могут присутствовать представлены на числовой форме; • исходные показатели да познания касательно предметной области обладают неоднозначностью, неточностью, противоречивостью; • цели невозможно выказать  со через толково определенной целевой функции; • малограмотный существует однозначного алгоритмического решения задачи; • алгоритмическое вердикт существует, так его не дозволяется воспользоваться по причине внушительный размерности пространства решений равно ограничений на ресурсы (времени, памяти). Главное знак ЭС равным образом систем искусственного интеллекта ото систем обработки данных состоит во том, зачем во них используется символьный, а не числовой сноровка представления данных, а во качестве методов обработки информации применяются процедуры логического вывода да эвристического поиска решений. ЭС охватывают самые небо и земля предметные области, середи которых лидируют бизнес, производство, медицина, задумывание да системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные пар эксперта. Кроме того, ЭС может выпирать в роли: • консультанта про неопытных иначе непрофессиональных пользователей; • ассистента эксперта-человека на процессах анализа вариантов решений. Для классификации ЭС используются следующие признаки: • порядок формирования решения; • дорога учета временного признака; • внешность используемых данных да знаний; • количество используемых источников знаний. По способу формирования решения ЭС позволено распилить на анализирующие равно синтезирующие. В системах первого в виде осуществляется выбор решения изо множества известных решений получи и распишись основе анализа знаний, в системах второго будто вотум синтезируется с отдельных фрагментов знаний. В зависимости ото способа учета временного признака ЭС делят на статические равно динамические. Статические ЭС предназначены ради решения задач не без; неизменяемыми во процессе решения данными равным образом знаниями, а динамические ЭС допускают такие изменения. По видам используемых данных да знаний различают ЭС с детерминированными равным образом неопределенными знаниями. Под неопределенностью знаний да данных понимаются их неполнота, ненадежность, нечеткость. ЭС могут ломаться  со использованием одного или — или нескольких источников знаний. 14 В соответствии  со перечисленными признаками дозволяется распределить четыре основных класса ЭС (рис.2.2): классифицирующие, доопределяющие, трансформирующие равным образом мультиагентные. Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений на таких системах является дедуктивный необходимо вытекающий вывод. Доопределяющие ЭС используются для того решения задач из отнюдь не полностью определенными данными равно знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний равным образом выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут прилагаться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика, которые будут рассмотрены далее для лекциях. Трансформирующие ЭС относятся ко синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний на процессе решения задач. Анализ Синтез Детерминированность Классифициру Трансформирую знаний ющие щие Неопределенность знаний Доопределяющие Мульти агентные Статика Один источник знаний Несколько источников знаний Динамика Рис. 0.2. Основные классы экспертных систем В ЭС данного класса используются неодинаковые способы обработки знаний: • получение равно инспекция гипотез; • логика предположений равно умолчаний (когда сообразно неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются для конкретным условиям изменяющихся ситуаций); • применение метазнаний (более общих закономерностей) для устранения неопределенностей во ситуациях. Мультиагентные системы - сие динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются в кругу лицом получаемыми результатами во ходе решения задач. Системы данного класса имеют следующие возможности: • проведение в жизнь альтернативных рассуждений получай основе использования различных источников знаний равным образом механизма устранения противоречий; 15 • распределенное урегулирование проблем, декомпозируемых сверху параллельно решаемые подзадачи от самостоятельными источниками знаний; • приложение различных стратегий вывода заключений на зависимости от типа решаемой проблемы; • изготовление больших массивов информации с баз данных; • утилизация математических моделей равно внешних процедур для имитации развития ситуаций. 2.4. Самообучающиеся системы Самообучающиеся интеллектуальные системы основаны получи методах автоматической классификации ситуаций с реальной практики, alias бери методах обучения бери примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется во течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения из учителем» предполагает цель специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна лично показывать классы ситуаций в соответствии с степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил либо функций, описывающих обстановка ситуаций к классам, которыми строй с годами короче утилизировать при интерпретации незнакомых ситуаций. Из обобщающих правил, на свою очередь, автоматически формируется основа знаний, которая иногда корректируется по мере собственность информации об анализируемых ситуациях. Построенные во соответствии из этими принципами самообучающиеся системы имеют следующие недостатки: • условно низкую соответствие баз знаний возникающим реальным проблемам ради неполноты и/или зашумленности обучающей выборки; • низкую стадия объяснимости полученных результатов; • поверхностное дефиниция проблемной области да узкую направленность применения по поводу ограничений на размерности признакового пространства. Индуктивные системы позволяют синтезировать упражнения для основе принципа индукции «от частного для общему». Процедура обобщения сводится к классификации примеров объединение значимым признакам. Алгоритм классификации примеров заключает следующие основные шаги. 1. Выбор классификационного признака с множества заданных. 2. Разбиение множества примеров получай подмножества по мнению значению выбранного признака. 3. Проверка обстановка каждого подмножества примеров одному из классов. 16 4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает вес классификационного признака, то процесс классификации заканчивается. 5. Для подмножеств примеров из несовпадающими значениями классификационных признаков эксплуатация распознавания продолжается, начиная с первого шага. При этом каждое совокупность примеров становится классифицируемым множеством. Нейронные силок представляют лицом строгий сравнение технологии, основанной возьми примерах. Нейронные силок - обобщенное названьице группы математических алгоритмов, обладающих способностью готовиться на примерах, «узнавая» опосля черты лица встреченных образцов равно ситуаций. Благодаря этой талантливость нейронные яма используются присутствие решении задач обработки сигналов равным образом изображений, распознавания образов, а вот и все для прогнозирования. Нейронная ахан - сие кибернетическая форма нервной системы, которая представляет собою круг большого числа более или менее простых элементов - нейронов, топология соединения которых зависит с как сети. Чтобы учредить нейронную обмет на решения какой-либо конкретной задачи, следует отобрать приём соединения нейронов доброжелатель не без; другом равно подобрать значения параметров межнейронных соединений. В системах, основанных сверху прецедентах, БЗ охватывает описания конкретных ситуаций (прецеденты). Поиск решения осуществляется получай основе аналогий равно заключает следующие этапы: • сбор информации об текущей проблеме; • согласовывание полученной информации со значениями признаков прецедентов с базы знаний; • альтернатива прецедента изо базы знаний, особенно близкого к рассматриваемой проблеме; • прилаживание выбранного прецедента ко текущей проблеме; • инспектирование корректности каждого полученного решения; • заметание детальной информации касательно полученном решении на БЗ. Прецеденты описываются множеством признаков, объединение которым строятся индексы быстрого поиска. Однако на системах, основанных получи прецедентах, в отличие ото индуктивных систем позволительно расплывчатый розыск от получением множества допустимых альтернатив, каждая с которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются для реальным ситуациям от через специальных алгоритмов. Системы, основанные держи прецедентах, применяются чтобы распространения знаний равно на системах контекстной помощи. Информационные хранилища отличаются с интеллектуальных баз данных, тем, почто представляют из себя хранилища значимой информации, регулярно извлекаемой с оперативных баз данных. Хранилище данных - это 17 предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое скопление данных, применяемых про поддержки процессов принятия управленческих решений. Предметная устремленность означает, что данные объединены на категории равным образом хранятся во соответствии  со теми областями, которые они описывают, а далеко не от приложениями, которые их используют. В хранилище информация интегрируются на целях удовлетворения требований предприятия на целом, а далеко не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т.е. присущность времени постоянно явно присутствует во структурах хранилища данных. Неизменяемость означает, что, попав раз на хранилище, документация сделано невыгодный изменяются во предпочтение от оперативных систем, идеже эмпирика присутствуют всего-навсего во последней версии, поэтому неусыпно меняются. Технологии извлечения знаний изо хранилищ данных основаны для методах статистического анализа да моделирования, ориентированных получи и распишись разглядывание моделей и отношений, скрытых на совокупности данных. Эти модели могут в дальнейшем применяться на оптимизации деятельности предприятия или фирмы. Для извлечения значимой информации с хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining тож Knowledge Discovery), основанные возьми применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений да др. Технология OLAP (On-Line Analytical Processing - недействующий анализ данных) предоставляет пользователю собственность для того формирования да проверки гипотез что до свойствах данных иначе говоря отношениях посредь ними для основе разнообразных запросов ко базе данных. Они применяются для ранних стадиях процесса извлечения знаний, помогая аналитику сконцентрировать не заговаривать зубы на важных переменных. Средства Data Mining отличаются через OLAP тем, в чем дело? кроме проверки предполагаемых зависимостей они способны автономно (без участия пользователя) вызывать гипотезы по части закономерностях, существующих во данных, равно созидать модели, позволяющие количественно оценить ряд взаимного влияния исследуемых факторов держи основе имеющейся информации. 2.5. Адаптивные информационные системы Потребность во адаптивных информационных системах возникает во тех случаях, при случае поддерживаемые ими проблемные области постоянно развиваются. В знакомства из сим адаптивные системы должны возмещать ряду специфических требований, а именно: • тожественно посылать навыки проблемной области на и оный и другой момент времени; • присутствовать пригодными к легкой равно быстрой реконструкции близ изменении проблемной среды. 18 Адаптивные свойства информационных систем обеспечиваются следовать счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая имитация проблемной области, поддерживаемая во специальной базе знаний - репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. В процессе разработки адаптивных информационных систем применяется оригинальное сиречь типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы  со «чистого листа» на основе сформулированных требований. Реализация сего подхода основана на использовании систем автоматизированного проектирования, alias CASEтехнологий (Designer2000, SilverRun, Natural Light Storm да др.). При типовом проектировании осуществляется упрощение типовых разработок для особенностям проблемной области. Для реализации сего подхода применяются инструментальные ресурсы компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis равным образом др.) Главное предпочтение подходов состоит во том, что такое? подле использовании CASEтехнологии нате основе репозитория подле изменении проблемной области каждый раз выполняется формирование программного обеспечения, а близ использовании сборочной технологии - конфигурирование программ равно только лишь во редких случаях - их переработка. Вопросы равным образом упражнения. 1. Охарактеризуйте основные направления исследований, проводимые в области искусственного интеллекта. Приведите известные вас примеры интеллектуальных систем. 2. Назовите основные функции, присущие ИИС. На нежели основана их реализация? 3. Дайте краткую характеристику систем из интеллектуальным интерфейсом, экспертных систем, самообучающихся систем да адаптивных информационных систем. 4. Сформулируйте основные заслуги систем искусственного интеллекта от обычных программных средств. 5. Перечислите равным образом охарактеризуйте основные компоненты статических экспертных систем. 6. Какого профиля специалисты привлекаются в целях разработки экспертных систем? Каковы их функции? 7. Чем отличаются динамические экспертные системы ото статических? 19 Лекция 0. Методы поиска решений во пространстве состояний (часть 0) 3.1 Основные понятки да определения 3.2 Формальная трафарет предметной области 3.3 Процедура решения задачи 3.4 Структуры данных пользу кого поиска на пространстве состояний 3.5 Представление задачи на пространстве состояний 3.1. Основные принципы равным образом определения Любая гранит отличается через других предметом своего исследования. В зависимости с предмета формулируются цели равно задачи, а опять же методы и средства их решения. Выше автор сих строк сейчас отнесли для классу интеллектуальных все задачи, алгорифм решения которых раньше неизвестен. Это равным образом задачи распознавания образов, равно механический пересылка вместе с одного языка получи другой, и принятие решений во зависимости через меняющихся ситуаций да многие другие. Все сие стимулировало новые научные исследования, целью которых было определить особенности интеллектуальной деятельности человека. Показано, что во основе интеллектуального поведения человека лежит целенький ряд метапроцедур, поступок которых инвариантно условно конкретно решаемых задач равным образом областей деятельности. В первую очередь, сие метапроцедуры целенаправленного поиска, подобные целенаправленному поиску во лабиринте возможностей, ассоциативный разыскание равно ассоциативное философствование равным образом др. Поиск на лабиринте возможностей (лабиринтная догадка мышления) привел для появлению целого научного направления - эвристического программирования. Если ухо неизвестен, а приходится порождаться, исходя из условий, положительно формирующихся во данной предметной области, то необходимо устроить такие метапроцедуры, которые позволили бы решить задачу. Так возникло новое научное направленность - ситуационное моделирование. Это курс выделило покамест полоса метапроцедур: классификация ситуаций за признакам да согласно структурам, процедуры порождения новых классов понятий, отношений да ситуаций равно т. п. Следующим важным медленный на развитии ИИ было осознание необходимости внутреннего представления проблемной ситуации, что-нибудь привело к выделению метапроцедур, оперирующих не без; совокупностью знаний с той предметной области, ко которой принадлежит задача. Это беспричинно называемая модельная гипотеза. Основные метапроцедуры здесь: мнение знаний, их 20 пополнение и модификация, рассуждения, поиск релевантной (соответствующей) информации во совокупности имеющихся знаний равно др. Все перечисленные метапроцедуры во совокупности со знаниями о предметной области составили во конце концов костяк искусственного интеллекта. Теперь определим основные понятия, от которыми будем резать дальше. Предметная земля (ПО) – выделенная, узкая оборот деятельности человека, относящаяся для данной задаче. Модель предметной области (МПО) - собрание (система) знаний, необходимых в целях автоматического синтеза алгоритма решения задачи на данной области. Искусственный мозги (ИИ) (artificial intelligence - AI) - совокупность метапроцедур - представления знаний, рассуждений, поиска релевантной информации на среде имеющихся знаний, их пополнение, корректировка да т. п., - имитирующих активность человека. Из сих определений следует, ась? любая ИИС - учение имеет следующие особенности: • наличность модели предметной области; • наличествование моделей механизмов мышления, т. е. метапроцедур, работающих во системе знаний, представленных моделью предметной области (в частности, процедур логического вывода); • существование естественно-языкового интерфейса, обеспечивающего взаимодействие пользователя вместе с СИИ. Таким образом, точно составленные модели предметной области позволяют очерчивать объекты равным образом взаимоотношения с области определения, а правила вывода логически принимать новые умственный багаж изо логических описаний. Эти правила вывода определяют пространство, на котором подобает разыскивание решения задачи. 3.2. Формальная форма предметной области Формализуем предметную земля на виде модели предметной области (МПО) следующим образом: МПО : X, C, R, G , (3.1) где обозначено: X=(x1, x2, ... xn) – много имен объектов (предметов, сущностей и т.п. внешнего мира), вместе с которыми ты да я имеем занятие рядом решении задачи. 21 C=(c1, c2, ... cm) – вагон имен свойств (состояний) объектов, причем возможно, что такое? c1=(c11, c12, ... c1k), c2=(c21, c22, ... c2r) равным образом т.д. Эти свойства могут производить обмен перед действием некоторых операторов. R=(r1, r2, …rn) – вагон имен отношений, на которые могут вступать объекты моделируемой ПО. G=(g1, g2, ... gk) - масса имен операций (действий), которые допустимы  со этими объектами после перемена их свойств равно отношений между ними. Пример 0. Допустим, автор сих строк описываем предметную сторона задачи в рассуждении сборе яблок. Множество Х – объекты: ЯБЛОКО, ЛЕСТНИЦА, КОРЗИНА, ЯЩИК; Множество С – свойства (состояния) объектов: для ЯБЛОКА – сорвано, уложено, отброшено; для ЛЕСТНИЦЫ – лежит, стоит; для КОРЗИНЫ – полна, пуста; для ЯЩИКА – брошен, уложен; Множество R – отношения: ЯБЛОКО – НА ветке, В корзине; ЛЕСТНИЦА – У дерева, ПОД деревом; КОРЗИНА – НА лестнице, У ящика; ЯЩИК – У дороги; Множество G – образ действий (операторы): g1 – влепить (ЛЕСТНИЦУ), g2 – нацепить (КОРЗИНУ), g3 – сбросить (ЯБЛОКО), g4 – решать (ЯБЛОКО во корзину), g5 – охватить (КОРЗИНУ), g6 – вместить (ЯЩИК), g7– выпить чашу (ЯЩИК для дороге) да т.п. Множества X, C, R, G задают концептуальную имитация предметной области. Они определяют ее статическую структуру. Для перехода для модели предметной области что поделаешь проучить окно состояний. 22 Говоря что касается модели ПО, наша сестра отдаем себя сообщение во том, сколько имущество ПО вообще-то непостоянно, оно может обменивать со временем, равно поэтому правильнее было бы балакать по отношению состоянии предметной области на данный момент времени. Определим структура ПО следующим образом: Sпо(t) : X(t), C(t), R(t) . (3.2) Выражение (3.2) описывает ситуацию, сложившуюся во ПО на данный момент времени. В зависимости через этой ситуации держи миг t ∈ (tнач, tкон) лицо (или робот) выбирает изо множества G возможных операций именно те действия, которые необходимы пользу кого решения задачи. Если сегодня наметить чрез F обрисовка Sпо(t) получи обилие G, то законно написать: F : ( X(t), C(t), R(t) → G). (3.3) Другими словами, хозяйка предметная мир выступает на этом месте в качестве пассивного элемента поступки (объекта преобразования), а человек сиречь режим его заменяющая - на качестве преобразователя (субъекта действия). Таким образом отображается непрерывность посреди языковым описанием ПО, ее состоянием (декларативная компонента), от одной стороны, равным образом именами действий, выражающих процедурное знание (процедурная компонента), от другой. Состояние предметной области проектируется получай много действий. 3.3. Процедура решения задачи Исходя изо сказанного, определим ныне принципы "задача", "решение", "алгоритм". Обозначим начальное структура ПО чрез Sн. Задача заключается на том, дабы подрубить под корень предметную сторона из состояния Sн во некоторое заданное, определяемое что целевое (Sц). Очевидно, проделать сие возможно, как только применяя допустимые на данной предметной области поступки с множества G=(g1, g2, ...gk). Какие выбрать операции gi равно во кой последовательности - неизвестно. В этом как однажды равно состоит заключение задачи. Схема решения, таким образом, выражается формулой: G   →Sц). Z=(Sн (3.4) Допустим, оператором g1, взятым с множества G, да мы не без; тобой перевели состояние Sн на S1, только оно невыгодный совпало вместе с SЦ, т.е. S1=g1(Sн), S1 ≠ Sц. Для перевода S1 во ситуация S2 применим врач g2 ∈ G: S2=g2(S1) и, кабы S2 23 снова неграмотный совпадет  со Sц, обратимся ко оператору g3, с тем получить состояние S3 равно просчитать его, сравнивая  со Sц. И что-то около далее, доколь никак не найдется такой gj, что-то Sj=gj(Sj-1) равным образом Sj=Sц. Описанный тракт поиска решения можно отобразить следующей цепочкой: g g g g j −1 1 3 2 Sн → S1 → S2 → ... → Sj=Sц. То но самое не возбраняется настукать по-другому: (3.5) Sц=gj(gj-1 (...(g3 (g2 (g1 (Sн)))...))). Последовательность (g1, g2, g3, ... gj) в качестве кого раз в год по обещанию да бросьте являть из себя алгорифм решения задачи. Отметим, почто назначение Sн → Sц возможен неграмотный единственным способом. В этом случае позволяется оценивать задачу об оптимизации решения. Рассмотрим упражнения построения модели предметной области равным образом решения задачи. Пример 0. О наполнении ведра водой. В первый минута времени околесина магеринг есть расчет недалеко  со раковиной, кран закрыт. В целевой ситуации необходимо, ради ведерце было что песку морского и стояло сверху полу у раковины, а стриппер был бы закрыт. Все операции выполняет робот. Требуется отгрохать схема его действий. Множество X: РАКОВИНА(РК)). ВЕДРО(В), (РОБОТ(Р), КРАН(К), ПОЛ(П), Множество С: состояние РОБОТА – (У КРАНА); состояние ВЕДРА – (ПУСТО, ПОЛНО); состояние КРАНА – (ОТКРЫТ, ЗАКРЫТ). Множество R: НА(В,П) - ведрышко для полу, В(В,РК) - мера на раковине. Поскольку киборг постоянно времена находится во одной точке, его в свою очередь можно исключить изо рассмотрения. Тогда Sн=< В(ПУСТО), КРАН(ЗАКРЫТ), НА(В,П) ›. Sц=< В(ПОЛНО), КРАН(ЗАКРЫТ), НА(В,П) >. 24 Рассмотрим состояния равно действия. (В (ПУСТО), К (ЗАКРЫТ), НА (В,П)) 1. g1 (В (ПУСТО), К (ЗАКРЫТ), НА (В,П)); (В (ПУСТО), К (ЗАКРЫТ), 2. НА (В,П)) g2 (В (ПУСТО), К (ОТКРЫТ), НА (В,П)); (В (ПУСТО), К (ОТКРЫТ), НА (В,П)) 3. g3 (В (ПОЛНО), К (ОТКРЫТ), НА (В,П)); 4. (В (ПОЛНО), К (ОТКРЫТ), НА (В,П)) g5 (В (ПОЛНО), К (ЗАКРЫТ), НА (В,П)); 5. (В (ПОЛНО), К (ЗАКРЫТ), НА (В,П)) g4 (В (ПОЛНО), К (ЗАКРЫТ), НА (В,П)). Последняя состояние является, вроде видим, целевой. 3.4. Структуры данных пользу кого поиска во пространстве состояний Во многих задачах искусственного интеллекта для того наглядного представления отношений посреди какими-либо объектами используют графовое представление задачи на пространстве состояний. Граф состоит множества вершин N1,N2,…,Nn,которое отнюдь не обязано быть конечным, равно множества дуг, соединяющих некоторые люди туман вершин. Граф является размеченным, коли с целью каждой вершины пулька заданы метки равно дескрипторы. На графе пространства состояний сии дескрипторы идентифицируют состояния во процессе решения задачи. Если дескрипторы двух вершин безграмотный различаются, ведь вершины считаются одинаковыми. Граф будто бы ориентированным, неравно каждой дуге в нем приписано направление. Путь получи графе – сие цепь дуг, соединяющих соседние вершины. Путь называется простым, разве по сию пору вершины нате нем, после исключением может состоять первой да последней, различны. Корневой эрл – содержит единственную вершину, ото которой существует стезя ко все эквивалентно какой вершине графа. Эта головка называется корнем. В корневом графе верх называется предком всех вершин, расположенных потом нее, равным образом на так но срок потомком всех вершин, расположенных для пути ко ней. Корень малограмотный имеет родителей. 25 Дерево не без; базовым типом Т во программировании определяется как: 1) пшено дерево; либо 0) некоторая верхушка вроде Т не без; конечным числом связанных от ней отдельных деревьев не без; базовым типом Т, называемых поддеревьями. В системах искусственного интеллекта мнение дерева то и дело связывают с понятием графа. Рассматривая древесина на правах неориентированный граф, позволяется сказать, что-нибудь в нем существует одиночный стезя в кругу любыми двумя вершинами (т. е. пути во дереве никак не содержат циклов). Каждая головка на корневом дереве имеет единственного родителя. Две вершины называются связными, буде существует путь, держащий сии вершины. Множество состояний, достижимых с данного начального состояния, полезно изображать во виде графа, вершины которого соответствуют этим состояниям. Вершины такого пулька связаны посреди лицом дугами, которые описывают переходы в кругу состояниями. Эти переходы соответствуют логическим заключениям иначе говоря допустимым ходам во игре. Поиск на пространстве состояний характеризует приговор задачи как процесс нахождения пути решения (цепочки, ведущей для решению задачи) от исходного состояния ко целевому. 3.5. Представление задачи на пространстве состояний В пространстве состояний задачи вершины столбец – сие состояния решения задачи, а дуги – сие этапы ее решения. Одно другими словами серия начальных состояний, соответствующих исходной информации об сосоянии задачи, образуют водонасос дерева. Граф как и содержит одно тож сколько-нибудь целевых условий, которые соответствуют решениям исходной задачи. Поиск во пространстве состояний характеризует движение нахождения пути решения. Пространство состояний не запрещается препроводить четверкой [N, A, S, GD] со следующими обозначениями: N - много вершин параграф другими словами состояний в процессе решения задачи; А - масса дуг в лоне вершинами, соответствующих шагам во процессе решения задачи; S — непустое множество начальных состояний задачи; GD - непустое множество, состоящее изо целевых состояний. 26 Эти состояния описываются одним с следующих способов: 1) измеряемыми свойствами состояний, встречающихся во процессе поиска; 2) свойствами путей, возникающих во процессе поиска, например, стоимостью перемещения сообразно дугам пути. Допустимый ход сие ход изо вершины множества S во вершину из множества GD. Путь для решению является целью поиска. Он начинается ото исходного состояния да продолжается предварительно тех пор, на срок безграмотный хорошенького понемножку достигнуто требование цели. Порождение новых состояний по-под пути обеспечивается такими операторами, как «допустимые ходы» во игре иначе инструкция вывода во логической задаче или ЭС. Задача алгоритма поиска решения состоит на нахождении допустимого пути во пространстве состояний. Алгоритмы поиска должны наводить пути от начальной вершины ко целевой, поелику не кто иной они содержат цепочку операций, ведущую ко решению задачи. Состояния когда могут быть достигнуты разными путями, потому имеет важное значение облюбовать самолучший путь. Графовое показ задачи на пространстве состояний имеет ряд преимуществ: • безотчетно усилий разгадать нетривиальные высказывания; • учитывается тариф применения оператора О(k) симпатия помечается на каждой дуге графа; • отдельный методичный этап не запрещается обрекать возле помощи функции сравнения целевого равно текущего состояний. Одна изо основных проблем – сие осуществимость преимущества результатов разными путями. Поэтому становится архи важным откопать оптимальный путь решения задачи. На рис.3.1 приведен пассаж пространства состояний с целью игры «крестики-нолики». Корневая маковка сего рубрика хорэ соответствовать пустой игровой доске, указывающей получай начин игры. Каждый последующий узел графа хорош изобличать накопления игровой доски, возникающее во процессе игры на результате допустимых ходов, а дуги в среде ними - маза между вершинами. 27 Рис. 0.1. Фрагмент пространства состояний в целях зрелище «крестики-нолики» Представление во пространстве состояний позволяет расценивать все возможные варианты зрелище как бы неодинаковые пути бери графе пространства состояний. Описав, игру таким образом, позволительно не без; через поиска бери графе найти эффективную игровую стратегию, так очищать предопределить всегда пути, которые ведут для наибольшему числу побед равным образом наименьшему числу поражений, равным образом выбрать игру, которая склифосовский оказался вынужденным противника шагать по части одному с оптимальных для нас путей. Вторым достоинством представления пространства состояний в виде черта является допустимость реализации зрелище получи компьютере. Вопросы равно упражнения 1.Что является объектом исследования на СИИ? 2. Какими особенностями обладают СИИ за сравнению с традиционными алгоритмическими системами? 3. Какими свойствами должна иметь своей отличительной чертой любая интеллектуальная система? 2. Дайте отождествление интеллектуальной информационной системы. 3. Что понимается по-под моделью предметной области? 4. Какова устройство предметной области? 5. Приведите упражнения предметной области. 6. Что я понимаем по-под «решением» задачи? 7. Что такое алгорифм решения задач? 28 Лекция 0. Методы поиска решений на пространстве состояний (часть 0). 4.1. Основные направления поиска решений на пространстве состояний 4.2. Эвристический поиск 4.3. Поиск решения методом разбиения задач получай подзадачи 4.4. Альфа-бета процедура В лекции рассматриваются методы поиска решений на пространстве состояний, такие вроде церемония прямого да обратного поиска, алгоритмы эвристического поиска, подыскание решения методом разбиения задач получи подзадачи да альфа-бета процедура. 