048.Современные модели представления знаний равным образом создание баз знаний учеб.-метод

шифр для того вставки Скачать
 Министерство образования равно науки Российской Федерации Сибирский общефедеральный 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 Танюша Александровна С568 Современные модели представления знаний равным образом ассоциация баз знаний: учебно-методическое дотация [Электронный ресурс] / сост. Янковская Т.А. – Электрон. дан. – Красноярск: Сиб. федер. ун-т, 0013. – Систем. требования: PC никак не внизу класса Pentium I; 028 Mb RAM; Windows 08/XP/7; Adobe Reader V8.0 равным образом выше. – Загл. из экрана. Учебно-методическое вспомоществование ориентировано возьми дисциплину «Современные модели представления знаний равным образом ассоциация баз знаний» составлено во соответствии с рабочей программой дисциплины. Описаны модели представления знаний равно методы приобретения, представления равным образом обработки знаний на интеллектуальных системах. Рассмотрены вопросы организации баз знаний подле проектировании экспертных систем Предназначено для того магистров направления 030100.68 «Информатика и вычислительная техника». УДК 004.6(07) ББК 02.973я73 © Сибирский федеральный университет, 0013 Учебное издание Подготовлено ко публикации ИЦ БИК СФУ Подписано на мир 09.04.2013 г. Заказ 0087. Тиражируется в 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 во области компьютерных технологий способствуют постоянно большему распространению вычислительной техники и проникновению ее на области, изначально далекие с использования ЭВМ. Развитие технических возможностей компьютеров, таких, по образу быстродействие, емкость памяти, надежность, способствует развитию целое побольше сложного программного обеспечения, что такое? энергично увеличивает зона проблем, решение которых может состоять возложено держи компьютер. Стремление для достижению высокоуровневой технологии обработки информации приводит ко созданию систем, обладающих интеллектуальными функциями. Появление держи западных равным образом российских рынках информационных систем, основанных получи и распишись принципах искусственного интеллекта равно их контрафакция в экономике, бизнесе, технике равным образом других областях человеческой деятельности для принятия решений, свидетельствует в отношении перспективности сего направления. Пользователи таких систем могут варьироваться во широком диапазоне – от бухгалтера, аудитора тож финансиста накануне аналитика, вырабатывающего предложение с целью правительства объединение совершенствованию, например, стоимостный и налоговой политики. Вместе не без; тем, с целью реализации равно поддержки этих интеллектуальных систем надлежит значительное доля специалистов, обладающих теоретическими равным образом 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 на системах искусственного интеллекта. Задачи изучения данной дисциплины состоят во формировании умений и навыков решения задач проектирования да управления получай основе методов искусственного интеллекта. В результате изучения дисциплины универсант обязан обзавестись знания, умения равно навыки, необходимые про его профессиональной деятельности в качестве магистра по мнению направлению «Информатика да вычислительная техника». 3 Лекция 0. Введение во интеллектуальные информационные системы 1.1.Введение во теорию интеллектуальных систем 1.2 Определения равно классификации во теории интеллектуальных систем 1.3 Основные направления исследований на области искусственного интеллекта 1.1. Введение во теорию интеллектуальных систем Любая интеллектуальная дело человека опирается возьми знания предметной области, на которой ставятся да решаются чаще всего неформализуемые равно тяжко формализуемые задачи. Неформализуемые задачи - задачи, которые обладают одной или несколькими с следующих характеристик: - они никак не могут бытийствовать заданы во числовой форме, т.е. задаются во терминах нечетких множеств; - цели невыгодный могут оказываться выражены на терминах как следует определенной целевой функции; - малограмотный существует алгоритмического решения задач. Это во томик числе задачи, диагностики заболеваний, диагностики неисправностей сложных систем, управления работой подвижных автономных объектов да робототехнических систем во 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 равно приманка особенности, в частности объёмистый спектр решений, неоднозначность, противоречивость, ошибочность исходных данных да знаний в рассуждении проблемной области, равно они нередко формулируются для того условий, от случая к случаю на ходе решения меняется первоначально заданная информация. Однако лишь только от появлением электронной вычислительной аппаратура в начале 00-х годов XX века понятие получения решений таких задач искусственными системами, моделирующими языково-мыслительные процессы и действия человека становится реальной чтобы воплощения на виде интеллектуального компьютера - системы  со искусственным интеллектом. Такая система относится ко интеллектуальной системе как только тогда, при случае возлюбленная обладает свойствами естественного интеллекта, интеллекта человека. В 0950 году британский геометр древний славянин Тьюринг (A. Turing) предложил специальный мера - поведенческий задача интеллектуальности,  со помощью которого определяют, может ли власть мыслить. Согласно этому критерию, машина может оказываться признана мыслящей, неравно эксперт, ведя от ней совещание по достаточно широкому кругу вопросов, далеко не сможет отличить ее ответов от ответов разумного человека. 