4.1. Основные направления поиска решений во пространстве состояний Чтобы ставить на службу алгоритмы поиска, производитель приходится уметь анализировать равным образом предсказать их образ действий да знать, гарантировано ли нахождения решения во результате поиска, является ли разведка конечным, или возможны зацикливания, зависит ли тяжба поиска через времени выполнения и используемой памяти, каким образом толкователь может опошлить поиск, и как общий подготовить интерпретатор. На сии вопросы дает отказ теория поиска, которая значит после границы нашего курса. Представив район состояний задачи на виде графа, необходимо найти ее решение. Решение находится на результате поиска. Порядок, во котором происходит создавание состояний, определяется стратегией поиска. Можно использовать теорию графов интересах анализа процедуры поиска. Поиск в пространстве состояний позволяется направлять на двух направлениях: через исходных данных задачи (фактов) для цели равно во обратном направлении ото цели для исходным данным (фактам). Прямой разыскивание будь по-твоему с исходного состояния, эпизодически целевое состояние задано неявно, противоположный - с целевого состояния, от случая к случаю исходное состояние задано неявно, а целевое явно. При прямом поиске (поиске возьми основе данных) исследчик начинает процесс решения задачи, анализируя ее условие, а поэтому применяет мировоззрение к известным фактам для того получения новых фактов, которые, на свою очередь, используются к генерации новых фактов, да т. д. Этот эксплуатация продолжается до тех пор, доколе невыгодный повезет равным образом никак не хорош достигнуто целевое состояние. 29 При обратном поиске прежде выдвигают цель, а поэтому возвращаются назад для фактам, пытаясь отыскать те, которые подтверждают эту цель. Если цель оказалась правильной, в таком случае выбирается следующая цель, которая детализирует первую да является объединение отношению ко ней подцелью. Далее отыскиваются факты, подтверждающие истинность подчиненной цели. Поиск продолжается от подцелей, доколе безвыгодный будут достигнуты исходные исходняк задачи. Такую стратегию поиска называют управляемой целями. Выбор стратегии зависит с структуры решаемой задачи. Процесс поиска от цели рекомендуется приспосабливать во тех случаях, когда-когда намерение поиска присутствует во постановке задачи. Поиск в основе данных применим к решению задач, во которых способности определены во постановке задачи равно когда сформулировать задание весть трудно. В системах диагностики чаще применяется прямой поиск, во ведь период во вкусе на планирующих системах паче эффективным оказывается полярный поиск. Двунаправленный отыскание осуществляется разом с исходного состояния равно множества целевых состояний. Двунаправленный поиск заканчивается тогда, эпизодически (и если) неудовлетворительно фронта поиска встречаются. Такой поиск имеет важность пизда однонаправленным поиском да требует решения двух проблем: смены направления поиска равно оптимизации «точки встречи», что-то около по образу неприкрытый да возвратный пути могут разойтись. Определив течение поиска (от данных либо цели), алгорифм поиска должен обусловить распределение исследования состояний дерева alias графа. Рассмотрим двум возможных стратегии последовательности обхода узлов графа: поиск на глубину (вглубь) равным образом подыскание на ширину (вширь) (рис. 0.1). При поиске на глубину на качестве стоит на повестке дня подцели выбирается та, которая соответствует следующему, сильнее детальному уровню описания задачи. То есть, позже исследования факта поначалу никуда не денешься расценить всех его потомков равным образом их потомков, а по времени усваивать любую изо вершин-братьев. Если дальнейшие потомки фактов никак не найдены, рассматриваются вершиныбратья. 30 Рис. 0.1. Методы организации поиска во системах искусственного интеллекта (цифры указывают строй просмотра вершин графа) При поиске во ширину система перво-наперво анализирует весь факты, находящиеся для одном уровне пространства состояний, равным образом как только потом переходит для фактам следующего уровня детализации. 4.2. Эвристический поиск Эвристический разглядывание осуществляется не без; через совокупности правил для выбора тех ветвей с пространства состояний, которые от наибольшей вероятностью приведут ко приемлемому решению проблемы. Эвристика - это только меморандум следующего шага, который-нибудь бросьте сделан сверху пути решения проблемы. Эвристические алгоритмы состоят с двух частей: эвристической меры равно алгоритма, какой использует ее на поиска на пространстве состояний. Одним изо самых распространенных эвристических алгоритмов поиска является процедура поиска экстремума. Стратегии, основанные бери поиске экстремума, оценивают безвыгодный только текущее структура поиска, да да его потомков. Для дальнейшего поиска выбирается лучший потомок, около этом что касается его братьях да родителях просто забывают. Поиск прекращается, эпизодически достигается состояние, которое лучше, чем всякий изо его наследников. В локальном максимуме поведение поиска экстремума останавливается. Этот случай является ее основным недостатком, поэтому такого склада алгорифм часом бывает, неприемлем с целью решения задачи. 31 Однако текущий алгорифм может существовать ахти эффективным, когда оценивающая функция позволяет избежать локального максимума равно зацикливания алгоритма. В качестве примера рассмотрим задачу в рассуждении коммивояжере. Постановка задачи. Коммивояжер надо обосновать принадлежащий авиамаршрут так, чтобы побыть во каждом изо п городов во точности объединение разу равно воротиться в исходный город. Желательно также, в надежде данный трасса был минимальным по протяженности. Пусть п=5. Города обозначим сквозь А, В, С, D, Е. Длина пути через города до города задана для рис. 0.2. Пусть начальным пунктом функция хорошенького понемножку городище А, отчего SH=А. Целевое положение - равно как А. Оператор перехода - унарный – g1. Граф пространства состояний этой задачи около использовании метода поиска в ширину выглядит следующим образом (рис. 0.3). Рис. 0.2. Задача в рассуждении коммивояжере Рис. 0.3. Граф полного перебора во ширину чтобы задачи что до коммивояжере 32 Граф полного перебора, включающий всегда возможные пути коммивояжера, короче вмещать 04 варианта. (На рис. 0.3 показаны лишь некоторые изо них.) Очевидно, посреди сих путей хорэ равным образом самый кратковременный (он выделен), да самый длинный. Расстояния на километрах обозначены для каждом из отрезков. Из рисунка видно, зачем метраж оптимального пути - 04 км (А, В, Е, D, С, А) равно настоящий дорога единственный, если бы никак не счислять того, зачем возлюбленный может быть пройден во обратном порядке (А, С, D, Е, В, А). (Кстати, если бы исключить «обратные» пути, вариантов хорош просто-напросто 02.) Теперь построим приговор методом поиска на глубину от использованием, например, этакий эвристики: получи каждом шаге первой раскрывается вершина, имеющая самую короткую длину изо всех возможных. Тогда эрл поиска решений склифосовский таким, в духе показано в рис. 0.4. Рис. 0.4. Граф поиска решения задачи во глубину Путь получился самый оптимальный, а где-то случается далеко не всегда. «Жадный» алгорифм использует паче упругий отсадка поиска, возле котором возможно исчерпывание приоритетной очереди к восстановления алгоритма из точки локального максимума. 4.3. Поиск решения методом разбиения задач для подзадачи Стратегия разбиения в подзадачи подразумевает фразировка подзадач, решение которых рассматривается равно как принятие промежуточных целей на пути для конечной цели. Если удается по правилам раскусить сущность задачи и оптимально разгромить ее сверху систему иерархисвязанных целей-подцелей, в таком случае можно добиться того, ась? ход для решению задачи на пространстве поиска будет минимален Чтобы по ниточке разрисовать настоящий метод, ничего не поделаешь вернуться к определению принципы задачи. Для этой цели воспользуемся понятием пространства состояний. В паче общем, нежели прежде, виде задачу (Z) можно представить следующим образом: 33 Z=S, G, F (4.1) где S - пропасть начальных состояний, G - масса операторов, переводящих предметную земля изо одного состояния на другое, F- множество целевых состояний. При таком обозначении промежуточные состояния удобнее обозначать через Si, затем что они днесь представляют на лицо наравне бы промежуточные цели. Конечной целью разъяснение задачи для подзадачам является добывание таких элементарных задач, решения которых очевидны. Элементарными считаются задачи, которые могут состоять решены из-за сам шаг, т. е. вслед за одно применение какого-либо оператора изо множества G. При стратегии разбиения получай подзадачи сплошь и рядом на ИИС используются деревья. Они используются ради моделирования ходов во играх, когда-никогда нельзя применить алгорифм поиска во пространстве состояний. Дерево зрелище моделирует игру двух лиц вместе с никакой суммой равно из полной информацией. Для таких игр разумной прошел слух поведение минимакса, минимизирующая около выборе хода максимальные ущерб с следующего аллюр противника подле просмотре получи п шагов вперед. 4.4. Альфа-бета процедура Альфа-бета акция применяется к уменьшения пространства состояний как следует удаления изо него ветвей, неперспективных пользу кого поиска успешного решения. При этом просматриваются лишь только те вершины, на которые можно попасть на результате следующего шага, позже что такое? неперспективные направления исключаются. Данная поведение является определенным компромиссом посредь поиском на ширину да поиском на глубину. Для ее успешной реализации необходимо располагать дополнительными эвристическими знаниями, которые используются рядом выборе перспективных направлений. Эффективность да мотивированность этой процедуры зависят от выбора эвристической функции да ото глубины просмотра вперед. Альфа-бета алгоритм сделал широкое действие на основном во системах, ориентированных на разные игры, да во шахматных задачах. 34 Лекция 0. Методы поиска решений на пространстве состояний (часть 0). 5.1 Процедура BACKTRACK 5.2. Методы поиска решений получи и распишись основе предикатов 5.3. Достоинства да нагота и босота методов поиска решений во пространстве состояний В лекции рассматриваются методы поиска решений на пространстве состояний, такие во вкусе процесс BACKTRACK равным образом развертка решений сверху основе исчисления предикатов. 5.1. Процедура BACKTRACK Решение недетерминированных задач не запрещается помыслить вместе с помощью дерева поиска на глубину из возвратами. Применение логического программирования (построение интеллектуальных программных продуктов) становится необходимым при принятии альтернативного решения задачи. Логические программы на решения плохо формализованных задач не содержат алгоритмов их решения. В этом случае резолюция задачи осуществляется от через поиска на глубину вместе с возвратами («backtrack») и апробации всех возможных альтернативных решений. При каждом переходе на новое структура производится таксировка на допустимость состояний и, если бы около использовании устав перехода для текущего состояния стало быть недопустимое состояние, в таком случае производится возврат для тому предыдущему состоянию, изо которого было достигнуто это текущее состояние. Эта порядок получила слово бэктрекинг (bac tracing или BACKTRACK) Метод поиска решений на пространстве состояний не без; использованием процедуры BACKTRACK начнем принимать во внимание вместе с безыскусный задачи в отношении миссионерах и людоедах. Постановка задачи. Три миссионера равно три людоеда находятся получи левом берегу реки равным образом им нужно переправиться бери оппортунистический берег, но у них имеется только одна лодка, во которую могут разоряться только 0 человека. Поэтому необходимо обусловить план, соблюдая каковой равным образом курсируя до некоторой степени однажды туда и обратно, дозволяется перемыть всех шестерых. Однако разве получай любом берегу 35 реки контингент миссионеров довольно меньше, нежели контингент людоедов, в таком случае миссионеры будут съедены. Решения принимают миссионеры, людоеды их выполняют. Основой метода являются следующие этапы. 1. Определяется конечное количество состояний, одно изо состояний принимается из-за начальное равным образом одно или — или до некоторой степени состояний определяются как искомое (конечное, иначе говоря терминальное). Обозначим средства S тройкой S= (x,y,z), идеже x равно y - численность миссионеров равным образом людоедов бери левом берегу, z={L,R} поза лодки нате левом (L) иначе правом (R) берегах. Итак, начальное состояние S0=(3,3, L ) равным образом конечное (терминальное) накопления Sk=(0,0, R ). 2. Заданы взгляды на вещи перехода в ряду группами состояний. Введем понятие поведение M:[u, v]w, идеже u - состав миссионеров во лодке, v - число людоедов на лодке,w - устремленность движения лодки (R или — или L). 3. Для каждого состояния заданы определенные условия допустимости (оценки) состояний: x ≥ y; 0 - x ≥ 0-y ; u+v ≥ 0. 4. После сего с текущего (исходного) состояния строятся переходы в новые состояния, показанные держи рис.5.1. Два новых состояния необходимо сразу же вычеркнуть, беспричинно во вкусе они ведут для нарушению условий допустимости (миссионеры будут съедены). 5. При каждом переходе на новое богатство производится критика на допустимость состояний равным образом когда подле использовании кредо перехода для текущего состояния стало недопустимое состояние, так производится возврат ко тому предыдущему состоянию, с которого было достигнуто это текущее состояние. Эта порядок получила слово бэктрекинг (bac tracing или BACKTRACK). Рис. 0.1. Переходы изо исходного состояния Теперь да мы из тобой можем подвергнуть анализу до конца алгорифм простейшего поиска решений на проблемном пространстве, обрисованный группами состояний и переходами посредь состояниями держи рис.5.2. Решение задачи выделено в рис.5.2 36 жирными стрелками. Такой рецепт поиска S0 Sk называется прямым методом поиска. Поиск Sk S0 называют обратным поиском. Поиск во двух направлениях зараз называют двунаправленным поиском. Рис. 0.2. Метод поиска на пространстве состояний 37 Как ранее упоминалось, фундаментальным понятием на методах поиска в ИС является мысль рекурсии равным образом мероприятие BACKTRACK. В качестве примера многоуровневого возвращения рассмотрим задачу размещения сверху доске 0 × 0 восьми ферзей так, с тем они неграмотный смогли "съесть" кореш друга. Допустим, я находимся сверху шаге размещения ферзя во 0 ряду да видим, что это невозможно. Процедура BACKTRACK пытается перегнать ферзя на 0 строке равным образом на 0 строке опять двадцать пять неудача. x x x x x Только возвращение для 0 строке равным образом отрывание на ней нового варианта размещения приведет для решению задачи. Студент самовластно может попробовать завершить решение этой задачи для основе процедуры BACKTRACK. 5.2. Методы поиска решений сверху основе предикатов Семантика исчисления предикатов обеспечивает основу для формализации логического вывода. Возможность логически синтезировать новые правильные выражения с набора истинных утверждений аспидски важна. Логически выведенные утверждения корректны, да они совместимы со всеми предыдущими интерпретациями первоначального набора выражений. Обсудим вышесказанное неформально да по времени введем необходимую формализацию. В исчислении высказываний основным объектом является переменное высказывание (предикат), истинность или — или искажённость которого зависит от значений входящих на него переменных. Так, истинность предиката "x был физиком" зависит ото значения переменной x. Если x - Ландау, в таком случае предикат истинен, кабы x - М. Лермонтов, так возлюбленный ложен. На языке исчисления предикатов утверждение ∀ x(P(x) ⊆ Q(x)) читается так: "для любого x разве P(x), так имеет место равным образом Q(x)". Иногда его записывают равно так: ∀ x (P(x) →Q(x)). Выделенное 38 подмножество однозначно истинных формул (или как следует построенных формул - ППФ), истинность которых безграмотный зависит ото истинности входящих во них высказываний, называется аксиомами. В исчислении предикатов перевода нет куча правил вывода. 1. Modus ponens сиречь обычай отделения: (A, A → B) / B которое читается в такой мере "если истинна ходячая монета A равно истинно, что-нибудь изо A годится B, то истинна равно формулировка B". 2. Modus tollendo tollens : Если с A долженствует B равным образом B ложно, так да A ложно. 3. Modus ponendo tollens : Если A равно B никак не могут зараз быть истинными равно A истинно, так B ложно. 4. Modus tollendo ponens : Если либо A, либо B является истинным равно A не истинно, ведь B истинно. Формулы, находящиеся надо чертой, называются посылками вывода, а под чертой - заключением. Это положение вывода формализует коренной закон дедуктивных систем: изо истинных посылок постоянно следуют истинные заключения. Аксиомы равно идеология вывода исчисления предикатов первого порядка задают основу формальной дедуктивной системы, на которой происходит формализация схемы рассуждений в логическом программировании. Можно указать равно оставшиеся идеология вывода. Решаемая урок представляется на виде утверждений (аксиом) F1, F2... Fn исчисления предикатов первого порядка. Цель задачи B в свою очередь записывается в виде утверждения, честность которого нелишне учредить или опровергнуть получи основании аксиом равным образом правил вывода формальной системы. Тогда уступка задачи (достижение цели задачи) сводится ко выяснению логического следования (выводимости) целевой формулы B с заданного множества формул (аксиом) F1, F2... Fn. Такое прощупывание равносильно доказательству общезначимости (тождественно-истинности) формулы F1& F2&... & Fn → B 39 или невыполнимости (тождественно тождественно-ложности) формулы F1& F2&... & Fn& ¬B Из практических соображений удобнее истощить довод от противного, ведь лакомиться утверждать утопичность формулы. противного формулы На доказательстве от противного основано равно ведущее статут вывода вывода, используемое на логическом программировании, - тезис резолюции. Робинсон открыл сильнее сильное правило вывода, нежели modus ponens, которое дьявол назвал принципом резолюции (или вывода правилом резолюции). При использовании принципа резолюции формулы исчисления предикатов  со через несложных преобразований приводятся к так называемой ой дизъюнктивной форме, форме так снедать представляются во виде набора дизъюнктов. При этом перед дизъюнктом понимается дизъюнкция литералов, дизъюнктов литералов каждый с которых является либо предикатом предикатом, либо отрицанием предиката. предиката Приведем притча дизъюнкта дизъюнкта: ∀x (P(x, c1) Q(x, c2)). Пусть P - отношение уважать, уважать c1 – А. Пушкин, Q - сказуемое знать,c знать 0 поэзию. Теперь настоящий дизъюнкт отражает быль "каждый, каждый каждый, который знает поэзию, уважает А. Пушкина". Приведем до этих пор безраздельно прообраз дизъюнкта: дизъюнкта ∀x (P(x, c1)& P(x, c2)). Пусть P - отношение знать, знать c1 - физика, c2 - история. Данный дизъюнкт отражает просьба "кто кто знает физику да поэзию одновременно". Таким образом, образом обстановка решаемых задач (факты) факты равно целевые утверждения задач (запросы) запросы дозволяется проявить во дизъюнктивной форме логики предикатов первого порядка. В дизъюнктах кванторы всеобщности ∀, ∃, обычно опускаются, а связки ⊃,, ¬, ∧ заменяются получи →импликацию. Главная мнение принципа принцип резолюции, наравне миропонимание вывода заключается в проверке того того, заключает ли уймища дизъюнктов R бессодержательный (ложный) ложный дизъюнкт. Обычно решение применяется вместе с прямым иначе обратным методом дизъюнкт рассуждения. Прямой схема с посылок A, A →B выводит мнение B рассуждения (правило правило modus ponens). Основной порок прямого метода состоит на его не 40 направленности: повторное приложение метода приводит ко резкому росту промежуточных заключений, безвыгодный связанных не без; целевым заключением. Обратный вывод является направленным: с желаемого заключения B равно тех а посылок он выводит новое подцелевое окончание A. Каждый акт вывода во этом случае связан век из сначала поставленной целью. Существенный недостаток метода резолюции заключается на формировании нате каждом шаге вывода множества резольвент - новых дизъюнктов, значительная с которых оказывается лишними. В взаимоотношения вместе с сим разработаны небо и земля модификации принципа резолюции, использующие побольше эффективные стратегии поиска и различного рода ограничения получи лицо исходных дизъюнктов. В этом смысле наиболее удачной равно популярной является построение ПРОЛОГ, которая использует специальные намерение дизъюнктов, называемых дизъюнктами Хорна. Процесс доказательства методом резолюции (от обратного) состоит из следующих этапов: 1. Предложения alias аксиомы приводятся ко дизъюнктивной нормальной форме. 2. К набору аксиом добавляется непризнание доказываемого утверждения в дизъюнктивной форме. 3. Выполняется совместное уполномочивание сих дизъюнктов, во результате чего получаются новые основанные сверху них дизъюнктивные выражения (резольвенты). 4. Генерируется мелочь выражение, означающее противоречие. 5. Подстановки, использованные про получения пустого выражения, свидетельствуют относительно том, зачем опровержение отрицания истинно. В методе резолюции режим комбинации дизъюнктивных выражений не устанавливался. Значит, про больших задач хорэ наблюдаться экспоненциальный умножение числа возможных комбинаций. Поэтому на процедурах резолюции большое авторитет имеют тоже эвристики поиска равно различные стратегии. Одна с самых простых равным образом понятных стратегий - стратегия предпочтения единичного выражения, которая гарантирует, который резольвента будет меньше, нежели наибольшее родительское выражение. Ведь на итоге мы должны нахватать выражение, неграмотный содержащее литералов вообще. Среди других стратегий (поиск во ширину (breadth-first), стратегия "множества поддержки", политика линейной входной формы) стратегия "множества поддержки" показывает отличные результаты близ поиске в 41 больших пространствах дизъюнктивных выражений. Суть стратегии такова. Для некоторого набора исходных дизъюнктивных выражений S не возбраняется указать подмножество T, называемое множеством поддержки. Для реализации этой стратегии необходимо, так чтобы одна с резольвент во каждом опровержении имела предка с множества поддержки. Можно доказать, что-то коли S неосуществимый ассортимент дизъюнктов, а S-T - выполнимый, так стратегия множества поддержки является полной на смысле опровержения. Исследования, связанные не без; доказательством теорем да разработкой алгоритмов опровержения резолюции, привели ко развитию языка логического программирования PROLOG (Programming in Logic). PROLOG основан на теории предикатов первого порядка. Логическая утилита - сие набор спецификаций во рамках формальной логики. Несмотря бери то, что-то во настоящее время обособленный авторитет языков LISP да PROLOG снизился равно около решении задач ИИ все чище используются C, C++ равным образом Java, тем не менее многие задачи да разработка новых методов решения задач ИИ продолжают прислониться получи и распишись языки LISP и PROLOG. 5.3. ДОСТОИНСТВА И НЕДОСТАТКИ МЕТОДОВ ПОИСКА РЕШЕНИЙ В ПРОСТРАНСТВЕ СОСТОЯНИЙ Приведем упражнения задач, ради решения которых могут применяться методы поиска во пространстве состояний. 1. Комбинаторные задачи. Классический экземпляр - теорема о коммивояжере (п. 0.4). Состояния задаются списком городов, операторы соответствуют действию: обратиться на починок А, обратиться во городец В, ..., направиться во место N. Критерий преимущества цели: что ни попадя описание, начинающееся равно оканчивающееся городом А равно перечисляющее по сию пору другие города, убирать обрисовка состояния, удовлетворяющего поставленной цели. Данная вопрос допускает отыскивание оптимального решения, так как дугам могут быть приписаны стоимости (длина пути) перехода изо одного города на другой. Данная урок мирово представима во графической форме (карте расстояний), что равным образом делает ее удобной на применения методов поиска во пространстве состояний. Считается, что-то средство поиска на пространстве состояний применим при числе городов до самого 00. К данному классу задач важнецки сводятся практически любые одно-критериальные задачи лабиринтного типа. 2. Задачи синтаксического анализа. При работе  со языками (естественными alias искусственными) задаются грамматика построения правильных выражений (строк символов - слов, предложений, выражений) в 42 данном языке и, следовательно, приём определения принадлежности произвольной строки символов ко этому языку. Тогда уймища состояний задачи синтаксического анализа может взяться задано как бы куча строк (слов). Начальное равно целевое состояния определяются какими-то фиксированными словами во алфавите сего языка. Операторы могут бытовать заданы на виде правил переписывания типа: д 0 ж → ц 0 ж, идеже подстрока В может являться заменена подстрокой 0. Эти мировоззрение могут выражать, например, синтаксис рассматриваемого языка. Критерий цели про этой задачи может бытийствовать задан строкой, количество символов которой совпадает из ровно по символов целевого слова. Пример задачи такого типа: вроде название «море» обновить на название «рыба» путем замены получай каждом шаге одной буквы. Очевидно, в чем дело? быть большом числе правил переписывания дворянин пространства состояний становится слишком большим. 3. Задачи распределения. Здесь известно: границы продукции каждого типа; величина поставок, которые должны оказываться осуществлены во заданные пункты. Необходимо отыскать такое разделение поставок, около котором, например, затраты бери перевозки, были бы минимальны. Состояния описываются списком величин избыточной продукции, которая нет перевода во заданных пунктах. Операторы соответствуют передаче избытка продукции с одного пункта в другой. В качестве критерия может бытийствовать взято целевое состояние, рядом котором будут удовлетворены постоянно заявки нате поставку требуемой продукции. Типичная задача линейного программирования. 4. Задачи управления типа: надлежит перебросить вещь управления с начальными значениями установленных параметров процесса на состояние, при котором сии размер будут заключать заданные значения. Задача об обезьяне и бананах является типичной задачей сего класса. Возникает вопрос, от случая к случаю но пристало приспособлять описанные тогда методы поиска на пространстве состояний? Для каких классов задач сии методы применимы да могут подать эффективные решения? Во-первых, сие должны существовать задачи, на которых такое представление возможно равно является естественным. Это означает, сколько к выбранной задачи необходимо отрыть образ описания любых потенциально возможных состояний предметной области, назначить избыток операторов (ключевых операторов про метода разбиения задачи держи подзадачи), от через которых эта предметная земля может превышать с одного состояния на другое, определить критериум актив цели. 43 Во-вторых, чтобы сих задач безграмотный существуют сиречь неизвестны методы, которые были бы больше эффективны. Таким образом, я допускаем, в чем дело? одна и та но урок может дерзать да другими методами, так объединение каким-то своим особенностям тож соображениям сии методы представляются нам лучшими. Если найден успешный средство представления задачи, животрепещуще также, чтобы пространство состояний было малограмотный жирно будет большим. Существует множество примеров задач, кажущихся трудными, да таких, ась? быть правильной их трактовке соответствующие пространства состояний оказываются очень узкими. Подчас площадь состояний «сжимается на точку» в дальнейшем того, как обнаруживается, что-то некоторые люди операторы могут состоять выброшены за ненадобностью, а остальные - объединены на паче мощные операторы. И аж если такие простые преобразования неосуществимы, может оказаться, аюшки? полная переформулировка задачи, изменяющая само мысль состояния, приведет к меньшему пространству. Таким образом, засада поиска хорошего представления имеет важнейшее значение. Поиск его постоянно опирается на специфику задачи, использует ее кардинальным образом. Это означает, что способ представления издревле носит редкий характер, по части сути, является особым искусством и, следовательно, не факт ли существуют какие-то единые правила поиска хороших представлений. Во всех рассмотренных нами классах задач, пользу кого решения которых обычно применяются методы поиска во пространстве состояний, цифра свойств объектов предметной области да отношений в ряду ними, служащих в рассуждении сего основой для распознавания ситуаций, век небольшое. Например, во задаче коммивояжера использовались: характерная черта «Иметь имя», а во качестве связи - расстояние между каждыми двумя городами. Очевидно, зачем возле увеличении числа свойств, отношений да их значений размерность пространства состояний бросьте быстро возрастать таким образом, аюшки? использование переборных методов станет практически нереализуемым. В этой рычаги во искусственном интеллекте развивались да другие, более универсальные, модели представления знаний (МПЗ) об задаче. Общие требования для МПЗ не грех высказать следующим образом. 1. Необходимы способы представления знаний что до задаче, безразличные к содержанию (смыслу) самих знаний. Это позволит приспосабливать сии способы для представления знаний на любых предметных областях про решения задач. 2. Эти способы должны пользоваться конструкция логического анализа, позволяющий фасонировать человеческую логику выработки решений на выбранных моделях представления знаний. 44 3. Эти способы должны выносить решение задачи, которые известными формальными моделями равным образом методами невыгодный решаются на маза вместе с их нестрогостью и нечеткостью. Первое иск означает, зачем дело смысла (содержания) знаний заменяется проблемой синтаксического их представления. Второе требование предполагает допустимость разделения самих знаний равно механизмов их логического анализа. Третье зов предполагает возможность формализации опытного (экспертного) знания, накапливаемого специалистами различных предметных областей равным образом имеющего доброкачественный (а не количественный) характер. Именно из таким знанием безвыгодный могут подвизаться все известные формальные математические модели. Таким образом, приходим к необходимости разработки равным образом применения неформальных моделей знаний. Вопросы равным образом упражнения 1. Назовите основные направления исследований, проводимые на области ИИ, охарактеризуйте их. 2. Как вас понимаете числитель «пространство состояний»? Как оно выглядит присутствие игре на шашки? 3. Как создать честный да перевернутый подыскание во глубину? 4. Как создать неприкрытый равно возвратный розыск на ширину? 5. Графовое мнение пространства состояний, равно как оно выглядит, его актив да недостатки. 6. Как выглядит участок состояний быть игре на «крестики-нолики» (5 х 0)? 7. Рассмотрим 0 фишек, которые могут двигаться получай закраина изо 0 клеток. Одна клетушка остается пустой, где-то аюшки? фишки не возбраняется перемещать равным образом извлекать их различные конфигурации. Цель зрелище - отрыть такую последовательность перемещений фишек на пустую клетку, которая привела бы ко рано заданной целевой конфигурации. Постройте площадь состояний на этом случае. 8. Постройте другие состояния пространства состояний в целях зрелище в «пятнашки». Пятнадцать перенумерованных фишек размещены нате край изо 06 клеток. Цель зрелище такая но - сыскать такую цепь перемещений фишек на пустую клетку, которая привела бы для предварительно заданной целевой. 45 Лекция 0. Методы представления знаний на интеллектуальных информационных системах 6.1 Особенности интеллектуальных систем равным образом систем искусственного интеллекта 6.2 Основные методы равным образом модели представления знаний 6.2.1 Логическая манекенщица представления знаний 6.2.2 Продукционная модель 6.2.3. Фреймы 6.2.4. Семантические сети 6.1. Особенности интеллектуальных систем равно систем искусственного интеллекта Все системы искусственного интеллекта являются системами, базирующимися бери знаниях. Основными свойствами таких систем являются следующие. 1. Раздельное запасание знаний, представленных во символьной форме и компонентов обработки сих знаний. Проведение четкой величина между знаниями самими согласно себя да формальными системами интересах их представления и обработки является обязательным ради понимания основополагающей концепции обработки знаний. 2.Системы могут действовать выводы равным образом предполагать решения бери основании сохраненной информации, которая представляется во системах неграмотный явно, однако органически свойственна сим системам. 3. Системы обладают способностью для пояснениям, т.е. должны состоять в состоянии, по части требованию выгнать для того пользователя понятную равным образом ясную для него цепочку рассуждений (например: шагов резолюции). 4. Способность для обучению, которая подразумевает, например, способность судить новые ученость получи основании информации, полученной от пользователя (информация об удаче либо — либо неудаче прошедшего сеанса работы с программой). Интеллектуальные теория разделяют следующие типы представленных знаний. 1. Специфические интересах данной области умственный багаж эксперта: • «статистическая депо знаний», сформированная быть проектировании системы; • фабула остается неизменным быть использовании системы; • отклонение может через обучения системы. 2. Факты – ученость в отношении специальных случаях: 46 • пополняются после число отсчетов ввода знаний пользователем вот сезон работы с системой. 3. Промежуточные равным образом окончательные результаты получаются посредством осуществления выводов получи и распишись основании имеющихся знаний. Принято различать следующие уровни представления знаний: 1) точка пользователя - проблемно-ориентированный; 2) уровень, ориентированный сверху реализацию программной системы „tool“ – ориентированный (знания, представленные сверху языке программирования системы); 3) системный уровень (биты) имманентный системе (внутрикомпьютерное представление). Для организации осмысленного диалога средь человеком равно компьютер и автоматизации решения интеллектуальных задач на процессе управления интеллектуальным производственным комплексом необходим специальный язык программирования ИИ – язычище представления знаний. Этот язычина должен быть удобным средством формулировки заданий, представления знаний, поиска планов да принятия решений. Он обязан равным образом выделить системе управления интеллектуальным производственным комплексом не без; элементами искусственного интеллекта необходимую основу для логических умозаключений. Благодаря талант мыслить держи своем внутреннем языке формул учение управления сможет вычислять многие интеллектуальные задачи на самом высоком уровне. В соответствии из этим, чесалка представления знаний для того систем ИИ должен удовлетворять следующим требованиям. 1. Обработка знаний, выраженных на качественной форме. Демонстрация связи посредь элементами описываемой задачи да нашим собственным представлением равно пониманием описываемой предметной области. 2. Логическое снятие новых знаний с набора фактов равно правил. Язык ИИ долженствует доставить способ рассуждения об абстрактных описаниях классов, объектов да состояний. Для сего порядок должна иметь своей отличительной чертой правилами, которые позволяют ей деять логические выводы, исходя изо имеющихся фактов. 3. Отображение общих принципов, одинаково от конкретными ситуациями. Введение использования переменных, путем которых осуществляется обобщение. Переменные позволяют проецировать конкретные ситуации на общие понятия. 47 4. Передача сложных семантических значений, которая должна осуществляться вслед счет: - использования семантических отношений к описания причинных связей среди событиями да описания взаимодействия равным образом способов соединения частей чего-либо, а вот и все представления необходимых планов решения с помощью последовательности элементарных действий, которые должны быть выполнены во определенном порядке; - использования механизма наследования – сие инструмент представления таксономической (классифицированной) структурированной информации, что гарантирует, что такое? однако руки и ноги класса обладают общими свойствами. 5. Рассуждение держи метауровне. «Осведомленность системы об своих знаниях» - сие паче превысокий ярус знаний, называемый - метазнаниями. Метазнания необходимы про проектирования равно адекватного описания интеллектуальных систем. Интеллектуальная порядок (ИС) должна неграмотный токмо испытывать предмет, она должна тоже знать, что-то возлюбленная обладает знаниями насчёт предмете. ИС должна быть способна принимать решение задачи равным образом разъяснять сии решения. ИС должна растолковывать свои знания по образу на конкретных, что-то около равным образом на обобщенных терминах, справляться их ограничения да проходить на процессе взаимодействия не без; миром. Проблемно-ориентированные запас сведений могут составлять представлены двумя способами. 1. Декларативное (дескриптивное) представление. Идея представления знаний базируется получи принципе того, в чем дело? познание не запрещается рассматривать независимо через того, во вкусе оно полноте обрабатываться. Знание да методы его обработки будут толково отделены корешок ото друга. При этом данному способу представления свойственны следующие особенности: - получение знаний сконцентрировано получи и распишись содержании; - хранение всего лишь единовластно в один из дней напротив тому, зачем применение осуществляется на различных контекстах; - небо и земля «модели» могут фигурировать обработаны одной да пирушка но машиной вывода; - возможна разновидность базы знаний вне побочных эффектов; - дрянный эффективной обработки. 2. Процедуральное (императивное) представление. Идея процедурального представления знаний подчеркивает грань их обработки. При этом, к представляемым знаниям будут присоединены навыки об их обработке 48 (метазнания) откровенно сиречь неграмотный неприкрыто и, таким образом, сверх указанное четкое отделение, которое типично декларативному представлению склифосовский затерто. Особенностями такого представления являются: - эффективная обработка; - плохая тож по существу отсутствующая шанс чтения, редактирования или — или интерпретации знаний. 6.2. Модели представления знаний Необходимость обработки знаний аппаратными равно программноаппаратными средствами нуждается на уточнении понятки «знание». Понятие знание неграмотный имеет какого-либо исчерпывающего определения. Под знаниями (предметными знаниями) будем уразумевать такую категорию информации, которая представляет внешне итог фактов да описаний сущностей предметной области от самоочевидно заданными отношениями (количественными или качественными, детерминированными или вероятностными) в кругу ними. Знания классифицируют получи категории, во частности, на зависимости от присутствия явных признаков причинности (поверхностные, глубинные, метазнания (знания об знаниях)), взгляда получи взаимоотношения на семиотической (знаковой) системе (синтаксические, семантические, прагматические), их предназначения на программе (декларативные (фактические), процедурные, управляющие). Поверхностными (экстенсиональными) знаниями представляются факты объективной реальности – отдельные связи в лоне конкретными сущностями иначе говоря их свойствами. Глубинными (интенсиональными) знаниями выражаются причинно-следственные связи между фактами и закономерностями объективной реальности. Если рассматривают типы глубинных знаний, ведь их именуют метазнаниями. Обычно они необходимы для поддержки управления базами знаний. Синтаксические запас знаний – кредо образования равным образом преобразования сущностей равно отношений посредь ними случайно ото их содержания равно смысла. Семантические познания определяют интенция сущностей да отношений между ними. Прагматические ученость описывают сущности да связи в обществе ними с точки зрения их пользователей (толкователей, интерпретаторов). Декларативные ученость – структурированное инструкция во программе утверждений, связанных со свойствами да сущностями предметной области с 49 явно заданными отношениями среди ними, да дефиниция правил, обеспечивающих приобретение знаний с сих утверждений. Процедурные ученость – операторы программы – определяют действия, обеспечивающие присутствие решения задачи. В частности, во память интеллектуальной информационной системы могут бытийствовать занесены неспециализированные процедуры и оперирующая ими одна специализированная процедура. Управляющие багаж – ассортимент стратегий вывода, обеспечивающий альтернативную случай перехода около неудачном выводе решения от одной стратегии для другой. Использование знаний на системах автоматической обработки информации во вкусе компьютерных информационных объектов определило переход с баз данных для базам знаний равным образом построению систем от использованием обоих типов информации. С базой знаний непрерывно связаны такие понятия, как «модель представления знаний» (МПЗ) да «язык представления знаний» (ЯПЗ). Модель представления знаний - семейство структур представления знаний равно механизма вывода получи и распишись их основе содержащихся либо новых знаний. Перечень реальных моделей, применяемых во системах ИИ, многообразен и тяжко классифицируем. Большинство моделей на реальных системах являются гибридными равным образом не без; больший степенью эвристик. В современной теории интеллектуальных систем наибольшее продвижение получили следующие языки модели представления знаний (рис. 0.1) [1]: 1) чесалка исчисления предикатов первого этак (логическая модель); 2) семантические иначе говоря когнитивные сети; 3) фреймы; 4) продукционные правила. На рис.6.1 представлена классификационная таблица как никогда известных моделей представления знаний. 50 Рис.6.1. Классификационная элемент моделей представления знаний Современные модели представления знаний ориентированы на последовательный умозаключение (логическая (логическая МПЗ, МПЗ семантическая сеть, сеть фреймовая и ли объектная, объектная вероятностная сеть, сеть продукционная, продукционная нечеткая) нечеткая да параллельный вывод (нейросетевая). Рис. 0.2. Соотношение декларативных равно процедуральных компонентов в моделях представления знаний При этом надлежит отметить отметить, что-нибудь применяемые декларативные (дескриптивные) дескриптивные фигура представления знаний не раз расширяются следовать счет процедуральных (императивных императивных) компонентов (рис. рис 0.2). 51 6.2.1. Логическая шаблон представления знаний Все предметы, взаимосвязи, перипетии равным образом процессы, составляющие основу необходимой ради решения задачи информации, называют предметной областью. Для представления математического навыки пользуются формальными логическими языками – исчислением высказываний и исчислением предикатов 0-го порядка. Эти языки имеют ясную формальную семантику, равным образом с целью них разработаны формальные методы логического вывода. Описания предметных областей, выполненные во логических языках, называют логическими моделями. Логические модели представления знаний во ИИС являются формальными логическими моделями, основанными для классической теории исчисления предикатов 0-го порядка, от случая к случаю предметная страна описывается во виде набора аксиом. Реализация логического представления знаний во ЭС используется в основном, на логических системах дедуктивного (с фиксированным механизмом вывода) равно индуктивного (с механизмом вывода, конструируемом получай основании обучающих примеров) типов. К достоинствам систем, поддерживающих логические модели, следует отнести: простоту объяснения системой выполняемых этапов процесса обработки информации; достижимость изъятия, ввода равно изменения информации в БД равным образом БЗ пользователем непрограммистом; способ создания универсальной системы, совсем нечего делать настраиваемой сверху конкретную предметную область порядком заполнения БЗ необходимым набором правил. В промышленных экспертных системах применяются различные модификации логических моделей, круглым счетом на правах подсчитывание предикатов 0-го порядка в них утилитарно никак не используется ради большого увеличения времени поиска решения времени подле упорядочивании большого числа логических правил. Создание логической модели, основывается получи формальной теории S, образованной четырьмя множествами: S={ B, F, A, P}, где B – футарк системы (например, культурный изо символов либо объектов различной формы, природы). С ними связана некоторая процедура, позволяющая вслед за узколобо количество шагов найти градус принадлежности произвольного элемента для алфавиту. F – много правил не так — не то формул теории, как один человек которым из элементов алфавита В формируются по совести построенные конструкции 52 А (выражения сиречь объекты). Для F существует операция проверки правильности их получения. Для логической модели F задает синтаксис. А – выделенное обилие зараньше заданных правильных конструкций (априорно истинных формул), именуемых аксиомами. Декларируется, что имеется операция установления приборы ко аксиомам ряда создаваемых правильных выражений иначе объектов. P – куча правил формального вывода (конечное количество отношений между формулами), позволяющих увеличить куча конструкций вслед за счет имеющихся. Если нет перевода единая акция установления выводимости любой правильной конструкции, так считается, зачем формальная построение разрешима. Посредством Р задается семантика. Реализация логического представления знаний на ИИС возможна в логических системах дедуктивного (с фиксированным механизмом вывода) и индуктивного (с механизмом вывода, конструируемом бери основании обучающих примеров) типов. В большинстве случаев основой логических моделей, обеспечивающих декларативное просьба знаний, служат исчисления предикатов первого и второго (в них поведение кванторов существования (∃) равным образом общности (∀) распространяются что сверху переменные, таково равным образом получи предикатные символы) порядков. Средства исчисления предикатов позволяют модернизировать их в форму, удобную с целью автоматической обработки символьной информации, логически извлекать новые данные равно кредо с некоторого заданного набора и устанавливать достоверное событие полученной информации. Это обусловлено тем, что одни логические связки во предложении могут присутствовать выражены помощью другие. 6.2.2. Продукционная модель Продукционная имитация позволяет вообразить запас сведений на виде продукционных правил, т.е. предложений (правило-продукция) типа: «Если А<условие>, так В<действие>, постусловие С». В качестве «условия » выступает предписание – образец, за которому осуществляется отыскание во базе знаний, а около «действием» - действия, выполняемые близ успешном исходе поиска. Продукционное статут во общем случае представляется на виде: i : S; Р; A → B; С, где i - факс продукции; S - показ класса ситуаций, на котором сия структура может использоваться; Р – условие, около котором данная продукция 53 активизируется; А→В – главное продукции (например, «ЕСЛИ А1,А2,…,Аn, ТО В»); С – постусловие продукционного правила, определяющее действия, которые никуда не денешься свершить за выполнения В. Таким, образом, продукционная моделирующее устройство представления знаний – это модель, основанная в правилах – продукциях. Любое продукционное правило, содержащееся на базе знаний, состоит из двух частей: антецедента равным образом консеквента. Правило продукции представимо в виде. pi : si → di , где pi - начало продукции; si - антецедент – представляет связь применения правила pi равно состоит изо элементарного предложения; di - консеквент - включает одно иначе порядочно предложений, соединенных логическими связками И, ИЛИ (определяет итог применения мировоззрение pi). В зависимости с количества условий равно действий на соответствующих перечнях различают следующие типы правил: простое – одно ограничение равно одно действие, составное – целый ряд условий равным образом действий, фиксирующее – много условий равно одно действие, разветвляющееся – одно контракт равно бесчисленно действий. Примеры продукционных правил: ЕСЛИ «идет дождь», ТО «надо возьми хоть зонт». ЕСЛИ «небо покрыто тучами» И «идет дождь», ТО «надо жениться зонт». Продукционные модели основываются в продукционной системе Поста, предложенной интересах формальной замены последовательностей символов. Системы обработки знаний, использующие такое понятие получили название продукционных систем. В количество интеллектуальной системы такого подобно входят: депо правил, рабочая мнемозина (база фактических данных) равным образом программа правил, реализующий определительный приспособление логического вывода. Существует неуд подобно продукционных систем – вместе с прямыми равно обратными выводами. Прямой нравоучение реализует стратегию ото фактов для заключению, а обратный – ото гипотез вероятных заключений, которые либо подтверждаются, либо отсутствует фактами, поступающими во рабочую память. В информационном пространстве подыскание решения положено подряд во соответствии с принятой стратегии. Продукционная форма применяется на промышленных экспертных системах, круглым счетом по образу ее достоинством является легкость представления знаний и организация логического вывода. 54 Продукционные модели (наряду  со фреймами) являются наиболее распространенными средствами представления знаний (особенно в промышленных экспертных системах), приближенно во вкусе обеспечивают простоту смысловой интерпретации, модульность, посильность корректировки да логического вывода. Применение продукционных правил способствует «прозрачности» экспертной системы, т.е. ее данные для объяснению принятых решений и полученных результатов. Недостатками продукционных моделей являются трудности рядом добавлении правил, зависящих ото сделано имеющихся во базе знаний, а как и рядом отладке программ. 6.2.3. Фреймы Фреймы – сие фрагменты знания, предназначенные в целях представления стандартных ситуаций. Фрейм (англ. frame – рамка, каркас) – именованная статическая информационная структура, используемая пользу кого фиксации стереотипной ситуации, т.е. дающая целостное мысль об объектах, явлениях равным образом их типах во виде абстрактных образов к представления стереотипа восприятия. Структура фрейма представляется во виде: N : {<S1,V1.P1>,...,<Sk,Vk,Pk>,...,<Sn,Vn,Pn>}, где N - кличка фрейма; <Sk,Vk,Pk> (k=1,...,n) – слот; Sk – титул слота; Vk – значение слота; Pk– процедура. Часто структуру фрейма либо подсак фреймов изображают соответственно подсетью равным образом сетью ориентированных графов. В первом случае маковка графасоставляющая фрейма, а дуги (ребра) – отношения, фиксируемые в лоне его составляющими. Во втором случае во вершине раздел размещается фрейм, а дуги между вершинами отражают отношения, устанавливаемые среди фреймами. Различают двушник будто именованных фреймов: 1) образец – модель (фрейм, описывающий обобщенную (базовую) ситуацию во предметной области либо ее части), хранящейся во базе знаний. Фрейм – оригинал дозволяется полагать вроде интенсиональное описание некоторого набора фреймов – экземпляров (в определенной степени фреймпрототип модель класса объектно-ориентированной методологии). 2) образец - экземплярчик (иногда называемый термином «фрейм-пример»). Он создается во процессе работы фреймовой системы в целях отображения реальной ситуации. Фрейм-пример – экстенсиональное мысль фрейма – 55 прототипа (в определенной степени по образу и подобию объекта класса объектноориентированной методологии). Обобщенно образец представляется структурой вида: (ИМЯ ФРЕЙМА: (имя 0-го слота: важность 0-го слота), (имя 0-го слота: важность 0-го слота), … (имя n-го слота: авторитет n-го слота)). ) Внутренние равным образом внешние особенности фреймов обеих типов задаются значениями встроенных равно пользовательских именованных слотов (или шпаций). Указатели наследования показывают, какую информацию об атрибутах слотов с верхнего уровня наследуют слоты вместе с одинаковыми именами на данном фрейме. Слоты – сие именованные структурные слои фрейма, заполнение которых приводится для тому, что-то структура ставится на корреспонденция некоторой ситуации, явлению, объекту сиречь процессу. В пределах фрейма название слота уникально. Имена фреймов равным образом слотов обеспечивают интерпретируемость хранящихся во фреймах значений. Фреймы имеют качество вложенности, т.к. значениями слота могут состоять имена слотов сильнее глубокого уровня. Фрейм имеет иерархическую структуру: нате верхнем уровне располагаются фиксированные характеристики ситуации, бери последующих уровнях (в где-то называемых «слотах» - отсеках) – уточняющая да конкретизирующая информация. Значениями слотов могут присутствовать приказы вызова процедур пользу кого активизации программ возьми основе имеющихся значений. С фреймами посредством слоты связываются внешние равным образом внутренние процедуры. Процедура слышно присоединенной, неравно во слоте задан штучка с процедурным типом данных да качество вместе с его значением. Значением процедурного атрибута является отчество процедуры не без; параметрами и возвращаемыми значениями тож без участия них. Во фреймовых экспертных системах различают двойка как присоединенных процедур: процедуры-демоны да процедуры-слуги. Процедуры-демоны предназначены ради оперирования всего на пределах фрейма-экземпляра, т.е. сие процедуры, подключенные для структуре данных и запускаемые держи совершение возле появлении запроса иначе говоря обновлении 56 информации во структуре. Те демоны, которые вычисляют есть такие значения по запросу, называются демонами в области требованию. Процедуры–слуги – (в языках объектно-ориентированного программирования подобные процедуры называют методами или — или функциями – членами) запускаются по мнению запросу, поступающему через слота своего либо другого фрейма. Программная отпуск фреймов да фреймовых сетей возможна как посредством универсальных объектно-ориентированных равно компонентных языков программирования, что-то около да языков фреймовых систем. 6.2.4. Семантические сети Основная концепция подхода ко представлению знаний, основанных в аппарате семантических сетей, состоит во том, в надежде осматривать предметную область как круг сущностей (объектов) равным образом (отношений) связей посреди ними. Способ представления знаний  со через сетевых моделей больше всего недалек к тому, по образу они представлены на текстах получи естественном языке. В его основе лежит понятие касательно том, в чем дело? все необходимая рэнкинг может являться описана как совокупность троек ( aRb ), идеже а равно b – объекты сиречь понятия, а R – бинарное отношение в ряду ними. В общем случае, семантическую подсак допускается инвентаризировать формально множеством вида: H={ I, C, R}, I – пропасть сущностей, изображаемых на яма узлами (вершинами), C – комбинация типов связей, отношений либо ассоциаций, допустимых между сущностями, изображаемых дугами (ребрами) в обществе узлами I. R – имеющиеся связи в обществе сущностями, принадлежащие L. Таким образом, семантическая сетевая образец знаний – это ориентированный граф, вершины которого – убеждения (объекты предметной области), а дуги – отношении в лоне ними. Сетевая моделирующее устройство может оказываться задана да на виде H=< I, C1 ,…, Cn, R>, где I – обилие информационных единиц, С1 ,..., Сп – избыток типов связей между элементами I , изображение R задает посередь информационными 57 единицами, входящими на I, рычаги изо заданного набора типов связей {Сi }. В зависимости через типов связей {Сi } различают: Классифицирующие яма — во них используются отношения структуризации, они позволяют подключать на базы знаний различные иерархические взаимоотношения в кругу элементами множества I. Функциональные волокуша – вычислительные модели, характеризующиеся наличием функциональных отношений, они позволяют растолковывать процедуры вычислений одних информационных единиц вследствие другие. Сценарии – на них используются каузальные связи (причинноследственные иначе говоря устанавливающие внушение одних явлений сиречь фактов на другие), а как и взаимоотношения типов «средство – результат», «орудие – действие» и т. д. Если во сетной модели допускаются рычаги различного типа, в таком случае ее называют семантической сетью. Семантические недотка Куиллиана систематизируют функции отношений между понятиями из через следующих признаков: • множество-подмножество; • отношений «сходства-различий»; • пространственных отношений; • временных отношений ; • количественных отношений; • функциональных связей; • атрибутивных связей; • логических связей. Систематизация отношений семантической узы является сложной задачей, зависящей с специфики знаний предметной области. Семантические сети получили широкое рассылка на системах распознавания речи и экспертных системах. Необходимость структуризации семантических сетей привела ко появлению концепции фреймов. Недостатком семантических сетей равно фреймов в духе моделей знаний является отсутствие универсальной процедуры их обработки, а равным образом сложность организации процедур поиска вывода, что-нибудь может дать толчок ко неэффективному использованию ресурсов вычислительной техники. Вопросы равным образом равным образом упражнения 1. Дайте нахождение понятию «знание». 2. Чем принципиально отличаются «знания» через «данных»? 3. Какими основными свойствами должны располагать трест знаний? 58 4. Приведите модель внутренней интерпретации знаний. 5. Как записывается простейшая информационная единица? 6. Что такое «слот»? 7. Какова строение фрейма? 8. Что такое процесс – шуликун равно присоединенная процедура? 9. Почему силок называется семантической? 10. Что содержат процедурные знания? 11. Что содержат декларативные знания? 12. В нежели заключается тезис активности? 13. Что представляет на лицо продукционная модель? 14. Как организован дедукция получи продукциях? 15. Перечислите методы представления знаний. 16. Дайте означивание формальной системе. 17. Какими свойствами характеризуется формальная система? 18. Попробуйте скомпилировать семантическую ахан для того следующих фраз: а) И веют древними поверьями Ее упругие шелка, И шляпища не без; траурными перьями, И на кольцах узкая рука. б) Транзистор – электронный прибор, имеющий три равным образом больше электрода и выполняющий операции усиления, генерирования равным образом преобразования электрических колебаний. в) Идет молодой ко теще, а у нее поуже молодая сидит разнаряжена, и дары помоны стоят, равным образом мать жены солнечный напиток подносит ко зятю, да тысяцкому, равным образом поежанам. г) Московиты настаивают бери том, в надежде всё-таки крепости, взятые Вашим Величеством, до сей времени вместе были возвращены их Великому князю. Лекция 0. Методы представления знаний. Нечеткие множества да нечеткие выводы 7.1.Виды нечеткости знаний 7.2 Нечеткие модели 7.2.1 Нечеткие множества 7.2.2 Основные характеристики нечетких множеств 7.2.3 Операции надо нечеткими множествами 7.2.4 Нечеткие отношения 7.3 Нечеткая равным образом лингвистическая переменная 7.4 Нечеткие выводы В лекции рассматриваются методы представления равно обработки нечетких знаний возле разработке интеллектуальных информационных систем. Приведены основные понятия, определения используемые на теории нечетких множеств. 59 7.1. Виды нечеткости знаний При анализе исследуемой сложной системы я часто разбиваем ее на более мелкие системы, осуществляя тем самым ее декомпозицию, т.е. разбиение возьми больше мелкие части. Выделение сих частей (подсистем) определяется целями исследования да нашими представлениями относительно полной системе. Анализ выделенной подсистемы производится вместе с учетом ее отношения с другими подсистемами. Точное дефиниция сих связей тяжко и, как правило, осуществляется не без; использованием либо своих собственных представлений об сих связях, либо рядом помощи экспертов. При этом информация относительно границах анализируемой подсистемы почасту случается выражена в понятиях, имеющих нечёткий содержание из точки зрения классической математики. Эта рэнкинг носит односторонний характер, равно ее представление на естественном языке то и знай имеет большое количество неопределенностей типа “много”, ”мало”, "ближе", "дальше" равным образом т.п., которые далеко не имеют аналогов во языке традиционной математики. Разработка аппарата учета нечётких представлений подле исследовании сложных систем связана не без; именем американского математика Л.А.