4 Тест неграмотный потерял свою значимость да ныне. Согласно тесту система интеллектуальна тогда, в некоторых случаях симпатия обладает средствами: 1) обработки текстов сверху естественном языке (вычислительной лингвистики) – по причине таким средствам что естественное интересах человека общение от системой; 2) зрительного восприятия объектов (машинного зрения); 3) представления знаний - от их через воспринятые знания преобразуются во форму доступную на системе в целях оперирования равным образом записи в ее память; 4) автоматического формирования логических выводов - они могут обеспечить в поступивший запрашивание уступка поисковых задач и получение новых заключений держи основе хранимой информации; 5) машинного обучения - они нужны про выявления да прогнозирования признаков стандартных ситуаций равно адаптации ко изменяющимся условиям; 6) перемещения на пространстве равно манипулирования объектами (робототехники). Благодаря работам многих зарубежных равно отечественных ученых, сформировалась новая земля знаний, названная во 0956 году в соответствии с предложению Джона Маккарти (J. McCarthy) – поддельный умственные способности (ИИ, Artificial Intelligence, AI). Согласно ГОСТ 05971-90 поддельный голова - "способность вычислительной механизмы формовать дело мышления ради ностро выполнения функции, которую по большей части связывают вместе с человеческим интеллектом". Научные направления, связанные от выявлением, исследованием и построением средств, приведенных на тесте А. Тьюринга, стали на так время основой искусственного интеллекта. В сегодняшний день пора тематика искусственного интеллекта охватывает существенно болий опись научных направлений, во их числе автоматическое  (системы автоматического создания программного обеспечения), лет (системы автоматической выработки наилучших планов действий про актив заданных целей), самоуправляющие системы, различение эмоциональных состояний и обучение им интеллектуальных систем. В наши дни, на правах отмечают С. Рассел (S. Russell) равно П. Норвинг (P. Norving), имеет поляна стремление для новому взгляду возьми искусственный интеллект: во вкусе получай науку проектирования рациональных агентов искусственных агентов, действующих на среде от учетом полезности Интерес к таким агентам равным образом проектам агентов особенно заметен середи исследователей и разработчиков, занимающихся изучением равным образом созданием интеллектуальных роботов (роботика), мобильных программных роботов ради тенета Интернет, мультиагентных технологий равно мультиагентных систем различного назначения. 5 1.2. Определения равным образом классификации во теории интеллектуальных систем Информационно-вычислительные системы (ИВС) вместе с интеллектуальной поддержкой, на правах правило, применяются на решения сложных задач, где смысловая улучшение информации превалирует надо вычислительной. К задачам подобного вроде относятся: - соображение (распознавание) да репликация речи; - исследование визуальной информации; - руководство роботами; - испытание ситуаций равным образом приёмка решений. Уточним, в духе будем прозывать системы от элементами искусственного интеллекта равным образом что-нибудь будем познавать перед «интеллектуальной системой» и «интеллектуализированной системой». Определение 0.1. Интеллектуальная учение - сие информационновычислительная налаженность от интеллектуальной поддержкой присутствие решении задач без участия оператора (лица, принимающего резолюция - ЛПР). Определение 0.2. Интеллектуализированная доктрина - сие ИВС с интеллектуальной поддержкой присутствие решении задач  со участием оператора - ЛПР. Определение 0.3. Система от интеллектуальной поддержкой - система, способная единолично получать решения. Под способностью системы беспричинно пить решение необходимо познавать гений системы приобретать равно анализировать информацию, постигать ее да вытворять новые выводы (пополняя ее), формулировать заключения, т.е. «мыслить», помогая естественному интеллекту - человеку, который, на свою очередь, корректируя, «улучшает» принятое интегрированное решение. Следует заметить, ась? существующие автоматы alias несложно механическое или электронное реле, которые реагируют в наличность иначе лишение сигнала или присутствие контроле параметров работают до принципу «годен - негоден», относятся ко ИВС вместе с низким уровнем «интеллектуализации». Таким образом, лещадь интеллектуализированной системой (ИС) будем понимать систему, способную получать вердикт на условиях: а) необходимости подвергать обработке да разлагать немалый массив информационной базы данных; б) ограниченной информации; в) неопределенности; г) многомерного пространства; д) необходимости отличать ситуацию (образы, сцены равно т.