Заде. В 0965 г. возлюбленный предложил этак называемую теорию нечётких множеств, которая предлагалась во качестве состояние математического моделирования неопределенных понятий. Смысл термина расплывчатость многозначен. Все нечеткости, имеющие место на инженерии знаний, для настоящему времени дозволяется разложить сообразно полочкам по следующим признакам: - нечёткость, прокол либо неустановленность информации; - недетерминированность процедур вывода решений; - многозначие интерпретации; - неустойчивость данных; - убогость информации; - несоответствие знаний. Недетерминированность процедур вывода решений характерная черта большинства систем искусственного интеллекта. Недетерминированность означает, почто заране стезя решения конкретной задачи во пространстве ее состояний назначить невозможно, т.е. в наличии неустранимая компонента нечеткости знаний. Для решения таких задач используют эвристические алгоритмы, использующие эвристические метазнания (знания об знаниях). 60 Многозначность интерпретации – сие обычное изображение во задачах распознавания образов. Ненадежность данных – означает, что-нибудь для того оценки их достоверности нельзя пустить в ход бинарную шкалу (0 – недостоверные запас сведений равно 0 – абсолютно достоверные). Неполнота информации – убогость знаний. Абсолютно полных знаний не бывает, затем что ход умственный багаж бесконечен. Неточность знаний – долженствует изо того, что-то количественные данные (знания) могут фигурировать неточными, около этом существуют количественные оценки такой неточности (доверительный интервал, ступень адекватности, уровень значимости равным образом т.д.). 7.2. Нечеткие модели В сегодняшний день миг наблюдается интенсивное оборот аппарата нечетких множеств равным образом нечеткой логики интересах создания интеллектуальных информационных систем равным образом промышленных средств автоматизации (обычно на базе интеллектуальных да гибридных контроллеров). Построение нечетких моделей знаний ориентировано возьми использовании логических структур и продукционный подступ присутствие известных функциях принадлежностей нечетких. 7.2.1. Нечеткие множества Значительный предприятие на направлении развития теории нечетких множеств сделал ученый Калифорнийского университета Лотфи А. Заде (1965 г. издание работы “Fuzzy Sets”). Заде расширил соображение множества, допустил, что характеристическая занятие (функция оборудование элемента множеству) может полагать любые значения во интервале [0, 0]. Такие множества были названы им нечеткими (fuzzy). Пусть Е – универсальное множество, х – штука Е, Р – некоторое свойство. Обычное (четкое) пропасть А универсального множества Е, элементы которого удовлетворяют свойству Р, определяются что множество упорядоченных пар А={µ А ( х) / х} , где µ А (х) - характеристическая функция, принимающая значимость 0, если бы х удовлетворяет свойству Р, да 0 – во противном случае. Нечеткое уймища А универсального множества Е определяется как множество упорядоченных мгла  со функцией приборы µ А (х) , 61 принимающей авторитет во некотором упорядоченном множестве М (например, М=[0, 0]. Функция обстановка указывает стадия (или уровень) принадлежности элемента х подмножеству А. Множество М называют множеством принадлежностей. Если М={0, 0},то нечеткое множество А может рассматриваться в духе обычное или — или четкое множество. 7.2.2. Основные характеристики нечетких множеств Рассмотрим основные характеристики нечетких множеств. Если с целью любого x ∈ E занятие обстановка µ A ( x)=0 , ведь нечеткое множество пусто. Величина sup µ A ( x ) называется высотой нечеткого множества А. x∈ E Если µ A ( x)=1 - нечеткое куча нормальное. Если µ A ( x) ≤ 0 - нечеткое обилие субнормально. Непустое субнормальное вагон дозволяется нормализовать по мнению формуле: µ A ( x)= µ A ( x) sup µ A ( x) x∈E Нечеткое масса достаточно унимодально, разве µ A ( x)=1 хорош всего лишь на одном элементе. Носителем нечеткого множества называется обычное совокупность со свойством µ A ( x) > 0 да обозначается SuppA={x | µ A ( x) > 0} Точка перехода множества А – азбука x ∈ E, с целью которых µ A ( x)=0.5 О методах построения функций обстановка нечетких множеств. Для построения функции оборудование нечеткого множества используют два основных типа: прямые да косвенные методы. Как правило, прямые методы задания функции принадлежности используются с целью измеримых понятий, таких как бы скорость, время, расстояние, давление, жар да т.д., либо если выделяются полярные значения. Во многих задачах рядом характеристике объекта дозволено обособить сверток признаков и пользу кого каждого с них найти полярные значения, соответствующие значениям функции принадлежности, 0 иначе 0. Косвенные методы определения значений функции принадлежности используются во случаях, эпизодически несть элементарных измеримых свойств, через которые определяется интересующее нас нечеткое множество. Как правило, это 62 методы попарных сравнений. Если бы значения функций оборудование были нам известны, например, µ A ( xi )=wi , i=1,2,K, n , ведь попарные сравнения можно представить матрицей отношений A={aij } , идеже a ij=wi / w j .(операция деления). 7.2.3. Операции по-над нечеткими множествами Приведем основные операции надо нечеткими множествами. 1. Включение Пусть А равно В нечеткие множества бери универсальном множестве Е. А содержится во В, ежели ∀x ∈ E µ A ( x) ≤ µ B ( x) . Обозначается А ⊂ В. 2. Равенство А да В равны, даже если ∀x ∈ E µ A ( x)=µ B ( x) . Обозначение: А=В. 3. Дополнение Пусть М=[0,1], А да В дополняют дружок друга, когда ∀x ∈ E µ A ( x)=1 − µ B ( x) . Обозначается В=А либо — либо А=В . 4. Пересечение наименьшее нечеткое подмножество, содержащееся А∩ В одновременно на А да В: ~ µ ( x) . µ А ∩ В ( х )=min (µ A ( x ), µ B ( x ) )=µ A ( x ) ∧ B 5. Объединение А ∪ В - наибольшее нечеткое подмножество, включающее наравне А, эдак да В, с функцией принадлежности: ~ µ ( x) . µ А∪ В ( х)=max(µ A ( x), µ B ( x) )=µ A ( x) ∨ B 6. Разность А - В=А ∩ В от функцией принадлежности: µ А− В ( х)=min(µ A ( x),1 − µ B ( x)). 7.2.4. Нечеткие отношения Нечеткое n-мерное касательство определяется равно как нечеткое подмножество R сверху Е, принимающее приманка значения на М. В случае n=2 равным образом М=[0,1] нечетким отношением R среди множествами Х=Е1 да Y=Е2 достаточно носить имя функция R: (X, Y) → [0,1], которая ставит на корреспонденция каждой паре элементов (x,y) ∈ X ×Y величину µ R ( x, y ) ∈ [0,1] . Обозначение: x ∈ X , y ∈ Y : xRy . Алгебраические операции по-над нечеткими отношениями аналогичны операциям вместе с нечетким множествам. 63 Композиция (свертка) двух нечетких отношений. Пусть R1 – нечеткое отношение R1: (X x Y) →[0,1] посередь X равным образом Y, да R2 – нечеткое соотношение R2: (Y x Z) →[0,1] посередь Y да Z. Нечеткое касательство в обществе X равно Z обозначается R1●R2 и определяется как [ ] ( ( µ R1 • R2 ( x, z )=V µ R1 ( x, y) ∧ µ R2 ( y, z )=max min µ R1 ( x, y), µ R2 ( y, z ) y )) , где отображение V - обозначает операцию выбора наибольшего по мнению y значения и y называется (max-min)-сверткой отношений R1 равным образом R2. 7.3 . Нечеткая равно лингвистическая переменная Понятие нечеткой равно лингвистической переменных используется при описании объектов равным образом явлений вместе с через нечетких множеств. Нечеткая аргумент характеризуется тройкой (α, Х, А), где α - маркировка переменной; Х - универсальное пропасть (область определения α); А - нечеткое много держи Х, описывающее ограничения (т.е. µ A ( x) ) на значения нечеткой переменной α. Лингвистической переменной (ЛП) называется набор (β, Т, Х, G, M), где β - обозначение лингвистической переменной; Т - много ее значений (терм-множество), представляющих собой наименования нечетких переменных, областью определения каждой с которых является масса Х. Множество Т называется базовым терм-множеством лингвистической переменной; G - синтаксическая процедура, позволяющая резать элементами терммножества Т, на частности, будить новые термы (значения). Множество Т ∪ G(Т), идеже G(Т) воз сгенерированных термов, называется расширенным терм-множеством лингвистической переменной; М - семантическая процедура, позволяющая оборотить каждое новое значение лингвистической переменной, образуемое процедурой G, на нечеткую переменную, т.е. выковать соответствующее нечеткое множество. Или, другими словами, лингвистическую переменную допускается распатронить как пятерку (β, Т(β), Х, G, M), где β - заглавие лингвистической переменной; 64 Т(β) – базовое терм-множество лингвистической переменной β, т.е. множество названий лингвистических значений переменной { T1, T2, …, Tn}, на брата из которых соответствует нечеткая аргумент α вместе с областью определения на виде универсального множества Х; G - синтаксическое правило, порождающее значения лингвистической переменной; М - семантическое правило, которое ставит во годность каждой нечеткой переменной α ее квинтэссенция т.е. нечеткое совокупность универсального множества Х. 7.4. Нечеткие выводы Системы нечеткого вывода предназначены на преобразования значений входных переменных процесса управления на выходные переменные нате основе использования нечетких правил продукций. Для сего системы нечеткого вывода должны обнимать базу правил нечетких продукций равным образом реализовывать нечеткий умозаключение заключений сверху основе посылок иначе говоря условий, представленных в форме нечетких лингвистических высказываний. Основными этапами нечеткого вывода являются: 1. Формирование базы правил систем нечеткого вывода. 2. Фаззификация входных переменных. 3. Агрегирование подусловий во нечетких правилах продукций. 4. Активизация не в таком случае — не то сочинение подзаключении на нечетких правилах продукции. 5. Аккумулирование заключений нечетких правил продукций. 6. Дефаззификация. В экспертных равно управляющих системах приспособление нечетких выводов в своей основе имеет базу знаний, формируемую специалистами предметной области на виде совокупности нечетких предикатных правил вида: П1: даже если х кушать А1, в таком случае y принимать В1, П2: когда х поглощать А2, так y очищать В2, … Пn: кабы х вкушать Аn, ведь y вкушать Вn, 65 где х – входная переменная, y – аргумент вывода, А равно В – функции принадлежности, определенные получи х равно y соответственно. Знания эксперта А→В отражает нечеткое причинное отношение предпосылки равно заключения, оттого его называют нечетким отношением: R=А→В, где «→» - нечеткая импликация. Отношение R дозволительно считать что нечеткое множество прямого произведения Х × Y полного множества предпосылок X да заключений Y. Таким образом, слушание получения (нечеткого) результата вывода В′ из использованием данного наблюдения А′ да значения А→В позволительно увидеть во виде В′=А′● R=А′●( А→В). Общий необходимо следующий выведение дозволительно в свой черед приводить в исполнение равным образом вслед за четверка этапа. Алгоритм нечеткого вывода 1 Нечеткость (фаззификация, fuzzification). Функции принадлежности, определенные на входных переменных, применяются ко их фактическим значениям ради определения степени истинности каждой предпосылки каждого правила). 2 Логический вывод. Вычисленное значение истинности для предпосылок каждого взгляды на вещи применяется для заключениям каждого правила. Это приводит для одному нечеткому подмножеству, которое короче назначено переменной вывода интересах каждого правила. В качестве правил логического вывода используются только лишь операции min (минимума) либо prod (умножение). 3 Композиция. Нечеткие подмножества, назначенные в целях каждой переменной вывода (во всех правилах), объединяются вместе, чтобы сформировать одно нечеткое множество для того каждой переменной вывода. При подобном объединении большей частью используются операции max (максимум) или sum (сумма). 4. Дефаззификация – преобразование ко четкости (defuzzification). Преобразование нечеткого набора выводов на число. 7.4.1. Основные алгоритмы нечеткого вывода Рассмотренные этапы нечеткого вывода могут присутствовать реализованы неоднозначным образом. Выбор конкретных вариантов параметров каждого из этапов определяет кто-то алгоритм, тот или другой во полном объеме реализует нечеткий выход на системах правил нечетких продукций. К алгоритмам, получившим наибольшее служба во системах нечеткого вывода относятся 66 следующие: алгорифм Мамдани, алгорифм Tsukamoto, алгорифм Sugeno, алгоритм Larsen равно примитивно-лобовой алгорифм нечеткого вывода. При решении практических задач нечеткого моделирования могут одновременно употребляться мало-мальски алгоритмов нечеткого вывода не без; целью получения самый адекватных результатов. Студентам предлагается самодостаточно от использованием литературы и конспекта лекций дебатировать ко экзамену основные алгоритмы нечеткого вывода, перечисленные выше. Вопросы равным образом упражнения 1.Назовите ожидание причин неопределенности на знаниях. Приведите собственные упражнения соответствующих случаев. 2. Какие цифра основных вопроса порождает расплывчатость на знаниях применительно для экспертным системам, построенным получай основе правил (систем продукций)? 3. В нежели существо понятки принадлежности? 4.В нежели принципиальное звезда формальной равным образом нечеткой логики? 5.Пусть E1 → C , E 0 → C , E3 → C - нечеткие высказывания соответственно Заде в поддержку заключения С, характеризуемые согласно степенями истинности ct1=0,5; ct2=0,2; ct3=0,4. Определите ряд истинности по логике Заде, неравно сии высказывания логически связаны в среде на лицо формулой (( E1 → C ) & ( E3 → C ) ∨ ¬( E 0 → C )) . Получилось ли у вам 0,8? 6. Могут ли взяться путано равносильными неэквивалентные кореш другу во четком смысле? формулы, логически Лекция 0. Методы представления знаний. Вывод заключений на логических моделях 8.1 Способы доказательства равно вывода на логике 8.1.1 Основные устав дедуктивного вывода 8.2. Логический вывод 8.2.1 Доказательство методом резолюции 8.2.2 Правило резолюции к термов теории предикатов 8.2.3. Унификация переменных Каждой модели представления знаний отвечает особый звякало представления знаний. Логическая форма основана получи и распишись системе исчисления предикатов первого порядка. В лекции рассматриваются методы вывода заключений в логических моделях, обыкновение резолюции чтобы термов теории предикатов. 67 8.1. Способы доказательства да вывода на логике В основу вывода заключений изо имеющихся фактов alias гипотез в логических моделях положены приемы, получившие наименование «доказательство теорем возьми основе резолюции». Метод резолюции позволяет управиться со многими проблемами, осложняющими коллекция правил вывода. Чтобы воспользоваться приемами решения задач получи и распишись основе резолюции (они будут рассмотрены вверх сильнее детально), предложения исчисления предикатов в несколько этапов приводят ко упрощенному виду записи, называемому «клаузальной формой» (от англ. сlause – утверждение, предложение). Процесс упрощения охватывает снятие выражения с кванторов да сокращение его к списку предикатов, соединенных связкой ИЛИ. 8.1.1. Основные взгляды на жизнь дедуктивного вывода Простейшим видом рассуждений является добыча изо одного или нескольких высказываний нового высказывания. Из высказываний A1, A2, ..., An следует замечание В , разве В несомненно всегда, рано или поздно истинны A1, A2, ..., An. Исходные высказывания называются посылками, а новое предложение В заключением (следствием). Возможность вывода заключения с посылок обеспечивается логической связью в обществе ними. Проверить правильность вывода изо посылок позволяется логическими средствами - вне обращения к непосредственному опыту. Истинные не без; точки зрения логики выводы формируются применением правил логического следования (правил вывода). Обычно они записываются в виде A1, A2, ..., An → B или — или на виде дроби A1, A2, ..., An B Логический мораль – сие на общем случае многоэтапный эксплуатация перехода от посылок для заключениям равным образом а там ото полученных заключений в духе новых посылок – ко новым заключениям. В зависимости с наличия промежуточных шагов рассуждения делятся держи непосредственные да опосредованные. С другой точки зрения они классифицируются на: • дедуктивные (от общего ко частному); • индуктивные (от частного ко общему); • сообразно аналогии (от частного для частному). 68 Дедуктивные рассуждения обладают наибольшей (строгой) доказательностью, а рассуждения в соответствии с аналогии – наименьшей. Cформулируем устав дедуктивного вывода ради высказываний, которые находятся для паче высоком уровне абстракции соответственно сравнению не без; суждениями. Наиболее известными изо сих правил являются следующие: 1. Modus Ponendo Ponens: «Если истинна импликация А→В равно А истинно, то В истинно». 2. Modus Tollendo Tollens: «Если истинна импликация А→В равным образом В ложно, то А ложно». 3. Modus Ponendo Tollens: «Если А заправду равно логическое произведение А&В имеет результатом ложь, ведь В ложно». 4. Modus Tollendo Ponens: «Если А искаженно равно дизъюнкция A∨B истинна, то В является истиной». На основе сих правил сформулировано начало «цепного заключения», весьма удобное интересах вывода во системе исчисления высказываний. 5. Цепное заключение: «Если истинна импликация А→В да истинна импликация В→С, ведь импликация А→С является истинной». 8.2. Логический вывод Проблема доказательства во логике состоит на нахождении доказательства формулы B (заключения), разве предполагается истинность формул A1, ..., An (посылок). Мы записываем сие на виде A1, A2, ..., An |=B. Основной манера решения этой проблемы следующий. Записываем посылки равно применяем кредо вывода, воеже заразиться изо них иные истинные формулы. Из сих формул равным образом исходных посылок выводим последующие формулы равным образом продолжаем данный работа перед тех пор, все еще далеко не короче получено нужное заключение. Рассмотрим нынешний вывод. Два классических кредо вывода были открыты ахти давно. Одно из них носит латинское обозначение modus Рonens (модус Поненс или — или сокращение посылки). Его допускается зачислить следующим образом: A, A ⇒ B |=B. Второе статут (цепное) позволяет изобразить новую импликацию с двух данных импликаций. Можно положить сверху бумагу его следующим образом: A ⇒ B, B ⇒ C |=A ⇒ C. 69 Доказательство из введением допущения. В этом да следующих разделах речь пойдет что до трех стратегиях доказательства. Первая называется введения допущения. Для доказательства импликации вида A ⇒ B допускается, зачем левая часть A истинна, т.е. A принимается во качестве дополнительной посылки, и делаются попытки привести доказательства правую часть, B. Этот схема нередко применяется во геометрии. Например, при доказательстве равенства боковых сторон треугольника, у которого углы при основании равны, допускается, что-нибудь сии углы равны, а кроме сие используется в доказательстве равенства сторон. Приведение ко противоречию. При построении выводов далеко не всегда целесообразно дожидаться появления искомого заключения, не мудрствуя лукаво применяя правила вывода. Именно такое зачастую случается, в некоторых случаях я делаем предположение B для доказательства импликации B ⇒ C. Мы применяем цепное закон да модус Поненс ко B равным образом другим посылкам, воеже на конце заразиться C. Однако можно пойти по части неправильному пути, равным образом о ту пору склифосовский доказано бездна предложений, большинство изо которых никак не имеет взаимоотношения для нашей цели. Этот средство носит название откровенный волны равно имеет тенденцию поднимать лавину промежуточных результатов, ежели его предрешить чтобы компьютера равно малограмотный ограничить глубину. Другая реальность - утилизировать одну с приведенных выше эквивалентностей да попытаться, например, мотивировать ¬C ⇒ ¬B взамен B⇒C. Тогда пишущий сии строки пусть ¬C равно попробуем фундировать ¬B. Иными словами, допускается, ась? вывод C (правая пакет исходной импликации) неверно, и делается старание ниспроверчь посылку B. Это позволяет развиваться на правах бы назад ото конца для началу, применяя миропонимание так, сколько былое решение играет роль посылки. Такая образование поиска может самое лучшее показать, какие результаты имеют позиция для делу. Она называется поиском ото цели. Можно эксплуатнуть в свою очередь комбинацию сих методов, называемую приведением для противоречию. В этом случае интересах доказательства B ⇒ C мы допускаем вдруг B равно ¬C, т.е. предполагаем, зачем мнение ложно: ¬(B⇒C)=¬(¬B∨C)=B ∧ ¬C. Теперь наша сестра можем складываться равно прежде всего с B, да взад через ¬C. Если C выводимо изо B, то, допустив B, автор сих строк доказали бы C. Поэтому, допустив ¬C, мы получим противоречие. Если а пишущий сии строки выведем ¬B с ¬C, ведь тем самым получим противоречие от B. В общем случае наш брат можем влиять вместе с обеих концов, выводя некоторое внушение P, двигаясь вперед, равно его отречение ¬P, 70 двигаясь назад. В случае удачи сие доказывает, что-то наши посылки несовместимы иначе говоря противоречивы. Отсюда ты да я выводим, почто дополнительная посылка B∧¬C должна бытийствовать ложна, а следовательно обратное ей утверждение B⇒C истинно. Метод приведения ко противоречию многократно используется в математике. Например, на геометрии наш брат можем допустить, что такое? углы при основании некоторого треугольника равны, а противолежащие стороны не равны, равным образом испробовать показать, ась? рядом этом да углы должны существовать безграмотный равны, или выудить до сейте поры какое-то противоречие. 8.2.1 Доказательство методом резолюции Правило резолюции следующее: X ∨ A, Y ∨ ¬A |=X ∨ Y. Оно позволяет нам объединить двум формулы, удалив изо одной малость A, а из другой ¬A. Сравним сие начало вместе с ранее известными нам: цепное правило: ¬X ⇒ A, A ⇒ Y |=¬X ⇒ Y, модус Поненс: A, A ⇒ Y |=Y. Правило резолюции не грех испытывать наравне род цепного взгляды на вещи в применении для формулам, находящимся во конъюнктивной нормальной форме. Правило норма Поненс равным образом дозволительно расчислять частным случаем правила резолюции ради случая ложного X. Чтобы воспользоваться узаконение резолюции, будем функционировать следующим образом. Используем основание с противного равно допускаем отрицание заключения. 1. Приводим безвыездно посылки равным образом отпирательство заключения, принятое во качестве дополнительной посылки, ко конъюнктивной нормальной форме. а) Устраняем символы ⇒ да ⇔ от через эквивалентностей A⇔B=(A⇒B)∧(B⇒A), A⇒B=¬A∨B. б) Продвигаем отрицания в середину вместе с через закона мол Моргана. в) Применяем распределительность A∨(B∨C)=(A∨B)∧(A∨C). 2. Теперь каждая передача превратилась на конъюнкцию дизъюнктов, может быть, одночленную. Выписываем кажинный дизъюнкт из новой строки; все дизъюнкты истинны, что-то около на правах логическое произведение истинна в соответствии с предположению. 71 3. Каждый дизъюнкт - сие дизъюнкция (возможно, одночленная), состоящая изо предложений равным образом отрицаний предложений. Именно для ним применим метод резолюций. Берем любые двойка дизъюнкта, содержащие единодержавно равным образом оный же атом, же из противоположными знаками, например, X∨Y∨Z∨¬P, X∨P∨W. Применяем норма резолюции да получаем X∨Y∨Z∨W. 4. Продолжаем сей процесс, доколь малограмотный получится P да ¬P ради некоторого атома P. Применяя резолюцию равно ко ним, получим несерьёзный дизъюнкт, выражающий противоречие, в чем дело? завершает резон через противного. В качестве примера рассмотрим улика соотношения P∨Q,P⇒R,Q⇒S |=R∨S. Приводим посылки для нормальной форме равным образом выписываем их нате отдельных строках. (1) (2) (3) P∨Q ¬P∨R ¬Q∨S Записываем ответ заключения равно приводим его для нормальной форме. ¬(R∨S)=¬R∧¬S ¬R ¬S (4) (5) Выводим незначительный дизъюнкт от через резолюции. ¬P из (2) равным образом (4) Q из (1) равно (6) ¬Q изо (3) да (5) пустой с (7) равным образом (8) (6) (7) (8) 72 8.2.2. Правило резолюции для того термов теории предикатов Фразовая платье логики предикатов - сие манера календарь формул, при котором употребляются исключительно связки ∧, ∨ равно ¬. Литерал - сие позитивная или негативная атомарная формула. Каждая предложение (или клауза) - сие множество литералов, соединенных символом ∨. Фразу позволяется трактовать как обобщение принципы импликации. Если A да B - атомарные формулы, ведь формула A⇒B может как и бытовать записана как B ∨ ¬A. Простейшая словоблудие заключает только лишь сам за себе литерал, одобрительный иначе негативный. Фраза  со одним позитивным литералом называется фразой (или клаузой) Хорна. Любая фразы Хорна представляет импликацию: так, например, D ∨ ¬F ∨ ¬E равносильно F∧E ⇒ D. Правило резолюции действует следующим образом. Две фраза могут быть резольвированы побратим не без; другом, если бы одна с них включает позитивный литерал, а другая - отвечающий требованиям неодобрительный литерал от одним равным образом тем же обозначением предиката равно одинаковым счетом аргументов, равным образом если аргументы обеих литералов могут взяться унифицированы (т.е. согласованы) друг с другом. Рассмотрим двум фразы: (1) P(a) ∨ ¬Q(b,c), (2) Q(b,c) ∨ ¬R(b,c). Поскольку вот фразе (1) содержится разносный литерал ¬Q(b,c), а во фразе (2) - равносильный одобрительный литерал Q(b,c) равно доводы обоих литералов могут существовать унифицированы (т.е. b унифицируется  со b, а c унифицируется вместе с c), так предложение (1) может существовать резольвирована от фразой (2). В результате сего стало скороговорка (3), которая называется резольвентой: (3) P(a) ∨ ¬R(b,c). Фразы (4) равно (5) неграмотный резольвируются кореш не без; другом, таково вроде аргументы литералов Q отнюдь не поддаются унификации: (4) P(a) ∨ ¬Q(b,c), (5) Q(c,c) ∨ ¬R(b,c). 73 8.2.3. Унификация переменных В логике предикатов ради применения взгляды резолюции предстоит осуществить паче сложную унификацию логических формул во целях их приведения для системе дизъюнктов. Это связано из наличием дополнительных элементов синтаксиса, на основном кванторов, переменных, предикатов и функций. Алгоритм унификации предикатных логических формул включает следующие шаги. 1. Исключение операций эквивалентности. 2. Исключение операций импликации. 3. Внесение операций отрицания в середку формул. 4. Исключение кванторов существования. Это может содеяться в шаге 3 из-за применения законов дескать Моргана. 5. Кванторы общности выносятся для первые места во формулах. Это также не век является аляповатый операцией, временами быть этом необходимо делать переименование переменных. 6. Раскрытие конъюнкций, попавших вовнутрь дизъюнкций. После выполнения всех шагов описанного алгоритма унификации можно применять статут резолюции. Обычно присутствие этом осуществляется отрицание выводимого заключения. Во фразовой форме безвыгодный употребляется явная квантификация переменных. Неявно, однако, совершенно переменные квантифицированы кванторами всеобщности. Так, вот фразе Q(x,y)∨¬R(x,y) подразумевается наличность кванторов: ∀x∀y (Q(x,y)∨¬R(x,y)). Если на качестве аргумента выступает переменная, ведь симпатия унифицируема с любой константой. Если на одной равно праздник а фразе аргумент встречается более одного раза равно каста аргумент на процессе резолюции унифицируется с константой, в таком случае резольвента склифосовский обеспечивать данную константу сверху тех местах, где рассматриваемая аргумент располагалась во исходной фразе. К примеру, фразы (6) P(a) ∨ ¬Q(a,b) (7) Q(x,y) ∨ R(x,y) резольвируемы, так как доводы литерала Q унифицируются. При этом переменная x унифицируется вместе с константой a, а аргумент y - не без; константой b. Обратите внимание, аюшки? в фразе (8), т.е. во резольвенте (8) P(a) ∨ ¬R(a,b), 74 переменные, служившие аргументами R изумительный фразе (7), об эту пору заменены константами. Утверждение 0. Любую формулу исчисления предикатов позволительно вызвать к конъюнктивной нормальной форме, т.е. препроводить во виде множества фраз. Вопросы равным образом упражнения 1.Определите концепция «логический вывод». 2. Перечислите основные мировоззрение дедуктивного вывода. 3.Какой внешность деловой дневник предложения называется «клаузальной формой»? 4. Дайте дефиниция дедуктивных равно индуктивных рассуждений. 5. В нежели заключается норма резолюции. 6. Какие шаги охватывает алгорифм унификации предикатных логических формул. Лекция 0. Методы логического вывода на продукционных системах 9.1 Механизм вывода во продукционной системе знаний 9.2 Стратегии управления выводом 9.3 Эвристические взгляды управления системой продукций 9.4. Достоинства равным образом нагота и босота системы продукций равно как модели представления знаний 9.1. Механизм вывода во продукционной системе знаний Идея продукций использовалась многими учеными. В работах Маркова А.А. машина подстановки является основным в целях уточнения формального определения понятки алгоритмической системы, получившей название нормального алгоритма Маркова. Идея продукций использовалась также Хомским около определении формальных грамматик (1963г.). В дальнейшем этот механизм получил широкое прохождение во языках символьного и логического программирования. Для того дай тебе «запустить» машину вывода присутствие наличии системы продукционных правил, очевидно, ась? необходимы следующие компоненты: − цель значений переменных, используемых на продукциях; − самочки правила-продукции, − уловка интерпретации правил. Значения переменных как правило задаются на в такой мере называемой рабочей базе данных – РБД (рабочая память) на виде набора конкретных фактов, формат которых согласуется вместе с форматом правил. Совокупность правил-продукций 75 является сердцем системы равным образом называется базой знаний иначе говоря правил (БЗ). Механизм интерпретации правил вроде единовременно равным образом является механизмом вывода (МВ). РАССМОТРИМ МЕХАНИЗМ ВЫВОДА В ПРОДУКЦИОННОЙ СИСТЕМЕ. Как долженствует с сказанного, лещадь продукционной системой (ПЭС) понимается совокупность: ПЭС=< РБД, БЗ, МВ > В каждом цикле интерпретации выполняется следующие процессы: - определяется много означиваний, т.е. выделяется сверток продукций БЗ равным образом фактов изо РБД, согласующихся посредь собой; - выполняются самочки означивания (сопоставления), т.е. выполнение указаний из правой части продукций (здесь в свою очередь могут бытийствовать самые различные варианты). Легко показать, ась? продукционные системы являются некоторым неформальным обобщения нормальных алгоритмов А.А. Маркова. Очевидно, что на продукционной модели совсем нечего делать просматриваются аналогии: РБД – не без; её через моделируются текущие состояния предметной области; БЗ – моделирующее устройство самой предметной области; МВ – имитация механизма принятия решений (вывода) – непосредственный аналог человеческим рассуждениям. Таким образом, распространенный алгорифм работы состоит из: - задания каким-либо образом модели текущего состояния предметной области (прямой диалог, моделирование, генерация, отыскание да т.д.); - интерпретации текущего состояния предметной области (т.е. РБД) получи и распишись БЗ и выработки вариантов решения; - выбора объединение какому-либо способу варианта решения равным образом выдачи его держи выход системы на пользователя; - изменения состояния модели предметной области (РБД), порядком выполнения действий равным образом процедур, рекомендованных во послесловиях. Управление процессом вывода состояния РБД равно безграмотный затрагивает БЗ. 76 осуществляется путем изменения 9.2. Стратегии управления выводом Это командующий составная часть ПЭС. Он определяет порядок применения правил да устанавливает имеются ли ещё материал во РБД, которые могут присутствовать изменены на продолжения работы. Основных стратегий две: "снизу-вверх" да "сверху- кверху ". Процесс управления состоит изо выполнения четырёх основных функций: сопоставления (образец идеология сопоставляется от имеющимися фактами в РБД); выбора (если во конкретной ситуации могут фигурировать применены сразу несколько правил, ведь с них выбирается больше всего подходящее в области заданному критерию. Это во случаях конфликтных ситуаций); срабатывания (если стандарт взгляды на жизнь присутствие сопоставлении совпал из какимлибо фактами изо РБД, ведь соответствующее постановление срабатывает); действие (РБД изменяется через добавления во неё заключения сработавшего правила. Если на правой части содержится ещё равно указания на какие-либо действия, так они выполняются настолько, елико сие возможно). В каждом цикле может срабатывать только лишь одно положение . Стратегия "снизу-вверх" осуществляется через ситуации ко цели. Алгоритм вывода ″снизу- вверх″: 1) определяется ситуация, на которой выполняется статья во условной части ( ЕСЛИ), да делается закономерно следующий следствие примирительно констатирующей части ( ТО); 2) заполученный выведение понимается в духе условие, создавание которого следует предуготовить за условной части другого взгляды на вещи равным образом т.д. В общем случае обычай рационально рядиться в тогу на виде графа-дерева. Если оно имеет небольшую толику условий (Pi) равно одно вывод (A), ведь эрл хорошенького понемножку иметь вид рис. 0.1. Правило может таить в себе равным образом сколько-нибудь заключений, да несколько действий. Очевидно, что такое? взгляды на жизнь могут встречаться средь собой по условиям: Рi I Рj=∅; по заключениям: Аi I Aj=А; по действиям: Di I Dj=D, равно т.д. 77 Рис. 0.1. Структура правила С учетом возможных пересечений депо знаний может присутствовать представлена древовидной структурой будто и/или - графа, которая куда мирово показывает связи посредь результатами вывода по части отдельным правилам (рис. 0.2), дужкой помечена взаимодействие как ″И″: Рис. 0.2. Древовидная состав пулька И/ИЛИ Вывод происходит ″снизу- вверх″. В случае подтверждений условий фактами БД осуществляется свеча для некоторому заключению, которое является условием вообще из заключениями до другим правилам интересах получения другого заключения побольше высокого уровня. В случае альтернативного развития вывода (″ИЛИ″) выполняется получение конфликтного набора правил, его разрешение от через метаправил да ″подъем″ далее. Данная стратегия вывода называется открытый иначе говоря стратегией ″от ситуации ко цели″. Вторая политика вывода – оборотная – "сверху-вниз" (или с ″цели к данным″, alias "от цели для ситуации"). Обратный следствие аналогичен прямому, но возникают дополнительные проблемы ограничения конфликтных наборов правил равным образом выбора алгоритма разрешения конфликтов. Есть равно иные проблемы, например, оценки условий на условной части. Все они решаются за разному в рамках соответствующих инструментальных систем продукционного типа. 78 Согласно алгоритму вывода "сверху-вниз", первоначально ищут совпадения имени цели из в какой-то степени ТО какого-либо правила. Соответствующее ей часть ЕСЛИ определяет следующее условие, за которому ищут совпадения  со частью ТО другого инструкция равным образом т.д. Процесс, таким образом, изволь с цели для ситуации. Обобщим обе стратегии вывода в продукциях. В обеих случаях алгоритм начинается из сопоставления исходной ситуации: на первом случае с условием (ЕСЛИ), кайфовый втором – из целью (ТО). В результате могут быть активизированы приёмом изрядно правил. Образуется "конфликтное множество", оно можно различными способами в соответствии с заданному критерию выбора. Рис. 0.3. Стратегия управления выводом получи продукциях Выбранное узаконение выполняется, который позволяет осуществить необходимые действия. Обобщенная политика показана в рис. 0.3. 9.3. Эвристические позиция управления системой продукций Несмотря бери ″прозрачность″ механизма вывода, во продукционных системах (ПС) возникает засада выбора, т.е. осложнение активизации правил. Этим занимается общественный порядок управления, являющаяся в какой-то степени всей машины вывода. Подходящих продукций во всякий пора времени может быть несколько, да после этого возможен одновременный вывод. В этом случае используется несколько эвристических принципов «упаковки» продукций во базе знаний. Перечислим особо популярные изо них. 1. Принцип ″стопки книг″. Наиболее почасту используемые продукции актуализируются первыми. Этот воззрение трезво применять, если продукции касательно независимы дружище через друга. 79 2. Принцип особенно длинного условия. Первыми выбирается продукция, у которой самый ″длинное″ контракт выполнимости ядра. Этот принцип целесообразен, при случае результат мирово структурированы за отношению ″частное-общее″. 3. Принцип метапродукций. В систему продукций вводятся специальные правила метапродукции, задачей которых является утверждение ситуаций в условиях конфликтного набора правил. 4. Принцип приоритетного выбора. На продукции вводятся статические или динамические приоритеты. Статические формируются априори, чаще всего на основе экспертных оценок. Динамические приоритеты вырабатываются в самом процессе функционирования ПС. С этой целью как правило строится некоторый обусловленный (причинный) прогноз движения, во вершинах которого задается выражение выбора текущий продукции изо подходящего набора. 9.4. Достоинства да нужда системы продукций наравне модели представления знаний Популярность продукционных моделей определяется несколькими факторами. 1. Подавляющая пакет человеческих знаний может составлять записана в виде продукций. 2. Системы продукций является модульными. За небольшим исключением выливание иначе говоря инкорпорация продукций малограмотный приводит для изменениям в основных продукциях. 3. При необходимости системы продукций могут материализовать любые алгоритмы и, следовательно, удобно отвращать что попало процедурное знание, доступное ЭВМ. 4. Наличие на продукциях указателей нате сферу применения продукций позволяет плодотворно образовывать память, сократив промежуток времени поиска во ней необходимой информации. Классификация сфер может присутствовать многоуровневой, что сызнова побольше повышает кпд поиска знаний, т.к. позволяет наследовать информацию насчёт базе знаний. 5. При объединении систем продукций равно сетевых представлений получаются средства, обладающие немаленький вычислительной мощностью. 6. Естественный параллелизм на системе продукций, неодновременность их реализации делают продукционные системы удобной моделью электронно-вычислительная машина новой архитектуры, во которой идеи параллельности да асинхронности является центральной. 80 Продукционные модели имеют, до крайней мере, неуд недостатка. 1. При большом числе продукции становится сложной проверка непротиворечивости системы продукций. 2. Из-за присущей системе недетерминированности (неоднозначного выбора выполняемой продукции изо множества активизированных продукций) возникают принципиальные невзгоды возле проверке корректности работы системы. Считается, в чем дело? неравно количество продукций достигает тысячи, так мало шансов того, который учение короче заведенным порядком функционировать. Вопросы равно упражнения 1. Что послужило теоретическим базисом к определения продукции? 2. Дайте нахождение понятки продукции да рассмотрите непохожие варианты правил. 3. Дайте в наибольшей степени совместный обличье продукционного правила, какие проблемы решаются от его помощью? 4. Каков станок вывода на системе продукций? 5. Какова фрейм продукционной системы равным образом возможные ее варианты? 6. В нежели сущность механизма сопоставления сообразно образцу? 7. Назовите основные эвристические правила, используемые к повышения эффективности вывода во системе продукций? 8. Что понимается подина конфликтным набором правил? 9. Каковы возможные взаимодействия посередь правилами? 10. Каковы добродетели да крайность продукционного представления знаний? Лекция 00. Принципы обработки информации равно дедукция вв семантических сетях 10.1. Структурирование знаний на семантической сети 10.2 Процедурные семантические сети 10.3 Вывод во семантических сетях 10.4 Достоинства равно бедность непокрытая семантических сетей В лекции рассматривается структурализация знаний на семантической сети равно процедуры их эффективного использования в целях реализации вывода. 10.1. Структурирование знаний во семантической сети В иерархической структуре понятий существует отношение отношений двух типов: «ЯВЛЯЕТСЯ» (IS-A) равным образом «ЧАСТЬ» (PART-OF). Иерархия показывает отношения включения понятия. Способ включения не возбраняется помянуть понятием 81 верхнего уровня, а метода удаления - понятием нижнего уровня. Экземпляр (instance) нижнего уровня охватывает на основном однако атрибуты, которые имеет экземпляр убеждения верхнего уровня (прототип). Это характер называется наследованием атрибутов посередь уровнями иерархии IS-A. Выражение PART-ОF показывает позиция «целое – часть». Этот способ отражает взаимоотношения в обществе экземплярами класса, вдобавок основная часть показывает внутреннюю структуру предиката. Семантическими сетями не грех вдобавок обличать знания, касающиеся атрибутов объекта. Используя взаимоотношения IS-A да PART-OF, позволено вывести факт, сколько вещь обладает определенной характеристикой либо — либо свойством. Другими словами, факт, объявляемый в целях вершин сверху верхнем уровне иерархической структуры, нате основе предпосылки, говорящей о справедливости его для того узлов нижнего уровня, показывает выполнимость вывода множества фактов не без; через взаимоотношения IS-A. Вывод такого подобно называется наследованием свойства, а росток IS-A называется ветвью наследования свойства. Вершины семантической козни по большей части показывают мира проблемной области, концепт, ситуацию равным образом т.п., а дуги - связи посреди ними. Большинство систем не без; семантическими сетями имеет унифицированную структуру употребительно ко факторам образ действий равно объекта по части отношению к некоторому концепту. Преимущества использования таковой структуры в вершинах путы заключаются на внутренние резервы наследования ожидаемых значений и значений по части умолчанию, которые являются значениями атрибута на вершине экземпляра. Большой проблемой, характерной для того семантических сетей, является наследование атрибутов в среде иерархическими уровнями. Другими словами, результат вывода, получаемого  со через семантической сети, отнюдь не гарантирует достоверность на правах закономерно вытекающий формализм. Это обусловлено тем, ась? процедура вывода в соответствии с определению безвыгодный побольше в духе юниорат свойств ветви IS-A. Вследствие сего требуются в свою очередь способы представления данных равно вывода, которые обеспечивали бы разом правление наследованием. 10.2. Процедурные семантические сети Для отражения иерархических отношений между точками соприкосновения концептов, а в свою очередь про установления связей в ряду узлами, показывающими концепты равно их экземпляры, используются взаимоотношения IS-A. Однако про четкого разграничения вершин концептов равно вершин экземпляров используются отношения вроде instance-of, ась? позволило обвести упомянутую выше трудность, связанную от наследованием. В целях введения единой семантики на семантической силок используют процедурные семантические сети. В этом случае ахан строится возьми основе 82 класса (понятия),- а вершины, дуги (отношения) равно процедуры представлены как объекты. Процедурами определяются следующие основные образ действий по-над дугами (связями): установление связи; аннулирование связи; подсчет числа вершин, соединенных заданной дугой; проверка наличия - отсутствия крыша в ряду заданными вершинами. Существуют равным образом процедуры, определяющие основные поступки над вершинами, например: определение экземпляра класса; аннулирование экземпляра; подсчет числа экземпляров, принадлежащих для классу; проверка вещи тип ко некоторому классу. Благодаря этим процедурам семантическими сетями позволено выказывать процедурные знания. 10.3. Вывод во семантических сетях Особенностью семантической путы (которая во в таком случае а пора является ее недостатком) заключается на целостности системы, выполненной в ее основе, не позволяющей раздробить БЗ да конструкция вывода. Обычно интерпретация семантической волокуша определяется не без; через использующих ее процедур. Эти процедуры основаны получи нескольких способах, однако особенно типический изо них сие метода сопоставления частей тенетный структуры. Он основан держи построении подсети, соответствующей вопросу, равно сопоставлении ее вместе с базой данных сети. При этом к исчерпывающего сопоставления  со БД вершинам переменных подсети присваиваются гипотетические значения. В семантических отношениях узлов да дуг семантической бредень никак не должно быть противоречий. Факты, во явном виде неграмотный содержащиеся на системе, могут быть, выведены из других знаний. В системах обработки естественного языка такие выводы обычно получают с известных знаний эпизодического уровня да глобальных знаний. Выводы на семантических сетях отличаются значительной полнотой, они скорехонько сравнимы из нестандартными выводами процедурного представления и имеют ясную концептуальную интерпретацию. Последовательное применение подобных правил вывода может дать повод для образованию так называемых «цепочек вывода», которые во отдельных случаях могут достигать значительной длины. Особый молодчик генерации вывода, используемый во семантических сетях, сие в такой мере называемый средство «распространяющейся активности равным образом техники пересечений. Этот рецепт играет важную дело во обработке контекстов. Процесс 83 осуществляется построением цепочек выводов возьми основе введенных высказываний закачаешься всех направлениях предварительно тех пор, на срок невыгодный обнаружится пересечение где-либо во сети. Предлагаемые методы подобны тем, почто используются на системах представления знаний нате базе логики предикатов: растягивание семантических сетей вслед отсчет введения на них знаний относительно применении; тематическая структуризация; предметно-ориентированная иерархия; исполнение глобальных схем представления, на которых использовались бы семантичекие сети, содержащие локальные знания. 10.4. Достоинства равным образом необеспеченность СС 1. Простота равным образом ясность описания. Однако не без; увеличением размеров сети имеет важное значение увеличивается промежуток времени поиска, теряется наглядность. 2. Открытость, позволяющая конкатенировать да видоизменять СС при необходимости. 3. По сравнению из логикой предикатов СС имеют важное преимущество: вся как следует известная сообщение расположена во базе знаний вокруг соответствующей вершины, т.е. фокусируется во одном месте. Это всё были достоинства. В качестве недостатков отметим: 1. Неоднозначность описания. 2. Отсутствие формального аппарата установления противоречивости описания. 3. Сложность внесения изменений. Основное занятие семантические тенета находят на системах обработки естественных языков, а в свою очередь во системах распознавания образов, во которых СС используются на хранения знаний об структуре, форме равным образом свойствах физических объектов. Создаются тенета не без; вершинами-продукциями, вершинами-фреймами. Вопросы равно упражнения 1. Дайте формулировка семантической сети. 2. Какие свойства отношений используются на СС? 3. Какие типы семантической козни ваша сестра знаете? 4. Какова устройство предикатной сети? Где используются такие сети? 5. Что понимается лещадь атрибутивной семантической сетью? Какова ее структура? 6. Как задается интенсионал семантической сети? 7. Как формируется экстенсиональная составляющая СС? 84 8. Каковы точка зрения организации вывода нате сетях? 9. Что понимается лещадь наследованием? Какие типы наследования вы знаете? 10.Как организуется мораль  со использованием правил? 11.Каковы совершенства равным образом необеспеченность семантических сетей? Лекция 01. Принципы обработки данных на яма фреймов 11.1. Вывод возьми фреймах 11.2. Процедуры - демоны да присоединенные процедуры 11.3. Взаимодействие фреймов да правил 11.4.. Вывод нет слов фреймовой системе В данной лекции рассмотрим обработку знаний на интеллектуальных системах не без; фреймовым представлением, а таково но вопросы взаимодействия фреймов да правил. 11.1. Вывод получи фреймах В интеллектуальных системах не без; фреймовым представлением знаний используются три способа управления логическим выводом: демоны, присоединенные процедуры да машина наследования. Прежде, нежели обсуждать вывод изумительный фреймовой системе, рассмотрим подробнее структуру данных фрейма. Фреймовая налаженность – сие иерархическая структура, узлами, которой являются фреймы не без; определенной структурой данных. 1. Имя фрейма – идентификатор, присваиваемый фрейму. Фрейм должен кто наделен имя, единственное на данной фреймовой системе (уникальное имя). Каждый образец состоит изо произвольного числа слотов, притом несколько из них нормально определяются самой системой в целях выполнения специфических функций, а прочие определяются пользователем. В их сумма входят слот, показывающий образец - батя данного фрейма; слот указателей дочерних фреймов, какой является списком указателей сих фреймов; слот ради ввода имени пользователя, даты определения, даты изменения, текста комментария и другие слоты. Каждый слот, во свою очередь, вот и все представлен определенной структурой данных. 2. Имя слота. Это идентификатор, присваиваемый слоту; слот должен иметь уникальное фамилия вот фрейме, для которому симпатия принадлежит. Обычно имя 85 слота неграмотный имеет дрянной семантический нагрузки равным образом является лишь только идентификатором данного слота, да на некоторых случаях оно может вмещать свой смысл. К таким именам относятся: отношение; курсор прямого дочернего фрейма; дата определения фрейма; число модификации фрейма да т.п. 3. Указатели наследования. Эти указатели касаются всего только фреймовых систем иерархического типа, основанных держи отношениях иерархического типа, основанных для отношениях «абстрактное - конкретное. Они показывают, какую информацию об атрибутах слотов изумительный фрейме верхнего уровня наследуют слоты с такими но именами кайфовый фрейме нижнего уровня. 4. Указатель вроде данных (атрибутов слотов). Указывается, почто слот имеет численное роль либо служит указателем другого фрейма (т.е. показывает прозвище фрейма). К типам данных относятся указатель, целый, действительный, булевый, присоединенная процедура, текст, список, таблица, выражение равно др. 5. Значение слота. Здесь вводится значительность слота. Значение слота должно совпадать вместе с указанным типом данных сего слота, выключая того, должно выполняться связь наследования. 6. Процедура - демон. Существуют следующие типы процедур - демонов: «ЕСЛИ-НЕОБХОДИМО», «ЕСЛИ-ИЗМЕНЕНО», «ЕСЛИ-ДОБАВЛЕНО», «ЕСЛИ-УДАЛЕНО». Демоном указывается процедура, автопилотом запускаемая возле выполнении некоторого условия, т.е. в некоторых случаях изменяет свое достоинство характерный признак в условной части «ЕСЛИ» утверждения в рассуждении состоянии демона. Процедуры -демоны активизируются возле каждой попытке добавления или удаления данных изо слота (по умолчанию). Демоны запускаются при обращении ко соответствующему слоту. Например, шуликун «ЕСЛИНЕОБХОДИМО» запускается, ежели во минута обращения ко слоту его значение не было установлено; «ЕСЛИ-ДОБАВЛЕНО» запускается рядом подстановке в слот значения; «ЕСЛИ-УДАЛЕНО» запускается близ стирании значения слота. Кроме того, овинник является разновидностью присоединенной процедуры. 7. Присоединенная операция (процедура - слуга). В качестве значения слота позволено пускать в дело программу процедурного типа, называемую служебной (в языке LISP) равно методом (в языке Smalltalk). В данном случае присоединенная сеанс запускается в соответствии с сообщению, переданному изо другого фрейма, тож рядом выполнении условий, определенных пользователем при создании фрейма. 86 Когда автор говорим, что-то во моделях представления знаний фреймами объединяются процедурные равно декларативные знания, так считаем равным образом присоединенные процедуры процедурными значениями. Кроме того, на языке представления знаний фреймами не имеется индивидуальный механизм управления выводом, вследствие чего читатель приходится продать данный механизм вместе с через присоединенной процедуры. 11.2. Процедуры - демоны равным образом присоединенные процедуры Как я сделано обсудили, фреймы обеспечивают нас структурированными и краткими средствами организации знаний. Однако, наша сестра ожидаем с ЭС действий интеллектуального помощника - автор требуем с нее невыгодный только лишь качеств хранителя знаний, так как и способностей для обработке равно проверке знаний, манипулирования ими. Для реализации способностей поступать необходимо, добавить нет слов фреймы присоединенные процедуры (методы alias слуги) и процедуры - демоны. Метод - сие процедура, присоединенная для атрибуту фрейма, которая выполняется какой есть раз, от случая к случаю ко ней обращаются. Большинство ЭС, основанных в фреймах, используют неуд вроде методов: «КОГДА-ИЗМЕНЕНО» И «КОГДА-НЕОБХОДИМО». Метод «КОГДАИЗМЕНЕНО» выполняется немедленно, в отдельных случаях изменяется роль его атрибута. Демон, на основном, имеет структуру «ЕСЛИ-ТОГДА». Эта процедура выполняется какой всего только есть раз, от случая к случаю описатель во условной части изменяет свое значение. В этом случае, демоны равным образом методы жуть схожи, равно сии двоечка термина часто используются наравне синонимы. Однако, методы лишше подходят, разве приходится инвентаризировать сложные процедуры. Демоны,  со прочий стороны, большей частью ограничены утверждениями «ЕСЛИ-ТОГДА». 11.3. Взаимодействие фреймов да правил Многие экспертные системы, основанные получи фреймах, на оценки информации, содержащейся на них, используют много правил. Каждое статут имеет структуру «ЕСЛИ-ТОГДА» да каждое правило соотносит данную информацию alias материал во своей части «ЕСЛИ» вместе с некоторым действие на своей части тогда. Исходя с этого, в отлучке существенных различий 87 между правилами, используемыми на ЭС, основанных возьми правилах да такими же правилами, используемыми на ЭС, основанных в фреймах. Однако, во системах, основанных получи и распишись фреймах распорядок то и дело используют предложения, сопоставляемые вместе с образцами. Эти предложения содержат переменные, которые используются с целью нахождения сопоставимых условий в среде всеми фреймамиэкземплярами. Как машина вывода работает на система, основанных сверху фреймах? Для этого полагается определить, в чем дело? вызывает сработка правил. В ЭС, основанных на правилах, уловка вывода соединяет правила, содержащиеся во базе знаний с данными на базе данных. Когда мета установлена, другими словами другими словами, когда ЭС получила инструкции предназначить значения пользу кого специфического объекта, механизм вывода осуществляет розыск на БЗ не без; целью нахождения правила, которое заключает проект на своей части «ТОГДА» (в консеквенте). Если такое узаконение найдено равным образом его антецедент (часть «ЕСЛИ») сопоставляется из данными на базе данных, обычай срабатывает и специфический мира получает своей значение. В системах, основанных сверху фреймах, вдобавок осуществляется сканирование цели или, другими словами, специфического атрибута, поперед тех пор, временно его значение не достаточно определено. В экспертных системах, основанных получи правилах, мишень определена для базы правил. В системах, основанных держи фреймах, устав играют вспомогательную роль. Здесь главным источником знаний являются фреймы, а процедуры методы равным образом процедуры демоны используются про добавления действий к фреймам равным образом установления равным образом определения цели. 11.4. Вывод изумительный фреймовой системе В рамках фреймового подхода предполагается, что такое? запас сведений на системе представляются на виде отдельных кластеров знаний, сиречь подструктур, содержащих весть относительно стереотипах (т.е. относительно некоторых общих характеристиках данного класса объектов иначе говоря ситуаций). Согласно данному предположению понимание ситуации пользу кого системы означает розыск на перечне накопленных структур такой, которая наилучшим способом описывала бы рассматриваемую ситуацию. При этом слоты заполняются некоторой информацией, и заполненный образец проверяется возьми идентичность данной ситуации. В случае несовпадения ищется недавний структура да работа продолжается. 88 Таким образом, дозволено распределить три основных процесса, происходящих во фреймовых системах: 1. изделие экземпляра фрейма. Для создания экземпляра фрейма необходимо откопать достойный структура равно набиться его слоты информацией, описывающей специфику рассматриваемой ситуации. Для того чтобы заполнить слоты используется специальная данные что касается том, на правах найти потенциальные «заполнители слотов». Эта уведомление много раз хранится в процедурной форме; 2. активирование фреймов. В волюм случае, когда-когда образец ходят слухи подходящим для описания данной ситуации, осуществляется его усиление глобальным процессом. Если обнаруживается чрезмерно беда сколько отличий содержимого фреймов с специфических особенностей рассматриваемой ситуации иначе говоря они носят достанет тяжкий характер, организуется развертка другого, более подходящего фрейма. При этом «отвергнутый» структура может содержать указания сверху то, какие прямо фреймы пристало протраливать на смену данного (например, сильнее общие иначе наоборот, паче специализированные). Часть данных, используемых про заполнения слотов «отвергнутого» фрейма, может быть использована быть рассмотрении новых кандидатов; 3. учреждение вывода, заключающаяся во последовательном поиске и активации во козни фреймов предварительно нахождения в наибольшей степени соответствующего фрейма и построения получи и распишись его основе экземпляра фрейма; Т. Виноград предложил дезинтегрировать изумительный фреймах преимущества декларативного да процедурного представления. Суть его предложения состоит в том, сколько знания, касающиеся функций непосредственного представления их с помощью фреймов, должны содержаться во декларативной форме, а навыки об использовании фреймов – на процедурной. В частности, процедуры могут содержать знания, позволяющие вверять ответ на следующие вопросы: 1. эпизодически активировать фрейм? Подобно «демонам фреймы могут активировать самочки себя во случае, кабы распознана соответствующая ситуация. 2. во каком случае считать, почто этот образец неадекватен ситуации равным образом что в этом случае делать? Фрейм был в состоянии бы, например, механично передать управление другому фрейму или — или деактивировать себя. 3. от случая к случаю исполнять забутовка слотов - на миг вызова либо — либо позднее, по мере необходимости? 89 Реализация сих функций может оказываться возложена получи и распишись присоединенные процедуры. Процедуры могут опять же отпускать эвристики, направленные на разыскивание необходимой пользу кого заполнения слотов информации. Вопросы да упражнения 1.Назовите способы управления логическим выводом на фреймовых системах. 2. Опишите свойства фреймовых моделей. 3.Опишите структуру данных фрейма. 4. Какие процедуры являются процедурами – демонами равно процедурами слугами? 5. Опишите фреймовую форма представления знаний на предметной области «Компьютерная безопасность» (средства равно способы ее обеспечения). 6. Построить конверсив представления знаний во предметной области «Разработка информационных систем» (ведение информационного проекта). Лекция 02. Интеллектуальные информационные системы, основанные на искусственных нейронных сетях 12.1 Основные проблемы, решаемые искусственными нейронными сетями 12.2 Биологический нервная клетка равным образом его математическая модель 12.3 Классификация да свойства нейронных сетей 12.3.1 Топология нейронных сетей 12.4 Персептрон 12.5 Достоинства равно бедность нейронных сетей как бы деньги на обработки знаний В данной лекции рассматривается основные положения теории нейронных сетей. Приводится их расположение равно свойства нейронных сетей, а также рассмотрены совершенства равно нагота и босота нейронных сетей на правах средства для обработки знаний. 12.1. Основные проблемы, решаемые искусственными нейронными сетями Искусственные нейронные силок (ИНС) строятся по мнению принципам организации равным образом функционирования их биологических аналогов. Такие сети предназначены ради решения широкого круга задач. Дальнейшее повышение производительности компьютеров до этого времени на большей мере связывают из ИНС, в 90 частности, из нейрокомпьютерами, основу которых составляет искусственная нейронная сеть. Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, нормально ассоциируемые с процессами человеческого мозга. Знания во сих структурах существуют в форме стабильных состояний либо — либо отображений, внедренных на сеть, которые могут составлять вызваны во отказ для поданные сигналы. Адаптируемые да обучаемые, они представляют из себя распараллеленные системы, способные ко обучению через анализа положительных и отрицательных воздействий. Элементарным преобразователем во данных сетях является деланный нейроцит сиречь просто-напросто нейрон, окрещенный беспричинно объединение аналогии с биологическим нейроном. Перечислим кое-кто проблемы, решаемые из через искусственных нейронных сетей равным образом представляющие заинтересованность на ученых да инженеров. Классификация/распознавание образов. Задача состоит на указании принадлежности входного образа (например, речевого сигнала не так — не то рукописного символа), представленного вектором признаков, одному либо нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, расположение клеток крови, распознание отпечатков пальцев, задачи рейтингования. Кластеризация/категоризация. При решении задачи кластеризации, которая известна равным образом во вкусе систематика образов «без учителя» отсутствует обучающая подборка вместе с метками классов. Алгоритм кластеризации основан на подобии образов равно размещает домочадцы образы во сам до себе кластер. Известны случаи применения кластеризации пользу кого извлечения знаний, сжатия данных и исследования их свойств. Аппроксимация функций. Предположим, зачем дано обучающая выборка (пары данных вход-выход), которая генерируется неизвестной функцией f(x), искаженной шумом. Задача аппроксимации состоит во нахождении оценки неизвестной функции f(x). Предсказание/прогноз. Пусть заданы п дискретных отсчетов в последовательные моменты времени t. Задача состоит во предсказании значения y(t) на какой-то намеченный минута времени t>n+ 0. Прогнозы имеют значительное возбуждение сверху акцепт решений во бизнесе, науке равным образом технике. Оптимизация. Многочисленные проблемы на математике, статистике, технике, науке, медицине да экономике могут рассматриваться равно как проблемы 91 оптимизации. Задачей алгоритма оптимизации является установление такого решения, которое удовлетворяет системе ограничений да максимизирует или минимизирует целевую функцию. Ассоциативная память. Содержимое ассоциативной памяти сиречь памяти, адресуемой по мнению содержанию, может бытовать вызвано за фрагменту или искаженному содержимому. Ассоциативная воспоминания полезна рядом создании мультимедийных информационных баз данных. А опять же симпатия является основой системы управления обучаемых мобильных роботов. Управление. Рассмотрим динамическую систему, заданную совокупностью {u(t), y(t)}, идеже u(t) является входным управляющим воздействием, a y(t) - выходом системы на секунда времени t. В системах управления  со эталонной моделью целью управления является счет такого входного воздействия u(t) присутствие котором порядок должно в области желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление двигателем. Все задачи, решаемые нейронными сетями, допускается поставить в рамки ко двум основным: • различение (классификация); • регрессия. Задача классификации заключается на формировании нейронной сетью в процессе обучения гиперповерхности на пространстве признаков, разделяющей признаки в классы. И выходы обученной нейронной узы соответствуют распознанному классу входного вектора (набора признаков). Задача регрессии заключается во аппроксимации нейронной сетью произвольной нелинейной функции. В этом случае важность функции снимается  со выхода нейронной сети, а входами являются аргументы. Существует теорема, доказывающая, который многослойный персептрон может аппроксимировать любую нелинейную функцию через п аргументов вместе с какой угодно заданной точностью. 12. 0. Биологический неврон да его математическая модель В нейронных сетях запас знаний содержатся во состояниях множества так называемых нейроподобных элементов (или просто-напросто нейронов) равным образом связей между ними. 92 Рис.12.1. Взаимосвязь биологических нейронов Биологический нервная клетка моделируется в духе устройство, имеющее несколько входов (дендриты), до которым на нейроцит поступают сигналы равно одинокий выход (аксон) чтобы передачи выходных сигналов данного нейрона другим нервным клеткам. В зависимости с конкретной реализации обрабатываемые нейроном сигналы могут существовать аналоговыми не так — не то цифровыми (1 тож 0). Дендриты идут с тела нервной клетки ко другим нейронам, идеже они принимают сигналы во точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся для телу нейрона. Здесь они суммируются, притом одни входы стремятся взвинтить нейрон, другие - расстроить его возбуждению. Когда суммарное подговаривание в теле нейрона превышает один порог, нервная клетка возбуждается, посылая по аксону клаксон другим нейронам, равным образом после того сие авторитет является аргументом активационной функции y нейрона. Будучи соединенными определенным образом, нейроны образуют нейронную сеть. Работа мережа разделяется бери просвещение да адаптацию. Перечислим следующие основные характеристики нейронных сетей: 1 - много простых узлов (процессоров, нейронов); 2 - конфигурация связей, представляющих синапсы; 3 - обычай распространения сигналов на нейронной сети; 4 - статут комбинирования входящих сигналов; 5 - начало выкладки сигнала (функции активации); 6 - кредо обучения, корректирующие связи. Таким образом, манекенщица искусственного нейрона представляет собой дискретно-непрерывный агрегат информации. 93 Формальная форма нейрона Мак-Каллока-Питтса, Мак Питтса, которая равно сейчас является особливо применяемым меняемым формализмом для того описания отдельного нейрона во нейронной сети, показана в рис.12. рис 2. Рис. 02.2. Формальная пример нейрона Мак-Каллока-Питтса Мак Питтса. Здесь xi звонок получи и распишись i-м м входе (синапсе синапсе) нейрона; нейрона ωi, - значение i-го го входа (синапса синапса) нейрона; нейрона у размер выработки нейрона; нейрона h - предельная возможность срабатывания нейрона нейрона. Модель Хопфильда – сие математическая имитация ассоциативной памяти на нейронной силок  со использованием устав Д. Д Хебба на модификации весовых коэффициентов коэффициентов. Это узаконение основано получи и распишись простом предположении предположении: если ли банан нейрона возбуждаются вместе вместе, ведь моченька сношения в лоне ними возрастает; возрастает если они возбуждаются порознь порознь, ведь дух отношения посредь ними уменьшается уменьшается. Заметим, абсолютное бсолютное вес весового коэффициента характеризует силу связи. Структура связей большей частью представляется представляется во виде продаваемый вразвес матрицы W, во которой любой ингредиент ωij представляет величину весового коэффициента пользу кого связи связи, идущей через элемента i для элементу j. Для описания структуры связей может применяться безграмотный одна, одна а небольшую толику весовых матиц матиц, если круги сгруппированы рованы во слои слои. Матрица является памятью сети, сети хранящей информацию об том, том как бы должна становиться явью задача задача. 12.3. Классификация равно свойства нейронных сетей В сегодняшнее промежуток времени существует большое различность моделей нейронных сетей. сетей Их различают по части структуре волокуша (связей связей средь нейронами нейронами), особенностям модели нейрона нейрона, особенностям обучения сети. сети По структуре нейронные недотка не возбраняется разобщить сверху неполносвязные (или слоистые) равным образом полносвязные олносвязные, со случайными равным образом регулярными связями, связями с симметричными равно несимметричными связями. связ 94 По используемым для входах равно выходах сигналам нейронные бредень можно разделить сверху аналоговые да бинарные. По моделированию времени нейронные путы подразделяются в яма с непрерывным равным образом дискретным временем. По организации обучения разделяют подготовление нейронных сетей с учителем (supervised neural networks) равно не принимая во внимание учителя (non-supervised). По способу обучения разделяют учение за входам равным образом соответственно выходам. По способу предъявления примеров различают презентация одиночных примеров да «страницы» примеров. 12.3.1. Топология нейронных сетей Нейронная подсак представляет на вывеску совокупная величина нейроподобных элементов, определенным образом соединенных побратанец вместе с другом равным образом из внешней средой не без; через связей, определяемых весовыми коэффициентами В зависимости с функции, выполняемых нейронами во сети, не запрещается обратить внимание три их типа • входные нейроны, • выходные нейроны, • промежуточные нейроны. С точки зрения топологии не запрещается выдвинуть получи и распишись стержневой план три основных типа нейронных сетей • полносвязные (рис.12.3, а), • многослойные сиречь слоистые (рис.12.3, б), • слабосвязные (с локалъными связями) (рис.12.3, е) 95 Рис.12.3 Архитектуры нейронных сетей: а – полносвязная сеть; бмногослойная козни из последовательными связями; во – слабосвязные сети. 12.4. Персептрон Систематическое освоение искусственных нейронных сетей было начато Маккалохом равно Питтсом на 0943 году. Позднее они исследовали нейросетевые парадигмы с целью распознавания изображений, подвергаемых сдвигам и поворотам, используя рядом этом нейронную модель, показанную для рис.12.4. Элемент ∑ умножает всякий ввод х1, нате достоинство w1 равным образом суммирует взвешенные входы. Если буква сложность более заданного порогового значения, появление равен единице, на противном случае – нулю .Эти системы (и уймища им подобных) получили имя персептронов, приблизительно по образу одной изо первых нейронных сетей, способных для перцепции (восприятию) равным образом формированию реакции на воспринятый стимул, явился PERCEPTRON Розенблата (F. Rosenblatt). Персептроном, вроде правило, называют однослойную нейронную сеть, при этом отдельный персептронный нейрон, принадлежащий от через весовых коэффициентов  со множеством входов (рис.12.5) на качестве активационной функции использует функцию единичного скачка (пороговую). 96 Рис. 02.4. Персептронный нейрон Рис. 02.5. Персептрон со многими выходами 12.4.1. Алгоритм обучения персептрона Будем давать имя персептрон обученным нате данной обучающей выборке, если присутствие подаче для въезд каждого вектора Хк держи выходе всяк единожды получается соответствующее значительность yk ∈ {0,1}.Предложенный Ф. Розенблатом метод обучения состоит на итерационной подстройке весовых коэффициентов wi, последовательно уменьшающей выходные ошибки. Алгоритм содержит малость шагов: ШАГ 0. Проинициализировать азбука взвешенный матрицы небольшими случайными значениями ШАГ 0. Подать нате входы нераздельно с входных векторов Хк, которые сеть должна напрактиковаться различать, да выкопать ее парад Y. ШАГ 0. Если количество продукции истинный y=yk, перескочить бери резьба 0. Иначе вычислить разницу посередь требуемым да полученным значениями выхода: δ=yk – y. 97 ШАГ 0. Модифицировать веса во соответствии  со формулой wij (t + 0)=wij (t ) + η ⋅ δ ⋅ xi , где t равно t+1 - заезжий двор текущей равно следующей итераций, η - процент скорости обучения, (0 < η ≤ 0), xi –i-ая компонента входного вектора Хк, i– боец входа, j – стриптиз нейрона на слое. Очевидно, аюшки? даже если yk > y (получен неточный подготовительный исчезновение вместо правильного единичного), то, ибо δ> 0, весовые коэффициенты будут увеличены и, тем самым уменьшат ошибку. В противном случае они будут уменьшены, равным образом количество s=∑௡௜ୀଵ ௜ · ௜ , а стало равно Y как и уменьшится, приближаясь для yk. Шаг 0. Цикл вместе с шага 0 – 0 повторяется интересах всех обучающих векторов, пока сеть далеко не перестанет ошибаться. Представленный технология обучения носит термин δ – правило. Доказанная Розенблатом метатеорема относительно сходимости обучения объединение δ – правилу говорит об том, что персептрон горазд поднатореть любому обучающему набору, кой он способен представить. 12.5. Достоинства да крайность нейронных сетей во вкусе доходы к обработки знаний Если разбирать нейронную козни в духе порядок представления знаний, то в ней хранятся запас знаний об ассоциативных связях посреди стимулами (входными векторами) равно откликами (выходными векторами). Знания хранятся (формируются на процессе обучения) общепринято на форме весов связей между нейронами. Недостатками нейронных сетей на качестве метода представления знаний являются: • невзгоды вербализации результатов работы нейронной недотка и объяснений, с чего симпатия приняла так alias иное решение; • химеричность дать голову держи отсечение цикличность равным образом однозначность получения результатов. Преимущества нейронных сетей интересах представления равно обработки знаний: • за глаза необходимости формализации знаний, формализация заменяется обучением получай примерах; • естественное просьба равным образом манипуляция нечетких знаний приближённо так, как сие осуществляется на естественной интеллектуальной системе - мозге; 98 • текстура получай параллельную обработку, аюшки? присутствие соответствующей аппаратной поддержке обеспечивает мочь работы во реальном времени; • отказоустойчивость равным образом жизнеспособность быть аппаратной реализации нейронной сети; • допустимость обработки многомерных (размерности в большинстве случаев трех) данных равным образом знаний кроме увеличения трудоемкости (но во этом случае затруднено объяснение результатов, в такой мере в качестве кого единица вместе с трудом воспринимает многомерность). Вопросы равно упражнения 1. Какие направления исследований во области «искусственного интеллекта» получили формирование  со совершенствованием возможностей искусственных нейронных сетей ? 2. Дайте обобщенную характеристику задач, которые могут отваживаться с помощью ИНС? 3. Что такое персептрон? Раскройте правило его функционирования равно опишите функции его слоев равным образом их элементов. Чем определяется количество элементов во его слоях? 4. Какой персептрон называется элементарным да почему? 5. Какой персептрон называется бесконечным равным образом почему? 6. В нежели секрет биологической гипотезы, положенной на основу теории ИНС? Опишите функциональную схему искусственного нейрона ассигнование его элементов да информационные рычаги в кругу ними. Что такое «синапс»? 7. Что такое круг обязанностей активации нейрона? Какой информацией активируются нейроны внутреннего равно выходного слоев персептрона? Какие цель функций активации нейронов применяются во ИНС? Характеризуйте свойства этих функций. 8. Чем отличается многослойная ИНС через элементарного персептрона? 9. Раскройте ассигнование разных слоев многослойной ИНС. Почему возникла потребность во многослойных сетях? 10. Какие варианты обучения ИНС существуют равно на нежели принципиальная особенность каждого с них? 11. Чем обусловлены планы на будущее совершенствования интеллектуальных возможностей ИНС? 99 12. Назовите признаки интеллектуальных задач, вотум которых доступно современным ИНС? Какие картина ограничивают их утилизация для решения сильнее широкого класса задач? Лекция 03. Экспертные системы. Архитектура экспертных систем 13.1 Определения, понятия, атрибутика 13.2 Обобщенная конструкция равно тезис функционирования 13.3 Этапы проектирования экспертных систем 6.1. Определения, понятия, атрибутика Экспертные системы (ЭС) – сие сложные программные комплексы, аккумулирующие познания специалистов во конкретных предметных областях и тиражирующие настоящий опытный квалификация ради консультаций менее квалифицированных пользователей. Экспертная доктрина - сие программа, которая ведет себя подобно эксперту на некоторой, как правило узкой, практический областью. Типичные применения экспертных систем включают во себя самые разные предметные области, промеж которых лидируют бизнес, производство, медицина, проектирование да системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные талант эксперта. Кроме того, ЭС может проступать в роли: - консультанта про неопытных либо — либо непрофессиональных пользователей; - ассистента эксперта-человека на процессах анализа вариантов решений; - партнера эксперта на процессе решения задач, требующих привлечения знаний с разных предметных областей. Экспертные системы должны определять задачи, требующие на своего решения экспертных знаний во некоторой конкретной области. В праздник либо — либо иной форме экспертные системы должны быть носителем такими знаниями. Поэтому ЭС также называют системами, основанными бери знаниях. Можно заострить двойка в виде экспертных систем: • для специалистов невысокого профессионального уровня (экспертная порядок хранит знания, полученные через специалистов экстракласса); • для специалистов высокого класса - разыскивание равно пропускание больших массивов информации равно устройство рутинных операций. 100 В самом общем случае интересах того, с целью возвести экспертную систему, необходимо исследовать машины выполнения следующих функций системы: 1.решение задач от использованием знаний что касается конкретной предметной области - возможно, возле этом возникнет неизбежность совмещать работа с неопределенностью; 2. сольватация от пользователем, начиная иллюстрация намерений и решений системы нет слов сезон равно потом окончания процесса решения задачи. Каждая с сих функций может угодить бог сложной да зависит от предметной области, а вдобавок с различных практических требований. 13.2. Обобщенная архитектура равным образом основа функционирования Обобщенная конструкция экспертной системы представлена нате рис.13.1 и содержит три основных модуля: 1. базу знаний; 2. машину логического вывода; 3. интерфейс от пользователем. Рис.13. 0 Обобщенная состав экспертной системы База знаний включает знания, относящие для конкретной прикладной области, на томик числе отдельные факты, правила, описывающие связи или явления, а вдобавок возможно, методы, эвристики да непохожие идеи, относящиеся к решению задач на этой практический области. Машина логического вывода (дедуктивная машина, решатель, блок логического вывода) программа, моделирующая аллюр рассуждений эксперта на основании знаний, имеющихся во БЗ (умеет по полной обойме пускать в ход информацию, содержащую во базе знаний. Подсистема объяснений - программа, позволяющая пользователю получить ответы возьми вопросы: Как была получена та alias иная рекомендация? 101 Почему режим приняла такое решение? Ответ возьми задание «как?» – сие трассировка всего делов процесса получения решения с указанием использованных фрагментов БЗ, отповедь получай задание «почему?» - ссылка на умозаключение, из рук в руки предшествующее полученному решению. Интерфейс от пользователем отвечает после безотказный обмен информацией посередь пользователем да системой; симпатия да дает пользователю возможность смотреть следовать процессом решения задач, протекающим во машине логического вывода. Принято считать машину вывода да интерфейс как крупный разовый модуль, естественным путем называемой оболочкой экспертной системы, или, к краткости, просто-напросто оболочкой. Интеллектуальный вычитчик БЗ - программа, представляющая инженеру до знаниям способ производить БЗ во диалоговом режиме. Включает на себя систему вложенных меню, шаблонов языка представления знаний, подсказок (help) равным образом других сервисных средств, облегчающих работу с базой. Пользователь - зубы съел предметной области, чтобы которого предназначена система. Обычно его искусство скудно высока, поэтому спирт нуждается на помощи да поддержке своей деятельности со стороны ЭС. Инженер по части знаниям (когнитолог, аналитик, конструктор интерпретатор) – зубы проел на области искусственного интеллекта, выступающий промежуточным звеном в среде экспертом равно базой знаний. Подсистема приобретения знаний служит к корректировки и пополнения базы знаний. В простейшем случае - сие интеллектуальный редактор базы знаний, на больше сложных экспертных системах – состояние для извлечения знаний изо баз данных, неструктурированного текста, графической информации равным образом т.д. Подсистема общения служит про ведения диалога вместе с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые данные для процесса рассуждения, а как и дающая случай пользователю на какой-то степени ревизовать да вносить поправки ходьба рассуждений экспертной системы. Идеальная ЭС должна довольствовать пятью основных компонентов: интерфейс с пользователем, подсистему логического вывода, базу знаний, модуль приобретения знаний, отображения да объяснения решений получи и распишись рис. 03.2 представлена искусство систем, базирующихся нате знаниях. 102 Рис. 03.2. Архитектура систем систем, базирующихся сверху знаниях. знаниях 13.3. Этапы проектирования экспертных систем Ниже возьми рисунке 03.3 3.3. приведена план технологических этапов проектирования да разработки ЭС ЭС. Рис. 03.3. Технологические этапы проектирования да разработки ЭС ЭС. Этап идентификации идентификации. Этап идентификации связан, связан вовремя всего, всего с осмыслением задачи, задачи которую предстоит уходить будущей ЭС ЭС, и 103 формированием требований ко ЭС. Результатом данного этапа является противоречие на вопрос, сколько желательно совершить да какие заряд надо задействовать (идентификация задачи, описание участников процесса проектирования равно их роли, обнаружение ресурсов равно целей). Идентификация задачи заключается во составлении неформального (вербального) описания задачи, на которой указываются: общие характеристики задачи; их входные (выходные) данные; гипотический обличье решения, а также знания, относящиеся для решаемой задаче. Этап концептуализации. На данном этапе проводится содержательный анализ проблемной области, выявляются используемые принципы равным образом их взаимосвязи, определяются методы решения задач. Этап завершается созданием модели предметной области (ПО) задачи, включающей основные концепты да отношения. Этап формализации. На данном этапе определяются число средств и способы представления декларативных равно процедурных знаний, осуществляется это показ да на итоге формируется определение решения задачи ЭС на предложенном (инженером соответственно знаниям) формальном языке. Выходом этапа формализации является отображение представления предметной области держи основе выбранного языка представления знаний. Этап выполнения. Цель сего этапа — работа одного alias нескольких прототипов ЭС, решающих требуемые задачи, включающий базу знаний и другие основные составляющие ЭС модули. Затем бери данном этапе по результатам тестирования равным образом опытной эксплуатации создается конечный продукт, отвечающий требованиям ради промышленного использования. Этап тестирования. В ходе данного этапа производится оценка выбранного способа представления знаний во ЭС на целом. При неудовлетворительном функционировании прототипа спецушник равно конструктор по знаниям имеют шанс оценить, что-нибудь собственно довольно включено в окончательный разновидность системы. После что такое? происходит доводка прототипа до конечного варианта ЭС. Различают следующие список источников неудач во работе системы: тестовые примеры, ввод-вывод, взгляды на жизнь вывода, управляющие стратегии. Этап опытной эксплуатации. На этом этапе проверяется пригодность ЭС про конечного пользователя. Пригодность ЭС для того пользователя определяется на основном удобством работы  со ней да ее полезностью. Под полезностью ЭС понимается ее дар на ходе диалога определять потребности пользователя, скрывать равным образом истреблять причины неудач во работе, а 104 также умилостивлять указанные потребности пользователя (решать поставленные задачи). В свою очередь, комфортность работы  со ЭС подразумевает естественность взаимодействия вместе с ней, пластичность ЭС (способность системы настраиваться сверху различных пользователей, а да принимать во внимание изменения в квалификации одного равным образом того а пользователя) равно стабильность системы к ошибкам (способность неграмотный вылезать изо строя возле ошибочных действиях неопытного пользователях). В ходе разработки ЭС под постоянно осуществляется ее модификация. Выделяют следующие намерение модификации системы: переформулирование понятий равным образом требований, переконструирование представления знаний во системе и усовершенствование прототипа. Вопросы равно упражнения 1. Перечислите основные внешний облик экспертных систем 2. В нежели состоит лента экспертной системы ото традиционной вычислительной системы? 3. Назовите основные компоненты экспертной системы равным образом охарактеризуйте их назначение да основные функции. 4. Почему хранилище знаний равно авто логического вывода считаются ядром экспертной системы? Свяжите кровный отклик от ответом получай проблема 0. 5. В нежели принципиальное награда базы знаний через базы данных? 6.Назовите стадии разработки да этапы проектирования экспертной системы. В чем принципиальное лента среди стадиями равно этапами? Лекция 04. Экспертные системы. Классификация экспертных систем 14.1. Классификационные признаки экспертных систем 14.2 Классификация экспертных систем 14.3. Отличие ЭС да систем искусственного интеллекта В лекции рассмотрены классификационные признаки экспертных систем. Отличие экспертных систем равно систем искусственного интеллекта. 105 14.1. Классификационные признаки экспертных систем Экспертные системы в качестве кого кто хочешь хитроумный вещь позволительно определить только совокупностью характеристик. В основе классификации экспертных систем (будем чествовать их приложениями) лежат следующие параметры: тип приложения; стадия существования; масштаб; тип проблемной среды; тип решаемой задачи. Перечисленный сверток характеристик отнюдь не претендует получи и распишись полноту (в блат с отсутствием общепринятой классификации), а определяет ЭС по образу все не выделяя отдельных компонентов (способ представления знаний, решения задач и т.п.). Тип приложения. Характеризуется следующими признаками. 1. Возможность взаимодействия приложения из другими программными средствами: • изолированное дополнение – ЭС, безвыгодный способная взаимодействовать с другими программными системами (например, от БД, электронными таблицами и т.п.). • интегрированное адденда – ЭС равно иные программные системы, с которыми симпатия взаимодействует на ходе работы. 2. Возможность материализовывать применение бери разнородной аппаратуре и переносить его получай неодинаковые платформы: • закрытые приложения - исполняются лишь на программной среде данной фирмы да могут фигурировать перенесены держи кое-кто платформы токмо путем перепрограммирования приложения; • открытые приложения - ориентированы получи и распишись проведение на разнородном программно-аппаратном окружении да могут присутствовать перенесены нате другие платформы без участия перепрограммирования. 3. Архитектура приложения: • централизованное применение - реализуется сверху базе центральной ЭВМ, с которой связаны терминалы; • распределенное добавление - общепринято используется искусство клиентсервер. Стадия существования. Характеризует ступень завершенности разработки ЭС. Принято высекать следующие стадии: 106 • обследовательский пример - решает солидный жанр задач проблемной области, да может фигурировать неустойчив на работе равным образом никак не полностью проверен. При наличии развитых инструментальных средств ради разработки исследовательского прототипа нужно приблизительно 0-4 месяца. База знаний исследовательского прототипа заурядно заключает небольшое число исполняемых утверждений; • действенный прообраз - накрепко решает любые задачи проблемной области, же рядом решении сложных задач может призвать свыше меры много времени равно (или) памяти. Доведение системы через основные положения разработки поперед стадии действующего прототипа требует ориентировочно 0 - 0 месяцев, возле этом количество исполняемых утверждений во БЗ увеличивается по части сравнению с исследовательским прототипом; • промышленная построение - обеспечивает высокое характер решения всех задач подле минимуме времени да памяти. Обычно дело преобразования действующего прототипа на промышленную систему состоит во расширении базы знаний равным образом ее тщательной отладке. Доведение ЭС через введение разработки до стадии промышленной системы  со применением развитых инструментальных средств требует малограмотный не столь 02-18 месяцев; • коммерческая теория - пригодна никак не только лишь интересах использования разработчиком, же равным образом для того продажи различным потребителям. Доведение системы перед коммерческой стадии требует будто 0,5 - 0 года. Приведенные здесь сроки справедливы с целью ЭС средней сложности. Масштаб ЭС. Характеризует трудность решаемых задач равно связан с типом используемой ЭВМ. По этому признаку различают: • малые ЭС - предназначены пользу кого первичного обучения равно исследования возможности применения технологии ЭС на рассматриваемого класса задач. Системы такого подобно могут бытовать реализованы нате персональных компьютерах; • средние ЭС - охватывают вполне спектр необходимых приложений и обычно интегрированы из БД, электронными таблицами равно т.д. Системы такого масштаба чаще общем реализуются получи рабочих станциях; • взрослые ЭС - имеют путь для высокомощным БД равно реализуются на рабочих станциях либо — либо возьми специализированных компьютерах; • символьные ЭС - создаются из исследовательскими целями и реализуются для специализированных компьютерах, ориентированных на обработку символьных данных. Тип проблемной среды. Это мысль заключает определение предметной области (множество сущностей, описывающих масса объектов, их 107 характеристик да отношений посредь объектами) равным образом решаемых во ней задач. В связи с сим проблемная обстановка определяется характеристиками соответствующей предметной области да характеристиками типов решаемых на ней задач. Рассмотрим следующие характеристики предметной области ЭС. 1. Тип предметной области: • неподвижный — входные информация малограмотный изменяются следовать момент сеанса работы приложения, значения других (не входных) данных изменяются всего только самой экспертной системой; • динамический - входные данные, поступающие изо внешних источников, изменяются изумительный времени, значения других данных изменяются ЭС или подсистемой моделирования внешнего окружения. 2. Способ описания сущностей предметной области: • группа атрибутов равным образом их значений (фиксированный состав сущностей); • группа классов (объектов) равно их экземпляров (изменяемый состав сущностей). 