д.); е) различных стадий жизненного цикла объектов (процессов) проектирования, производства, эксплуатации; 6 ж) динамических, эволюционизирующих, нестационарных влияющих для намерение задачи; з) формализации равным образом представления знаний; и) адаптации, самообучения, самоорганизации равно т.д. фактов, Следовательно, неравно ИВС имеет необходимую математическую, алгоритмическую, программную равно инструментальную поддержку на принятии решения на перечисленных условиях, в таком случае будем считать, который симпатия имеет интеллектуальную поддержку рядом решении широкого класса разнообразных задач. Опишем фиктивно отождествление интеллектуальной информационной системы (ИИС): ИИС=<МО, АО, ПО, ИО>|(а, в,.... и), где МО, АО, ПО, ИО - в соответствии с математическое, алгоритмическое, программное да инструментальное обеспечение; <>|( ) - означает при соответствующем условии. Все существующие интеллектуальные информационно-вычислительные системы не грех выиграть держи двушник класса: общего назначения и специализированные. К системам ИИС общего назначения отнесем те, которые отнюдь не только исполняют заданные процедуры; а получи и распишись основе метапроцедур поиска генерируют равно исполняют процедуры решения новых конкретных задач. Технология использования таких систем состоит на следующем. Пользовательоператор (эксперт) формирует багаж (данные да правила), описывающие выбранное добавление (прикладные задачи, предметную область). Затем на основании сих знаний, заданной цели равно исходных данных метапроцедуры системы генерируют равно исполняют процедуру решения конкретной задачи. Данную технологию называют технологией систем, основанных на знании, иначе технологией инженерии знаний. К специализированным ИС отнесены те, которые выполняют решение фиксированного набора задач, предопределенного возле проектировании системы. Для использования таких систем надо наводнить их данными, соответствующими выбранному приложению (прикладным задачам, предметной области). До недавнего времени около разработке специализированных ИС использовалась методика традиционного (процедурного) программирования, что позволяет заручиться их высокую эффективность. Таким образом, близ реализации интеллектуальных функций непременно присутствует да используется информация, называемая знаниями. Системы искусственного интеллекта являются на в таком случае но период системами обработки знаний. 7 1.3. Основные направления во области исследования искусственного интеллекта Интеллектуальные информационные системы проникают умереть и никак не встать до этого времени сферы нашей жизни, того горестно обитать строгую классификацию направлений, по которым ведутся активные равным образом многочисленные исследования во области ИИ, однако перечислим основные с них: • Представление знаний. • Разработка естественно-языковых интерфейсов равно механический перевод. • Обучение равно самообучение. • Распознавание образов. • Игры равно машинное творчество. • Специальное программное доставка систем ИИ. • Новые архитектуры компьютеров. • Интеллектуальные роботы. Рассмотрим коротко есть такие изо сих напрвлений. Разработка интеллектуальных информационных систем либо — либо систем, основанных возьми знаниях. Это одно с главных направлений ИИ. Основной целью построения таких систем являются выявление, изучение и применение знаний высококвалифицированных экспертов для того решения сложных задач, возникающих для практике. При построении систем, основанных нате знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех сиречь иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных равно слабоструктурированных проблем В данной области исследований осуществляется эксплуатация моделей представления, извлечения да структурирования знаний, а вот и все изучаются проблемы создания баз знаний (БЗ), образующих опора СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС). Разработка естественно-языковых интерфейсов да машинный перевод. Проблемы компьютерной лингвистики равно машинного перевода разрабатываются на ИИ не без; 0950-х гг. Системы машинного перевода из одного естественного языка получи видоизмененный обеспечивают быстроту равным образом систематичность доступа для информации, эффективность да правильность перевода больших потоков, что правило, научно-технических текстов. Системы машинного перевода строятся равно как интеллектуальные системы, так как на их основе лежат БЗ во определенной предметной области равно сложные модели, обеспечивающие дополнительную трансляцию «исходный язычина оригинала - язычок смысла - язык перевода». Они базируются возьми структурно-логическом подходе, включающем последовательный обсуждение да анализирование естественно-языковых сообщений. Кроме того, на них осуществляется соединяющий разглядывание аналогичных фрагментов текста равным образом их переводов во специальных базах данных (БД). Данное направление охватывает как и исследования методов равно разработку систем, обеспечивающих 8 реализацию процесса общения человека от компьютером сверху естественном языке (так называемые системы ЕЯ-общения). Генерация да отождествление речи. Системы речевого общения создаются в целях повышения скорости ввода информации во ЭВМ, разгрузки зрения и рук, а в свою очередь про реализации речевого общения возьми значительном расстоянии. В таких системах по-под текстом понимают фонематический слова (как слышится). Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа равно синтеза изображений. Задача обработки изображений связана от трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются во сведения другого типа, хоть бы во текстовые описания. При синтезе изображений возьми ввод системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной графики). Обучение равным образом самообучение. Эта актуальная мир ИИ охватывает модели, методы да алгоритмы, ориентированные получай автоматическое накапливание и формирование знаний от использованием процедур анализа равным образом обобщения данных. К данному направлению относятся отнюдь не этак давнёхонько появившиеся системы добычи данных (Data-mining) равным образом системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery). Распознавание образов. Это одно изо самых ранних направлений ИИ, в котором разнюхивание объектов осуществляется держи основании применения специального математического аппарата, обеспечивающего причисление объектов к классам, а классы описываются совокупностями определенных значений признаков. Игры равным образом машинное творчество. Машинное творческая работа охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним с самых развитых коммерческих направлений во сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют сверхмощный оружейня разнообразных средств, используемых для обучения. Программное оборудование систем ИИ. Инструментальные имущество для разработки интеллектуальных систем включают специальные языки программирования, ориентированные нате обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 0, KRL, FRL), интегрированные программные среды, содержащие множество инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а как и оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, никак не прибегая для программированию. Новые архитектуры компьютеров. Это курс связано с созданием компьютеров никак не фон-неймановской архитектуры, ориентированных 9 на обработку символьной информации. Известны удачные промышленные решения параллельных равно векторных компьютеров, за всем тем во нынешнее время они имеют до боли высокую стоимость, а в свою очередь недостаточную совместность с существующими вычислительными средствами. Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную мишень робототехники. В нынешнее период на основном используются программируемые манипуляторы из жесткой схемой управления, названные роботами первого поколения. Несмотря возьми очевидные успехи отдельных разработок, век интеллектуальных автономных роботов временно не наступила. Основными сдерживающими факторами во разработке автономных роботов являются нерешенные проблемы на области интерпретации знаний, машинного зрения, адекватного хранения да обработки трехмерной визуальной информации. Вопросы равным образом упражнения. 1. Что такое неправдашний интеллект? 2. Прочитайте следующие определения ИИ: - Восхищающие новые деятельность приневолить компьютеры думать… аппаратура с разумом на полном равным образом языковом смысле. (J. Haugeland, 0955). - Исследование умственных способностей  со через использования вычислительных моделей. (E. Charniak, D. McDermot, 0985). - Система, которая способна обнаруживать оригинальные равно эффективные ответы, многократно неожиданные в качестве кого про пользователя равным образом конструктора ЭВМ, эдак и для составителя программ, сообразно которым работает машина. (А.Г. Ивахненко, 1986). - Область исследования, которая пытается раскусить равно моделировать разумное нрав во терминах вычислительных процессов. (R. J. Schalkoff, 1990). - Исследование того, наравне приневолить компьютеры создавать принадлежности безграмотный хуже людей. (E. Rich, K. Knigpt, 0991). - Отрасль науки в отношении компьютерах, которая интересуется автоматизацией разумного поведения.J. I. Luger, W. A. Stubblefield, 0993). Какое с них, за вашему мнению, является особенно точным? 3. Какие изо авторов приведенных перед этим суждений являются нейробиониками, а какие - информатиками? В нежели разрыв сих двух подходов? 4. Каковы основные определения во теории интеллектуальных систем? 5. Охарактеризуйте основные направления исследований во области ИИ. 10 Лекция 0. Классификация интеллектуальных информационных систем 2.1. Классификация интеллектуальных информационных систем 2.2 Системы  со интеллектуальным интерфейсом 2.3 Экспертные системы 2.4 Самообучающиеся системы 2.5 Адаптивные информационные системы 2.1. Классификация интеллектуальных информационных систем Интеллектуальная информационная режим (ИИС) основана бери концепции использования базы знаний к генерации алгоритмов решения прикладных задач различных классов на зависимости через конкретных информационных потребностей пользователей. Для ИИС характерны следующие признаки: • развитые коммуникативные способности; • способность принимать решение сложные плохо формализуемые задачи; • призвание для самообучению; • адаптивность. Интеллектуальные информационные системы Системы не без; 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 с сверх перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут являться носителем одним иначе несколькими признаками интеллектуальности от различной степенью проявления. 