3. Способ организации сущностей на БЗ: • неструктурированная БЗ; • структурообразование сущностей на БЗ соответственно различным иерархиям («частное общее», «часть - целое», «род - вид»), почто обеспечивает юниорат свойств сущностей. Структурирование БЗ способствует:ограничению круга сущностей, которые должны рассматриваться механизмом вывода, да сокращению количества перебираемых вариантов на процессе выбора решения;• обеспечению наследования свойств сущностей, т.е. передачи свойств вышерасположенных в иерархии сущностей нижерасположенным, который намного упрощает процесс приобретения равно использования знаний. Тип решаемой задачи. По этому признаку различают следующие задачи: • освещение символов иначе говоря сигналов – собирание смыслового описания по мнению входным данным; • испытание - ход соотнесения объекта не без; некоторым классом объектов и/или расследование неисправностей во системе (отклонений параметров системы через нормативных значений); • прогноз - непрерывная освещение данных на реальном масштабе времени равно передача сигналов в рассуждении выходе тех другими словами иных параметров из-за допустимые пределы; 108 • дизайн - существо до тех пор безвыгодный существовавшего объекта и подготовка спецификаций держи существо объектов не без; предварительно определенными свойствами; • предсказание - прорицание последствий некоторых событий или явлений сверху основе анализа имеющихся данных; • распланирование – нахождение последовательности действий, приводящих к желаемому состоянию объектов; • выучка - приложение компьютера к обучения каким-либо дисциплине тож предмету; • руководство - назначение организованной системы, поддерживающая определенный работа ее деятельности. Экспертные системы данного типа предназначены интересах управления поведением сложных систем на соответствии с заданными спецификациями; • подспорье принятия решений - круг процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими суд принятия решения. 14.2. Классификация ЭС Назначение экспертных систем заключается на решении достаточно трудных пользу кого экспертов задач держи основе накапливаемой базы знаний, отражающей эмпирия работы экспертов во рассматриваемой проблемной области. Классификация ЭС может вершиться сообразно различным критериям. В частности, полезными могут очутиться классификации, представленные получай рис. 14.1. По типу решаемых задач экспертные системы не грех классифицировать следующим образом: по способу формирования решения - в аналитические равно синтезирующие. В системах первого будто осуществляется альтернатива решения с множества известных решений получай основе анализа знаний, на системах второго как решение синтезируется изо отдельных фрагментов знаний; по способу учета временного признака - для статические, квазидинамические равно динамические; по видам используемых данных равно знаний (тип МПЗ)- нате системы с детерминированными знаниями равно системы  со неопределенными знаниями; по числу используемых источников знаний - возьми системы с использованием одного источника, равным образом системы, использующие несколько источников знаний (альтернативные либо дополняющие доброжелатель друга). 109 Рис. 04.1.. Классификация экспертных систем Экспертные системы позволяется разносить согласно рубрикам в области различным основаниям: в области типу используемой МПЗ, основаниям МПЗ до области применения применения, по назначению, по части показателям эффективности да др. назначению др (табл. табл 0, рис. 04.1). В большинстве ЭС не откладывая используются поверхностные знания. знания Введение глубинных представлений позволяет строить БЗ большей мощности, мощности что-то около как глубинные запас знаний побольше гибки равно адаптивны, адаптивны нежели довольно жесткие поверхностные. Если баять об современном состоянии разработок ЭС, ЭС ведь тенденции за рубежом таковы: задачи диагностики, диагностики интерпретации интерпретации, дизайн → мониторинг, мониторинг обучение; статические → динамические; динамические автономные → гибридные. По критерию своя рука не без; реальным временем существуют следующие ЭС: ЭС Статические ЭС разрабатываются во предметных дметных областях областях, на кото которых база знаний равным образом интерпретируемые причина невыгодный меняются из-за времена решения задачи. задачи Они стабильны. Квазидинамические ЭС интерпретируют рпретируют ситуацию ситуацию, которая ме меняется в течение некоторого фиксированного интервала времени. времени 110 Динамические ЭС сопрягаются датчиками объектов на режиме реального времени из непрерывной интерпретацией поступающих данных. Таблица 0 Классификация ЭС до типу МПЗ Модель представления знаний Логика Продукции Фреймы Семантические сети Объектно-ориентированные языки Стохастические модели Критериальные языки выбора Знания Классификация по мнению глубине глубинные + + + поверхностные + + - Классификация по жесткости мягкие + + + + жесткие + + + + + Эти модели отнюдь не моделируют ход мышления Нейронные сети По степени интеграции существуют следующие ЭС: Автономные ЭС – работают во режиме консультации от пользователем, решают специфические экспертные задачи, на которых невыгодный надлежит привлекать традиционные методы обработки данных, расчета, моделирования да т.д. Гибридные ЭС – программные комплексы, агрегирующие стандартные пакеты программ (в математической статистике, линейном программировании, динамическом программировании). Разработка гибридных систем связана со сложностью стыковки разных пакетов, разработанных различными фирмами. 14.3. Отличие ЭС равно систем искусственного интеллекта Главное награда ЭС равным образом систем искусственного интеллекта ото систем обработки данных состоит на том, что-нибудь на них используется символьный, а не числовой порядок представления данных, а во качестве методов обработки информации применяются процедуры логического вывода да эвристического поиска решений. Вопросы равно упражнения 1. Каковы особенности экспертной системы? 2. Опишите структуру ЭС. 3. Перечислите, какие существуют режимы работы ЭС? 111 4. Каково суть процедуры решения задач  со через ЭС? 5. Каковы основные характеристики ЭС? 6. Какие существуют классификации ЭС? 7. Опишите функционирование механизма вывода продукционной ЭС и охарактеризуйте его составляющие: компоненту вывода да управляющую компоненту. 8.Сформулируйте собственные упражнения прямого равно обратного вывода на ЭС продукционного типа. 9. Каковы критерии выбора адекватного формализма в целях представления знаний в ЭС? 10. Какие существуют технологические комплексы для того разработки баз знаний? Лекция 05. Методы приобретения равным образом извлечения знаний 15.1 Стратегии получения знаний 15.2 Теоретические аспекты извлечения знаний В данной лекции хорош рассмотрен тяжба получения и структурирования знаний являющийся рядом создании базы знаний ключевым вопросом. Для описания самого процесса экстрагирования структуры знаний из потока информации по части предметной области побольше «наглядным» является термин извлечение знаний. Другими словами, дифференцирование выжатие знаний используется для выражения самого смысла процедуры переноса компетентности эксперта через инженера объединение знаниям на базу знаний. Поэтому во дальнейшем, при рассмотрении стратегий да методов получения знаний, будем использовать именно данный термин. Термин закупочная деятельность знаний на рамках данного учебного курса оставлен после автоматизированными системами прямого общения с экспертом. 15.1. Стратегии получения знаний В сегодняшний день момент слушание извлечения знаний является самым «узким» местом присутствие проектировании баз знаний. Область искусственного интеллекта, связанная вместе с этими процессами, получила наименование инженерии знаний. Процесс организации знаний во базу знаний равным образом построения экспертных систем также называют инженерией знаний. 112 Инженерия знаний - связана не без; проектированием баз знаний, т.е. с получением равным образом структурированием знаний специалистов с целью последующей разработки баз знаний. Можно сделать упор три основные стратегии получения знаний, т.е. стадии переноса знаний с эксперта на базу знаний: 1. Извлечение знаний сверх использования вычислительной техники путем непосредственного контакта инженера сообразно знаниям равным образом источника знания (будь в таком случае эксперт, специальная журналистика alias некоторые люди источники). 2. Приобретение знаний через эксперта  со использованием компьютер при наличии подходящего программного инструментария. 3. Формирование знаний не без; использованием программ обучения при наличии репрезентативной (т.е. будет представительной) выборки примеров принятия решений во предметной области равно соответствующих пакетов прикладных программ. Приобретение знаний подразумевает, аюшки? автоматизированные системы впрямь из рук в руки приобретают еще готовые фрагменты знаний на соответствии со структурами, заложенными разработчиками систем. Большинство сих инструментальных средств специально ориентировано сверху конкретные базы знаний вместе с жестко обозначенной предметной областью равным образом моделью представления знаний, т.е. не являются универсальными. Термин «формирование знаний» традиционно закрепился следовать областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов обучения. Он содержит индуктивные модели формирования знаний и автоматического порождения гипотез, учение по части аналогии (в т.ч. методы обучения распознаванию образов) равно др. Эти модели позволяют выявить причинно - следственные зависимости на базах данных. Однако, применение методов формирования знаний в эту пору безвыгодный из чего явствует промышленной технологией разработки баз знаний. 15.2. Теоретические аспекты извлечения знаний Поскольку первый проблемой извлечения знаний является самостоятельно процесс передачи знаний, инженеру - когнитологу нельзя не сознавать природу и особенности сего процесса. При этом никуда не денешься рассматривать 113 психологический, языковедческий равно гносеологический аспекты извлечения знаний приведены получай рис. 05.1 Психологический момент является ведущим да определяет спорость и эффективность взаимодействия аналитика да эксперта. Он выделяется до сей времени и потому, в чем дело? выдержка знаний, по образу правило, происходит при непосредственном общении разработчиков системы знаний. А взаимодействие в психологии является доминантой. Общение, не ведь — не то средство сообщения (от лат. communicatio - связь), - это междисциплинарное понятие, обозначающее до этого времени склад непосредственных контактов в ряду людьми - ото дружеских до самого деловых. Можно обратить внимание четыре основных уровня общения [3]: 1. Уровень манипулирования, в отдельных случаях единственный фигура рассматривает другого что оружие иначе говоря помеху объединение отношению для проекту своей деятельности. Извлечение знаний гносеологически Критерии научности Внутренняя согласованност Системность Объективность лингвистический проблемы психологически проблемы Общий код Контактный слой Понятийная структура Процедурный слой Словарь пользователя Когнитивный слой Историзм Рис 05.1 Аспект извлечения знаний 114 2. Уровень «рефлексивной игры», нет-нет да и во процессе своей деятельности человек учитывает контрпроект другого субъекта, хотя далеко не признает ради ним самоценность равно стремится для выигрышу, ко реализации своего проекта. 3. Уровень правового общения, эпизодически субъекты признают преимущество на существование проектов деятельности союзник друга равно пытаются сообразовать их хотя бы внешне. 4. Уровень нравственного общения, когда-никогда субъекты внутренне принимают сплошной цель взаимной деятельности. Стремление равно опытность тереться могут устанавливать степень профессионализма инженера объединение знаниям (рис.15.2). Извлечение знаний - сие специальный обличие общения, рядом котором про инженера когнитолога из прагматической точки зрения больше всего не фунт изюма информационное содержание общения. Стремление да техника путаться сверху высшем, четвертом, уровне может квалифицировать ординар профессионализма инженера по знаниям. Задумано 100% эксперт Приобрело словесную форму Высказано Выслушано 90% 80% 70% Понято 60% Осталось в памяти 24% Инженер по части знаниям Общение Рис 05.2 Потери информации быть разговорном общении Лингвистический точка зрения касается исследования языковых проблем, так как слово - сие первооснова возможность общения на процессе извлечения знаний. В области лингвистических проблем в особенности важными являются понятия: общий код, понятийная структура, словарик пользователя. Общим кодом называют сепаратный межеумочный метла общения между экспертом равно инженером согласно знаниям. Этот язычина заключает совокупность 115 общенаучных равно специальных понятий с профессиональной литературы, элементов базового языка, неологизмов да т.п. (рис. 05.3). Бытовой язык Специальная терминология эксперта Общий код Специальные термины из литературы Инженер по знаниям Эксперт Общенаучные термины Рис 05.3 Структура формирования общего кода В дальнейшем поголовный адрес преобразуется во понятийную структуру, или семантическую сеть, которая связывает понятия, хранящиеся во памяти человека. Тем малограмотный менее, конструкция праздник иначе говоря какой-нибудь иерархии понятий входит в задачи концептуального анализа структуры знаний кому всего не лень предметной области. В последнее срок на ИИ стал барином прилагаться континуум онтология, имеющий многозначную интерпретацию: 1. Онтология на правах философская учение представляет с лица систему категорий, являющихся следствием определенного взгляда возьми мир. 2. Онтология вроде неформальная режим концептуализации знаний предполагает возведение описания множества выделенных объектов, понятий, связей равно отношений на заданной области знаний. 3. Онтология вроде демонстрирование концептуальной системы на виде логической теории означает пользование определенного синтаксиса для представления знаний. Разработка словаря пользователя необходима на отношения от тем, который конечный пользователь невыгодный обязан иметь профессиональным языком предметной области, каковой использовался быть построении БЗ. Интерфейс пользователя создается, в духе правило, чрез доработки словаря общего кода. Гносеологический точка зрения объединяет методологические проблемы получения нового научного знания, потому на процессе вербализации эксперт зачастую впервой формулирует отдельный закономерности, по того составлявшие его собственный опыт. 116 Гносеология - сие раздел философии, вязанный  со теорией познания, или теорией отражения действительности на сознании человека. Аналитику здесь может помочь инструментарий системной методологии, позволяющей использовать известные правила логики равным образом иерархии понятий. Эта методология направлена в то, в надежде ради частными правилами изведать общее. При этом покоиться гносеологическая цепочка: факт→ распространенный факт→ экспериментальный закон→ общетеоретический закон Не век удается скатиться поперед последнего звена цепочки, так сейчас само стремление для движению иногда сильно плодотворным. Вопросы да упражнения 1.Что называется извлечением знаний да на нежели состоит его первейший аспект? 2. Назовите основные уровни общения. Чем определяются доход информации при общении? 3. Нарисуйте структуру психологического аспекта извлечения знаний. 4. Что такое понятийная структура? 5. Что такое гносеологический расстояние извлечения знаний? Лекция 06. Методы приобретения да извлечения ч.2 (продолжение лекции 05) 16.1 Классификация методов извлечения знаний 16.2 Пассивные методы 16.3 Активные методы 16.4 Текстологические методы В данной лекции довольно продолжено обсуждение процесса получения и структурирования знаний являющийся рядом создании базы знаний и представлена систематизация методов извлечения знаний. 16.1. Классификация методов извлечения знаний Основной закон деления методов извлечения знаний связан с источником знаний. Тот сиречь разный схема выбирается инженером - когнитологом в зависимости через конкретной задачи равно ситуации. На рис. 06.1 приведена разделение методов извлечения знаний. 117 Рис.16.1. Классификация методов извлечения знаний знаний. Коммуникативные методы извлечения знаний охватывают методы и процедуры контактов инженераинженера когнитолога  со непосредственным средственным источником знаний - экспертом, а текстологические включают методы извлечения знаний из документов (методик, методик, пособий методик пособий, руководств) руководств равным образом специальной литературы (статей, статей монографий, монографий учебников учебников). Приведенные методы являются практическими методами извлечения знаний, используемыми во современной инженерии знаний. знаний знаний Разделение этих групп держи коммуникативные да текстологические малограмотный означает их противоположности. Обычно конструктор в области знаниям комбинирует различные противоположности методы, например методы например, вначале изучает литературу, литературу после беседует  со экспертами, экспертами или наоборот. На подбор метода влияют три фактора фактора: личностные особенности инженера - когнитолога когнитолога, личностные особенности эксперта равно характеристики предметной области. По психологическим характеристикам людей лю можно распилить на группы: ♦ Мыслитель (познавательный познавательный тип): тип ориентированы на интеллектуальную работу, учебу учебу, теоретические обобщения обобщения; 118 Собеседник (эмоционально- коммуникативный тип): общительные, активные люди, готовые для сотрудничеству; ♦ Практик (практический тип) предпочитают поведение разговорам, хорошо реализуют замыслы других, направлены получай действительность работы. Для характеристики предметных областей дозволительно экстрагировать следующие их классы: ♦ Хорошо документированные; ♦ Средне документированные; Эта размещение связана от разделением экспертного «личного» знания и «общего» знания, материализованного во книгах во данной области. Кроме того, предметные области допускается поделить за критерию структурированности знаний: ♦ Хорошо структурированные - от четкой аксиоматизацией, широким применением математического аппарата, устоявшейся терминологией; ♦ Средне структурированные -  со определившейся терминологией, развивающейся теорией, явными взаимосвязями средь явлениями; ♦ Слабо структурированные - из размытыми определениями, богатой эмпирикой, скрытыми взаимосвязями, большим в количестве «белых пятен». В целом, введенная перед этим типология методов извлечения знаний при четко определенной предметной области позволяет инженеру за знаниям выбрать подобающий отсадка другими словами группу методов. ♦ В свою очередь, коммуникативные методы дозволено тоже поделить держи две группы: активные да пассивные. 16.2. Пассивные методы Пассивные методы подразумевают, аюшки? ведущая дело на процедуре извлечения наравне бы передается эксперту, а конструктор объединение знаниям только протоколирует рассуждения эксперта нет слов период его реальной работы по принятию решений иначе записывает то, почто специалист считает нужным самостоятельно выболтать на форме лекции. Пассивные коммуникативные методы включают наблюдение, анализ протоколов «мыслей вслух», процедуры извлечения знаний с лекций. Метод наблюдения является одним изо в особенности применяемых на начальных этапах разработки экспертных систем. Его главное заключается в фиксировании всех действий эксперта, его реплик да объяснений. При этом 119 аналитик безграмотный вмешивается во работу эксперта, а всего только наблюдает следовать процессом решения реальных задач либо ради решением проблем, имитирующих реальные задачи. Метод анализа протоколов «мыслей вслух» отличается ото метода наблюдения тем, в чем дело? критик никак не всего лишь комментирует домашние действия, же и объясняет цепочку своих рассуждений, приводящих ко решению. Метод извлечения знаний с лекций предполагает, аюшки? спецушник передает свой проба инженеру в соответствии с знаниям во форме лекций. При этом конструктор до знаниям может заране выразить темы лекций. Если сего безвыгодный удается сделать, то когнитолог конспектирует лекции равно задает вопросы. Качество информации, предоставленной экспертом во ходе лекции, определяется четкостью сформулированной темы, а вот и все способностями лектора на структурировании и изложении своих знаний равно рассуждений. 16.3. Активные методы В активных методах, напротив, почин тотально на руках инженера по знаниям, который-нибудь энергично контактирует от экспертом различными способами - во играх, диалогах, беседах из-за круглым столом равно т. д. Следует покамест раз подчеркнуть, что такое? равно активные равным образом пассивные методы могут заменяться ажно в рамках одного сеанса извлечения знаний. Активные методы делятся держи индивидуальные равным образом групповые. В групповых методах умственный багаж получают с множества экспертов, на индивидуальных - от единственного эксперта. Индивидуальные методы получили побольше широкое применение держи практике согласно сравнению от групповыми. Активные индивидуальные методы включают методы анкетирования, интервьюирования, свободного диалога равным образом зрелище не без; экспертом. Преимуществом методов анкетирования является то, сколько тест-анкета или вопросник составляются инженером по части знаниям заране равным образом используются для опроса экспертов. Составление анкеты нелишне жить от учетом рекомендаций, выработанных во социологии да психологии. Метод интервьюирования отличается с метода анкетирования тем, что позволяет аналитику понижать линия вопросов на зависимости через ситуации, вставлять новые вопросы на анкету, трансформировать темы равно варьировать ситуацию общения. Важную значение во методе интервьюирования играют вопросы, классификация которых показана возьми рис. 06.2. 120 Рис. 06.2 Классификация вопросов присутствие интервьюировании Рис Метод свободного диалога позволяет вытаскивать знания ния во форме беседы с экспертом, почему тогда далеко не предусматривается употребление жесткого экспертом вопросника иначе плана. Игры  со экспертом конкретно отличаются с приведенных выше индивидуальных активных методов извлечения знаний равно рассматриваются в классе групповых ых активных методов, методов идеже особое поле принадлежит ролевым и экспертным методам. Активные групповые методы включают «мозговой мозговой штурм штурм», дискуссии за круглым столом да ролевые игры игры. Групповые методы позволяют творчески интегрировать навыки множества экспертов. экспертов Метод «мозгового мозгового штурма» штурма - единовластно с сугубо известных равно широко применяемых методов генерирования новых идей как следует творческого сотрудничества группы специалистов специалистов. Экспертные зрелище предназначены к извлечения знаний да базируются на деловых, деловых диагностических равно компьютерных играх. В играх не без; экспертом конструктор согласно знаниям беретик сверху себя чью-нибудь чью роль во моделируемой ситуации. ситуации Ролевые зрелище во группе предусматривают участие во игре нескольких специалистов специалистов. Участники зрелище наделяются определенными ролями, а собственно говоря игра игра проводится за составленному когнитологом сценарию. 121 16.4. Текстологические методы Текстологические методы включают методы извлечения знаний, основанные бери изучении текстов учебников, специальной литературы и документов. Текстология - сие наука, целью которой является практическое прочтение текстов, штудирование да освещение литературных источников, а также обсуждение семиотических, психолингвистических равным образом других аспектов извлечения знаний изо текстов. Особую запутанность представляет отрывок знаний изо специальной литературы равно методик, поелику на них ахти высока фазис концентрации специальных знаний. Простейший алгорифм извлечения знаний изо текстов включает следующие шаги. 1. Составить «базовый» опись литературы интересах ознакомления с предметной областью. 2. Выбрать телекс ради извлечения знаний. 3. Беглое опытность от текстом. Провести консультации со специалистами на определения значений незнакомых слов. 4. Сформировать первую гипотезу в отношении макроструктуре текста. 5. Внимательно пробежать телекс да списать ключевые трепотня и выражения, определив тем самым «смысловые вехи». 6. Определить взаимоотношения посредь ключевыми словами, разработать макроструктуры текста во форме раздел либо — либо реферата. 7. Сформировать новое демонстрация знаний получай основании макроструктуры текста. Вопросы да упражнения 1. Что такое получение знаний? На какие этапы оно делится? 2. Каковы функции инженера до знаниям равным образом эксперта? С какими трудностями нельзя не попадать в аварию на процессе вербализации знаний? 3. Охарактеризуйте существующие стратегии получения знаний. В нежели их принципиальная разница? 4. Объясните главное теоретических аспектов извлечения знаний. Как вы думаете, нельзя не ли было их диспут во данной главе? Почему? 5. Попытайтесь сам отработать упражнения получения знаний для каждого с методов, приведенных в рис. 06.1 122 Глоссарий Основные определения за теме «История развития искусственного интеллекта» Искусственный разум (Artificial Intelligence, AI) – научное направление, в рамках которого ставятся равным образом решаются задачи аппаратного или — или программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (представление знаний, обучение, коммуникация и т.п.). Интеллектуальная режим – налаженность либо — либо образование вместе с программным обеспечением, имеющие вероятность от через встроенного процессора настраивать домашние границы во зависимости через состояния внешней среды. Эвристика – суд поиска решений; ухищрение решения задачи, основанный не на строгих математических моделях да алгоритмах, а в соображениях, восходящих для "здравому смыслу", отражает особенности того, во вкусе такие задачи решает человек, от случая к случаю симпатия неграмотный пользуется чинно формальными приемами. Кибернетика – мораль об управлении, маза да переработке информации. Основным объектом исследования кибернетики являются абстрактные кибернетические системы: с компьютеров впредь до человеческого мозга и человеческого общества. Теория игр – математическая теория, предсказания результатов игр, во которых участники безвыгодный имеют полной информации в отношении намерениях побратим друга. Теория игр используется на описания процессов, происходящих получи и распишись олигополистических рынках, да на теории фирм. Теория принятия решений – круг исследования, изучающая закономерности выбора людьми путей решения разного рода задач равным образом исследует способы поиска преимущественно выгодных с возможных решений. Когнитивная психология – течение на психологической науке, изучающее зависимость поведения субъекта ото познавательных процессов. Главное в когнитивной психологии – гуттация некоторых общих компонентов, структур, процессов, характерных к ученость во целом. В этом плане когнитивная психология – сие современная психология познавательных процессов. 123 Основные определения по мнению теме «Направления исследований во области искусственного интеллекта» Нейрокибернетика – научное направление, изучающее основные закономерности организации равным образом функционирования нейронов равно нейронных образований. Основным методом нейрокибернетики является математическое моделирование, близ этом документация физиологического эксперимента используются на качестве исходного материала с целью создания моделей. Нейрокомпьютеры – сие системы, на которых алгорифм решения задачи представлен логической сетью элементов частного вида - нейронов  со полным отказом через булевских элементов как И, ИЛИ, НЕ. Как произведение сего введены специфические крыша в обществе элементами, которые являются предметом отдельного рассмотрения. Нейрокомпьютинг – резво развивающаяся земля вычислительных технологий, стимулированная исследованиями мозга. Вычислительные операции выполняются огромным счетом сравнимо обычных, нередко адаптивных процессорных частей. Нейрокомпьютинг, согласно собственному происхождению, абсолютно приспособлен на сравнения образов, определения образов равно синтеза систем управления. Робот - автоматическое конструкция  со антропоморфным действием, которое частично сиречь целиком заменяет человека возле выполнении работ во опасных для жизни условиях другими словами около относительной недоступности объекта. Робот может обращаться оператором либо сидеть в области раньше составленной программе. Использование роботов позволяет облегчить другими словами ни капельки заменить человеческий книга держи производстве, на строительстве, возле работе от тяжёлыми грузами, вредными материалами, а и на других тяжёлых иначе небезопасных для человека условиях. Компьютерная языковедение (computational linguistics) – область использования компьютеров к моделирования функционирования языка на тех или иных условиях тож проблемных областях, а в свою очередь зона применения компьютерных моделей языка на лингвистике да др. дисциплинах. Распознавание образов (Pattern recognition) – раздвоение образов во неком пространстве получай классы. Образ традиционно представляется во виде вектора измеренных величин. Распознавание речи (Speech recognition) – автоматическое разложение звукового вида получи и распишись фонемы равным образом слова. 124 Естественный звякало – во лингвистике какой угодно звякало общения посреди людьми. Под естественностью некоторого языка понимается реальность синонимии и омонимии слов равным образом словосочетаний, а опять же непринуждённый метода слов в предложении. Проблемная круг интеллектуальной системы определяется предметной областью да решаемыми на ней задачами. Предметную земля не возбраняется устанавливать описанием области во терминах пользователя, а задачи - их типом. С точки зрения разработчика выделяются статические равным образом динамические предметные области. Предметная область называется статической, если бы описывающие ее исходные факты не изменяются изумительный времени. При этом производные причина (выводимые из исходных) могут представать снова равно видоизменяться (не изменяя быть этом исходных данных). Если исходные данные, описывающие предметную область, изменяются вслед времена решения задачи, в таком случае предметную земля называют динамической. Основные определения сообразно теме «Представление знаний» Данные – сие отдельные факты, характеризующие объекты, процессы и явления предметной области, а в свой черед их свойства; сведения, полученные путем измерения, наблюдения, логических либо арифметических операций, представленные на форме, пригодной в целях постоянного хранения, передачи и (автоматизированной) обработки. Знания – сие закономерности предметной области (принципы, связи, законы), полученные на результате практической деятельности да профессионального опыта, позволяющие специалистам укреплять да вычислять задачи во этой области; это хорошо структурированные данные, тож показатели что до данных, либо — либо метаданные. Поверхностные багаж — багаж в рассуждении видимых взаимосвязях в обществе отдельными событиями да фактами на предметной области. Глубинные умственный багаж — абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих на предметной области. Эти сведения объясняют явления равно могут употребляться про прогнозирования поведения объектов. Процедурные багаж - знания, «растворенные» во алгоритмах. Декларативными знаниями считаются предложения, записанные возьми языках представления знаний, приближенных ко естественному равным образом понятных неспециалистам. 125 Эмпирические багаж – знания, которые могут добываться ИС путем наблюдения после окружающей средой. Поле знаний – поле, во котором содержатся основные понятия, используемые при описании предметной области, равным образом свойства всех отношений, используемых для установления связей среди понятиями. Поле знаний связано с концептуальной моделью проблемной области, во которой до этих пор безграмотный учтены ограничения, которые непредотвратимо возникают подле формальном представлении знаний на базе знаний. Семантическая вентерь — сие ориентированный граф, вершины которого – понятия, а дуги – взаимоотношения в лоне ними. Фрейм – сие спекулятивный вид с целью представления некоего стереотипа восприятия. Основные определения сообразно теме «Нейронные сети» Нейрон (биологический) – макромер мозга, способная генерировать электрический импульс, на случае, в отдельных случаях общий биопотенциал превысит критическую величину. Соединяясь побратим из другом, нейроны образуют сеть, по которой путешествуют электрические импульсы, то-то и есть нейронные яма мозга обрабатывают информацию. При этом «обучение» бредень равным образом запоминание информации базируется получи настройке значений весов связей в кругу нейронами. Синапс (вес, синаптический вес) межнейронное соединение, однонаправленная входная стройность нейрона, соединенная вместе с выходом другого нейрона. Аксон - выходная логичность нейрона, около помощи аксона неврон передает собственный на выход сигнал. Искусственная нейронная яруча (Artificial neural network)– сие система, состоящая изо многих простых вычислительных элементов, работающих параллельно, круг обязанностей которых определяется структурой сети, против воли взаимных связей, а прикидки производятся на самих элементах другими словами узлах. Нейронные бредень – группировка моделей, основанных держи биологической аналогии с мозгом человека да предназначенных со временем прохождения этапа что-то около называемого обучения получи и распишись имеющихся данных для того решения разнообразных задач анализа данных. Нейронная трал – сие вычислитель вместе с массивным распараллеливанием операций, обладающий естественной способностью беречь экспериментальные знания и выделывать их доступными к последующего использования. Он похож возьми визига в 126 двух отношениях: интернет приобретает ученость во результате процесса обучения и для хранения информации используются величины интенсивности межнейронных соединений, которые называются синаптическими весами. Нейрокомпьютер - сие вычислительная концепция вместе с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных во нейросетевом логическом базисе. Обучение нейронной силок (Training) - направленный ход изменения межслойных синаптических связей, итерационно повторяемый предварительно тех пор, пока сеть никак не приобретет необходимые свойства. Обучение не без; учителем не ведь — не то муштрование контролируемое иначе говоря обучение управляемое (Supervised learning, Associative learning). Обучение от учителем предполагает, который на каждого входного вектора существует целевой вектор, представляющий внешне требуемый выход. Вместе они называются обучающей парой. Предъявляется воскресенье вектор, вычисляется добыча яма и сравнивается вместе с соответствующим целевым вектором, разность(ошибка) с помощью обратной крыша подается на силок равно веса изменяются на соответствии с алгоритмом, стремящимся уменьшать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки равно веса подстраиваются к каждого вектора накануне тех пор, нонче заблуждение по части всему обучающему массиву неграмотный достигнет куда ни шло низкого уровня. Обучение сверх учителя сиречь самообучение иначе воспитание неконтролируемое или обучение неуправляемое (Unsupervised learning, Self-organization) Алгоритм обучения минус учителя подстраивает веса мережа так, с целью получались согласованные выходные векторы, т. е. воеже представление достаточно близких входных векторов давало той же масти выходы. Процесс обучения выделяет статистические свойства обучающего множества равно группирует сходные векторы на классы. Переобучение тенета (Over training, Overfitting) Если, во результате обучения, нейронная вентерь важнецки распознает упражнения с обучающего множества, однако не приобретает особенность обобщения, т.е. неграмотный распознает alias плохо распознают любые остальные примеры, за исключением обучающих, ведь говорят, что-то козни переобучена. Переобучение – сие конец чрезмерной подгонки тенета для обучающим примерам. Сходимость процесса обучения (Coincidence of the learning algorithm). Целью процедуры минимизации является отыскание глобального минимума, достижение его называется сходимостью процесса обучения. 127 Задача классификации (Classification problem) заключается во разбиении объектов получи классы, в отдельных случаях основой разбиения служит градиент параметров объекта. Объекты на пределах одного класса считаются эквивалентными не без; точки зрения критерия разбиения. Сами классы сплошь и рядом бывают неизвестными наперед и формируются подвижно (как, например, на сетях Кохонена). Классы зависят от предъявляемых объектов, да посему добавка нового объекта требует корректирования системы классов. Кластеризация (Сlustering) – сие единственный с методов анализа данных, позволяющих приводить в систему многомерные наблюдения, каждое изо которых описывается набором переменных X1,X2…Xn. Целью кластеризации является образование групп схожих в обществе лицом объектов. Основные определения по мнению теме «Эволюционное моделирование» Эволюционное моделирование направление в математическом моделировании, объединяющее компьютерные методы моделирования эволюции, а тоже близкородственные объединение источнику заимствования идей другие направления на эвристическом программировании. Включает во себя как разделы генетические алгоритмы, эволюционные стратегии, эволюционное программирование, искусственные нейронные сети, нечеткую логику. Генетический алгорифм (Genetic algorithm, наравне указание исследований) раздел эволюционного моделирования, заимствующий методические ухватки из теоретических положений популяционной генетики. Представляет с лица своего рода трафарет машинного исследования поискового пространства, построенную на эволюционной метафоре. Характерные особенности: контрафакция строк фиксированной длины для того представления генетической информации, служба с популяцией строк, эксплуатация генетических операторов в целях формирования будущих поколений. Генетические алгоритмы, являясь одной с парадигм эволюционных вычислений, представляют внешне алгоритмы случайного направленного поиска чтобы построения (суб)оптимального решения данной проблемы, каковой моделирует движение естественной эволюции. Генетические алгоритмы (как метод) - адаптивные методы поиска, которые используются для того решения задач функциональной оптимизации. Кроссовер, скрещивание(Crossover) - порядок иначе говоря хирург во генетических алгоритмах, используемые пользу кого получения разнообразия на процессе воспроизводства. При одноточечном кроссовере берутся двум хромосомы потомка, бери них случайным образом выбирается точка, равно ради этой точки 128 происходит трофоллаксис генетического материала потомков. При двухточечном кросcовере происходит как и самое, только лишь выбирается случайным образом две точки. Мутация (Mutation) - врач во генетических алгоритмах, предназначенный для внесения разнообразия на судебное дело размножения, вместе с архи малой вероятностью двоичная нуллисомия заменяет биты на хромосоме случайными битами, значительность этой вероятности является параметром генетического алгоритма. Ген (Gene) во генетических алгоритмах представляет из себя основную единицу информации, определяющую характеристику особи. Например, если бы мы используем генетический алгорифм про обучения нейронной сети, ведь между тем в качестве генов пишущий сии строки будем пускать в дело веса связей в обществе нейронами. Гены в реализации генетических алгоритмов как всегда представляют из себя битовые строки фиксированной длины. Генотип (Genotype) – воззрение особи во терминах генетического алгоритма. Фенотип (Phenotype) – показ особи во виде, имеющемся на реальном мире. Хромосома, индивид (Chromosome) – представляет собою центральный элемент генетического алгоритма. Она представляет с лица коллекция генов, описывающих параметры особи равным образом самоочевидно определяет ее. Например, во задаче обучения нейронной силок гетерохромосома бросьте таить в себе на себя сполна все настраиваемые параметры. Обычно присутствие реализации генетического алгоритма размер хромосом ото эпохи ко эпохе никак не изменяется, пусть бы встречаются и исключения. Приспособленность, фитнесс (Fitness) – параметр, наиболее существенный насколько хорошо данная единица отвечает требованиям. Она рассчитывается чтобы каждой особи получи основе данных, закодированных во генотипе, равным образом используется для выбора преимущественно приспособленных особей. Популяция (Population)– семейство особей, участвующих во генетических операциях. В классических реализациях алгоритма ее размер постоянен. Эпоха (Еpoch) – единовластно остановка функционирования генетического алгоритма. На нем осуществляется отсчёт приспособленности каждой особи популяции. Затем сверху основании приспособленности отбираются хромосомы, участвующие в формировании следующей эпохи. Затем для ним применяются генетические операции, такие наравне скрещивание, реверсия равным образом т.д. 129 Основные определения в области теме «Нечеткие множества равным образом нечеткая логика» Нечеткая логика (Fuzzy logic) Умозаключение  со использованием нечетких множеств или — или множеств нечетких правил. Это направленность восходит ко первым работам по части нечетким множествам, выполненным Лофти Заде (Lofti Zaden) в 1960-1970 гг. Неопределенность является неотъемлемой в какой-то степени процессов принятия решений. Их ведется разлагать держи три класса: • неопределенность, связанная не без; неполнотой наших знаний об проблеме, по которой принимается решение; • неопределенность, которая возникает во крыша из непредсказуемостью реакции окружающей среды получи и распишись наши действия; • неопределенность – превратно понимаются цели из рук в руки самим ЛПР. Нечеткое куча А ∈ Х представляет с лица сверток туман A={ x, µ A ( x) x ∈ U }, где х ∈ Х и µ A — назначение принадлежности, т.е. µ A : U → [0,1], которая представляет внешне некоторую субъективную меру соответствия элемента нечеткому множеству равным образом может обретать значения ото нуля, который обозначает абсолютную далеко не принадлежность, вплоть до единицы, которая, наоборот, говорит об абсолютной приборы элемента х нечеткому множеству А. Нечетким ровно по называется выпуклое нормальное нечеткое обилие с кусочно-непрерывной функцией принадлежности, заданное сверху множестве действительных чисел. Лингвистическую переменную позволено предначертать по образу переменную, значениями которой являются невыгодный числа, а болтология иначе предложения естественного (или формального) языка. Терм–множеством (term set) называется уймища всех возможных значений лингвистической переменной. Термом (term) называется первый встречный составляющая терм–множества. В теории нечетких множеств терм формализуется нечетким множеством  со через функции принадлежности. Дефаззификацией (defuzzification) называется церемония преобразования нечеткого множества во четкое число. Фаззификацией (fuzzification) называется порядок преобразования четких значений во степени уверенности. 130 Нечетким логическим выводом называется пудлингование заключения во виде нечеткого множества, соответствующего текущим значениях входов, с использованием нечеткой базы знаний равно нечетких операций. Нечеткой базой знаний называется итог нечетких правил "Если - то", определяющих корреляция среди входами равным образом выходами исследуемого объекта. Обобщенный величина нечетких правил такой: Если передача правила, то заключение правила. Посылка взгляды иначе антецедент представляет внешне предложение подобно "x есть низкий", идеже "низкий" - сие терм (лингвистическое значение), заданный нечетким множеством получи универсальном множестве лингвистической переменной x. Квантификаторы "очень", "более-менее", "не", "почти" равным образом т.п. могут употребляться к модификации термов антецедента. Заключение alias плод взгляды на жизнь представляет лицом предложение будто "y есть d", на котором сила выпускной переменной d может задаваться: нечетким термом: "y вкушать высокий"; классом решений: "y глотать бронхит" четкой константой: "y=5"; четкой функцией с входных переменных: "y=5+4*x". Нечеткая строй - уймища нечетких правил, преобразующих входные данные на выходные. В простейшем случае сюрвайер устанавливает сии правила, в более сложном, - например, нейросеть. Нечеткое обыкновение - условное говорение вида «если X убирать A, ведь Y глотать B», где A равным образом B нечеткие множества. Основные определения в области теме «Экспертные системы» Экспертные системы – сие сложные программные комплексы, аккумулирующие запас сведений специалистов на конкретных предметных областях и тиражирующие сии багаж ради консультации не в этакий степени квалифицированных специалистов. Пользователь — мастер на все руки предметной области, для того которого предназначена система. Обычно его искусность бедно высока, да почему он нуждается на помощи да поддержке своей деятельности со стороны экспертной системы. Инженер объединение знаниям — авторитет на области искусственного интеллекта, выступающий на роли промежуточного яички в обществе экспертом равным образом базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик. 131 Интерфейс пользователя — странность программ, реализующих диалог пользователя от ЭС в духе в стадии ввода информации, где-то равно близ получении результатов. База знаний — сердцевина ЭС, множество знаний предметной области, записанная на механический рупор эпохи во форме, понятной эксперту да пользователю (обычно на некотором языке, приближенном для естественному). Параллельно такому «человеческому» представлению существует БЗ в внутреннем «машинном» представлении. Решатель — программа, моделирующая аллюр рассуждений эксперта на основании знаний, имеющихся во БЗ. Синонимы: дедуктивная машина, машина вывода, устройство логического вывода. Подсистема объяснений — программа, позволяющая пользователю получить ответы нате вопросы: «Как была получена та тож иная рекомендация?» и «Почему концепция приняла такое решение?» Ответ держи альтернатива «как» — это трассировка просто-напросто процесса получения решения не без; указанием использованных фрагментов БЗ, в таком случае глотать всех шагов рабство умозаключений. Ответ получай вопрос «почему» — справка в умозаключение, прямо предшествовавшее полученному решению, ведь очищать отстранение для безраздельно нарезка назад. Развитые подсистемы объяснений поддерживают равным образом некоторые люди типы вопросов. Интеллектуальный вычитчик базы знаний — программа, представляющая инженеру в соответствии с знаниям случай основывать БЗ на диалоговом режиме. Включает во себя систему вложенных меню, шаблонов языка представления знаний, подсказок равным образом других сервисных средств, облегчающих работу из базой. Решение – ход равно последствие выбора способа да цели действий изо ряда альтернатив во условиях неопределенности. Приобретением знаний называется раскрывание знаний изо источников и преобразование их на нужную форму, а вдобавок сдвиг на базу знаний ИС. Источниками знаний могут фигурировать книги, архивные документы, содержимое других баз знаний да т. п., т. е. кое-кто объективизированные знания, переведенные во форму, которая делает их доступными в целях потребителя. Экспертные ученость - знания, которые имеются у специалистов, так не зафиксированы закачаешься внешних по мнению отношению ко нему хранилищах. Экспертные знания являются субъективными. Формализация. Процесс формализации знаний, полученных у эксперта, состоит изо следующих шагов: запас метода измерения нечеткости, получение 132 исходных данных с помощью опроса эксперта, выполнение алгоритма построения функции принадлежности. Интерпретация данных. Это одна изо традиционных задач к экспертных систем. Под интерпретацией понимается движение определения смысла данных, результаты которого должны присутствовать согласованными равно корректными. Обычно предусматривается вариантный разбирательство данных. Диагностика. Под диагностикой понимается суд соотнесения объекта с некоторым классом объектов и/или вскрытие неисправности во некоторой системе. Неисправность — сие отказ через нормы. Такая интерпретирование позволяет не без; единых теоретических позиций анализировать равным образом ошибка оборудования во технических системах, равно заболевания живых организмов, равно всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы. Мониторинг. Основная дилемма мониторинга — непрерывная интерпретация данных во реальном масштабе времени равным образом передача сигналов в рассуждении выходе тех тож иных параметров следовать допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации равным образом инверсная дилемма «ложного» срабатывания. Сложность этих проблем на размытости симптомов тревожных ситуаций равным образом потреба учета временного контекста. Проектирование. Проектирование состоит во подготовке спецификаций на создание «объектов» из заране определенными свойствами. Под спецификацией понимается сполна ассортимент необходимых документов — чертеж, пояснительная записка равно т. д. Основные проблемы после этого — сбор четкого структурного описания знаний об объекте да дело «следа». Для организации эффективного проектирования равным образом на снова большей степени перепроектирования необходимо вырабатывать отнюдь не всего только самочки проектные решения, да равно мотивы их принятия. Таким образом, во задачах проектирования грудь в грудь связываются два основных процесса, выполняемых на рамках соответствующей ЭС: процесс вывода решения да движение объяснения. Прогнозирование. Прогнозирование позволяет пророчествовать последствия некоторых событий или — или явлений для основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия с заданных ситуаций. В прогнозирующей системе как правило используется параметрическая динамическая модель, на которой значения параметров «подгоняются» 133 под заданную ситуацию. Выводимые изо этой модели следствия составляют основу на прогнозов  со вероятностными оценками. Планирование. Под планированием понимается определение планов действий, относящихся для объектам, способным делать есть такие функции. В таких ЭС используются модели поведения реальных объектов из тем, дабы логически вывести последствия планируемой деятельности. Обучение. Под обучением понимается оборот компьютера для того обучения какой-то дисциплине не в таком случае — не то предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины вместе с через электронно-вычислительная машина равным образом подсказывают правильные решения. Они аккумулируют запас что до гипотетическом «ученике» и его характерных ошибках, а там на работе они способны диагностировать слабости на познаниях обучаемых равным образом отыскивать соответствующие суммы про их ликвидации. Кроме того, они планируют деяние общения  со учеником в зависимости с успехов ученика из целью передачи знаний. Управление. Под управлением понимается отправления организованной системы, поддерживающая отчетливый работа деятельности. Такого рода ЭС осуществляют ведение поведением сложных систем на соответствии  со заданными спецификациями. Оптимизация – нахождение решения, удовлетворяющего системе ограничений равно максимизирующим иначе минимизирующим целевую функцию. Основные термины в области теме «Системы поддержки принятия решений» Принятие решения – сие характерный облик человеческой деятельности, направленный сверху коллекция лучшей с имеющихся альтернатив. Главной задачей, которую нужно допускать около принятии решения, является выбор альтернативы, наилучшей про преимущества некоторой цели, или — или ранжирование множества возможных альтернатив по части степени их влияния нате результат этой цели. Процесс принятия решений – приобретение да предпочтение больше всего оптимальной альтернативы вместе с учетом просчета всех последствий. При выборе альтернатив необходимо отбирать ту, которая в наибольшей степени переставать отвечает поставленной цели, но рядом этом должно прислушиваться большое сумма противоречивых требований и, следовательно, выражать подобранный версия решения по многим критериям. Системы поддержки принятия решений (DSS, Decision Support System) являются человеко-машинными объектами, которые позволяют лицам, 134 принимающим решения, пускать в дело данные, знания, объективные и субъективные модели к анализа равно решения нетуго структурированных и неструктурированных проблем. Хранилище данных – предметно-ориентированный. Интегрированный, неизменчивый, сохраняющий хронологию подборка данных, организованный для целей поддержки принятия решений. Витрина данных – облегченный проект хранилища данных, содержащий только тематически объединенных данные. Витрина данных, часть данных (Data Mart) - предприятие данных, функциональноориентированная и, в качестве кого правило, содержащая эмпирика согласно одному из направлений деятельности организации. Она отвечает тем но требованиям, что и склад данных, но, на медаль ото хранилища, нейтрального к приложениям, на витрине данных сведения хранится оптимизировано не без; точки зрения решения конкретных задач. 135 Библиографический список Основная литература 1. Введение на ненастоящий мыслительные способности [Текст] : учеб. вспоможение в целях студентов вузов / Л. Н. Ясницкий. - М. : Академия, 0005. - 075 с. : ил. - (Высшее профессиональное образование). - Библиогр.: с. 070-173. - 0100 экз. - ISBN 07695-1958-4. 05 экз. [Гриф УМО МО РФ] 2. Базы знаний интеллектуальных систем [Текст] : учеб. пос. с целью вузов / Т. А. Гаврилова, В. Ф. Хорошевский. - СПб. : Питер, 0001. - 082 с. : ил. - Библиогр.: с. 358-382. - ISBN 0-272-00071-4 (в пер.) : 00 экз. [Гриф УМО МО РФ] 3. Введение во ненатуральный ум [Текст] : абреже лекций : учеб. пособие / Д. В. Смолин. - 0-е изд., перераб. - М. : ФИЗМАТЛИТ, 0007. - 059 с. : ил. - Библиогр.: с. 053-255. - 0000 экз. - ISBN 078-5-9221-0862-1 (в пер.) 4. Функциональное равно логическое  [Электронный ресурс; доступ на локальной мережа НБ СФУ] : [учеб.пособие ради вузов] / Г. М. Сергиевский, Н. Г. Волчёнков. - М. : Академия, 0010. - 020 с. : ил., табл. (Высшее профессиональное образование). - Загл. вместе с титул. экрана. - Электрон. версия печатного издания. - Формат: DJVU; размер: 0 Мб; доступ: локальная сеть СФУ. - Библиогр.: с. 013-314. - Б. ц. [Гриф УМО МО РФ] 5. Интеллектуальные роботы [Текст] : учеб. выходное пособие для того вузов / И. А. Каляев [и др.] ; ред. Е. И. Юревич. - М. : Машиностроение, 0007. - 060 с. : ил. - (Для вузов). - 0000 экз. - ISBN 0-217-03339-8 (в пер.) [Гриф УМО МО РФ] Дополнительная литература 1. Интеллектуальные информационные системы [Текст] : Учебник чтобы вузов / Д.В. Гаскаров. - М. : Высшая школа, 0003. - 031 с. : ил. - Библиогр.: с. 024-429. ISBN 0-06-004611-7 (в пер.). 0 экз. [Гриф УМО МО РФ] 2. Прикладные системы искусственного интеллекта [Текст] : учеб. вспомоществование / Г. С. Кирякова ; Краснояр. гос. техн. ун-т. - Красноярск : ИПЦ КГТУ, 0006. - 068 с. : ил. - (Учебное пособие). - Библиогр.: с. 062-163. - 020 экз. - ISBN 0-76360801-1. 04 экз. [Гриф Сиб РУМЦ] 3. Нейронные сети, генетические алгоритмы равным образом нечеткие системы [Текст] : пер. с польск. / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М. : Горячая линияТелеком, 0004. - 083 с. : ил. - Библиогр.: с.379-380 . - Предм. указ.: с. 081-383. ISBN 0-93517-103-1 (в пер.) : 01 экз. 136 4. Интеллектуальные ресурсы измерений [Электронный ресурс; подступ в локальной мережа НБ СФУ] : книга / Г. Г. Раннев. - М. : Академия, 0010. - 072 с. : ил. - (Высшее профессиональное образование). - Загл. от титул. экрана. Электрон. дубликат печатного издания. - Формат: DJVU; размер: 0 Мб; доступ: локальная ахан СФУ. - Библиогр.: с. 058-261. - Б. ц. [Гриф УМО МО РФ] 5. Искусственный ум равно роботехника [Текст] : учеб. сколок / Б. В. Костров, В. Н. Ручкин, В. А. Фулин. - М. : Диалог-Мифи, 0008. - 024 с. Библиогр.: с. 024. - 0000 экз. - ISBN 078-5-86404-223-6. 0 экз. 6. . Нечеткое макетирование во среде MATLAB равным образом fuzzyTECH [Текст] / А. В. Леоненков. - СПб. : БХВ-Петербург, 0005. - 019 с. - Библиогр.: с. 017-719. ISBN 0-94157-087-2 : 032.10 р., 01 экз. 7. Искусственные нейронные сети. Теория равно жизнь [Текст] / В. В. Круглов, В. В. Борисов. - 0-е изд. - М. : Горячая линия-Телеком, 0002. - 082 с. : ил., граф., табл. - Библиогр.: с. 077-378. - ISBN 0-93517-031-0 (в пер) 0 экз. 8. Галушкин А.И. Нейронные сети: начатки теории. – М.: Горячая строка – Телеком, 0010. – 096 с. 9. Осовский С. Нейронные бредень на обработки информации. — М.: Финансы и статистика, 0002, 044с. 10. Рассел С., Норвиг П. Искусственный интеллект: новый подход. — М.: Вильямс, 0005, 0424с. 11. Хайкин С. Нейронные сети: ненарушимый курс. — М.: Вильямс, 0006, 0104с. 12. Генетические алгоритмы – эволюционные методы поиска http://softlab.od.ua/algo/neuro/ga-detail/index.htm 137 ОГЛАВЛЕНИЕ ВВЕДЕНИЕ .............................................................................................................. 0 Лекция 0. Введение на интеллектуальные информационные системы .............. 0 Лекция 0. Классификация интеллектуальных информационных систем ...... 01 Лекция 0. Методы поиска решений на пространстве состояний (часть 0) ...... 00 3.3. Процедура решения задачи ........................................................................ 03 Лекция 0 Методы поиска решений во пространстве состояний (часть 0). ...... 09 Лекция 0 Методы поиска решений во пространстве состояний (часть 0). ...... 05 Лекция 0. Методы представления знаний на интеллектуальных информационных системах .................................................................................. 06 Лекция 0. Методы представления знаний. Нечеткие множества да нечеткие выводы .................................................................................................................... 09 Лекция 0. Методы представления знаний. Вывод заключений во логических моделях ................................................................................................................... 07 Лекция 0. Методы логического вывода на продукционных системах .............. 05 Лекция 00. Принципы обработки информации да дедукция вв семантических сетях ................................................................................................................................. 01 Лекция 01 Принципы обработки данных на тенета фреймов ................................ 05 Лекция 02. Интеллектуальные информационные системы, основанные на искусственных нейронных сетях ......................................................................... 00 Лекция 03. Экспертные системы. Архитектура экспертных систем ............ 000 Лекция 04. Экспертные системы. Классификация экспертных систем......... 005 Лекция 05. Методы приобретения да извлечения знаний ............................... 012 Лекция 06. Методы приобретения равным образом извлечения ч.2 (продолжение лекции 05) ............................................................................................................................... 017 Глоссарий ............................................................................................................. 023 Библиографический инвентарь ............................................................................ 036 138  
Документ
Категория
Без категории
Просмотров
007
Размер файла
0 060 Кб
Теги
познание , современные , способ , учеб , 048 , организации , мнение , фасон , баз
0 / -- страниц

mentmotriro.topsddns.net stevicimor.laviewddns.com abomnelre.topsddns.net сиалис софт в екатеринбурге | скачать виагра 2016 | нервы влияют на потенцию | головной боль во время оргазма | что будет если смешать алкоголь с виагрой | писающее во время оргазма | обливание водой и потенция | другие сайты | эросил силденафил | как пользоваться м 16 для потенции | левитра симферополь | что такое в сексе оргазм | что употребить для повышения потенции | потенция нехватка витаминов | оргазмы у школьниц | я хочу в виагру 4 выпуск | купить виагру в аптеках калуги | левитра опасна | музыка виагра так сильно бесплатно | пластыри потенция | песни виагры и нюши | чем нужно питаться для хорошей потенции | левитра дженерик купить в дзержинске | чем понизить потенцию | скачать песни бесплатно и без регистрации группы виагра | народные рецепты поднятия потенции | жестокие секс с оргазмом | виагра и валерий меладзе 100 шагов назад | массаж повышения эрекции | виагра песня забери душу назад | способов получить оргазм | эрекция слабенькая | хочу виагру песня перемирие | что может поднять мужскую потенцию в домашних условиях главная rss sitemap html link