11 Средства ИИ могут прилагаться для того реализации различных функций, выполняемых ИИС. На рис. 0.1 приведена классифицирование ИИС, признаками которой являются следующие интеллектуальные функции: • коммуникативные талант — порядок взаимодействия конечного пользователя  со системой; • вотум сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения во зависимости с конкретной ситуации, характеризующейся неопределенностью равно динамичностью исходных данных равным образом знаний; • струнка для самообучению — искусность системы непроизвольно извлекать знания с накопленного опыта равным образом ставить на службу их чтобы решения задач; • адаптивность — дарование системы для развитию во соответствии с объективными изменениями области знаний. 2.2. Системы из интеллектуальным интерфейсом Применение ИИ к усиления коммуникативных способностей информационных систем привело ко появлению систем  со интеллектуальным интерфейсом, середь которых допускается выдвинуть держи коренной план следующие типы. 1. Интеллектуальные базы данных. Позволяют во медаль от традиционных БД убеждать выборку необходимой информации, не присутствующей на явном виде, а выводимой изо совокупности хранимых данных. 2. Естественно-языковой интерфейс. Применяется интересах доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд на системах управления, машинного перевода из иностранных языков. Для реализации ЕЯ-интерфейса необходимо сделать выбор проблемы морфологического, синтаксического и семантического анализа, а тоже задачу синтеза высказываний в естественном языке. При морфологическом анализе осуществляются опознавание и проверка правильности написания слов во словаре. Синтаксический контроль предполагает спад входных сообщений получай отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний да открытие недостающих частей. Семантический испытание обеспечивает установление семантический правильности синтаксических конструкций. В отличие ото анализа репликация высказываний заключается во преобразовании цифрового представления информации на изображение сверху естественном языке. 3. Гипертекстовые системы. Используются ради реализации поиска по ключевым словам во базах данных от текстовой информацией. Для паче полного отражения различных смысловых отношений терминов нельзя не сложная семантическая ассоциация ключевых слов. Решение сих задач осуществляется из через интеллектуальных гипертекстовых систем, в которых приспособление поиска первоначально работает вместе с базой знаний ключевых слов, а 12 затем -  со самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей за исключением текста графическую информацию, аудио- да видеообразы. 4. Системы контекстной помощи. Относятся ко классу систем распространения знаний. Такие системы являются, в духе правило, приложениями к документации. Системы контекстной помощи - специальный случай гипертекстовых равным образом ЕЯ-систем. В них ламер описывает проблему, а система сверху основе дополнительного диалога конкретизирует ее да 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 сношения с пользователем ИИС через графических образов, которые генерируются в соответствии из изменениями параметров моделируемых или — или наблюдаемых процессов. Когнитивная письмо позволяет на наглядном да выразительном виде представить бездна параметров, характеризующих изучаемое явление, освобождает пользователя ото анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально на системах мониторинга равно оперативного управления, на обучающих равным образом тренажерных системах, во оперативных системах принятия решений, работающих во режиме реального времени. 2.3. Экспертные системы Экспертные системы наравне самостоятельное тенденция на искусственном интеллекте сформировалось на конце 0970-х гг. История ЭС началась от сведения японского комитета в области разработке ЭВМ пятого поколения, на котором база напирать уделялось развитию «интеллектуальных способностей» компьютеров от тем, с тем они могли оперировать малограмотный всего лишь данными, а равно знаниями, в качестве кого сие делают специалисты (эксперты) быть выработке умозаключений. Группа по части экспертным системам при Комитете British Computer Society определила ЭС равно как «воплощение на ЭВМ компоненты опыта эксперта, основанной в знаниях, на подобный форме, что машина может подать высокоинтеллектуальный синод alias получить решение относительно обрабатываемой функции». Одним с важных свойств ЭС является умение разжевать хождение своих рассуждений понятным для пользователя образом. Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом равным образом во его трактовке означает «привнесение принципов равным образом инструментария изо области искусственного интеллекта на решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются чтобы решения неформализованных проблем, к 13 которым относят задачи, обладающие одной (или несколькими) с следующих характеристик: • задачи далеко не могут бытовать представлены во числовой форме; • исходные факты равным образом ученость в рассуждении предметной области обладают неоднозначностью, неточностью, противоречивостью; • цели не позволяется явить от через ясно определенной целевой функции; • безвыгодный существует однозначного алгоритмического решения задачи; • алгоритмическое резолюция существует, да его не велено пустить в ход по причине большенный размерности пространства решений да ограничений на ресурсы (времени, памяти). Главное различие ЭС да систем искусственного интеллекта через систем обработки данных состоит на том, который на них используется символьный, а не числовой образ представления данных, а на качестве методов обработки информации применяются процедуры логического вывода да эвристического поиска решений. ЭС охватывают самые различные предметные области, внутри которых лидируют бизнес, производство, медицина, проектировка равно системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные пар эксперта. Кроме того, ЭС может обрисовываться в роли: • консультанта в целях неопытных либо непрофессиональных пользователей; • ассистента эксперта-человека на процессах анализа вариантов решений. Для классификации ЭС используются следующие признаки: • дорога формирования решения; • метода учета временного признака; • обличье используемых данных да знаний; • день используемых источников знаний. По способу формирования решения ЭС дозволяется разбить на анализирующие равным образом синтезирующие. В системах первого в виде осуществляется выбор решения с множества известных решений возьми основе анализа знаний, в системах второго вроде заключение синтезируется изо отдельных фрагментов знаний. В зависимости через способа учета временного признака ЭС делят на статические равно динамические. Статические ЭС предназначены в целях решения задач  со 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 равно данных понимаются их неполнота, ненадежность, нечеткость. ЭС могут расформировываться из использованием одного не так — не то нескольких источников знаний. 14 В соответствии  со перечисленными признаками не запрещается сделать акцент четыре основных класса ЭС (рис.2.2): классифицирующие, доопределяющие, трансформирующие равным образом мультиагентные. Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений во таких системах является дедуктивный логичный вывод. Доопределяющие ЭС используются чтобы решения задач от неграмотный полностью определенными данными равно знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний да 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 позже в 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 непохожие способы обработки знаний: • получение равным образом надзор гипотез; • логика предположений равным образом умолчаний (когда в области неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются ко конкретным условиям изменяющихся ситуаций); • исчерпание метазнаний (более общих закономерностей) для устранения неопределенностей на ситуациях. Мультиагентные системы - сие динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются посередь внешне получаемыми результатами на ходе решения задач. Системы данного класса имеют следующие возможности: • исполнение альтернативных рассуждений для основе использования различных источников знаний равно механизма устранения противоречий; 15 • распределенное намерение проблем, декомпозируемых для параллельно решаемые подзадачи из самостоятельными источниками знаний; • употребление различных стратегий вывода заключений на зависимости от типа решаемой проблемы; • переработка больших массивов информации изо баз данных; • контрафакция математических моделей равно внешних процедур для имитации развития ситуаций. 2.4. Самообучающиеся системы Самообучающиеся интеллектуальные системы основаны возьми методах автоматической классификации ситуаций с реальной практики, или — или для методах обучения возьми примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется на течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения от учителем» предполагает запрос специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна собственными силами соединять классы ситуаций до степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил иначе функций, описывающих членство ситуаций к классам, которыми теория позже хорошенького понемножку черпать при интерпретации незнакомых ситуаций. Из обобщающих правил, во свою очередь, автоматически формируется базис знаний, которая иногда корректируется по мере сбережения информации об анализируемых ситуациях. Построенные на соответствии из этими принципами самообучающиеся системы имеют следующие недостатки: • сравнительно низкую равноценность баз знаний возникающим реальным проблемам ради неполноты и/или зашумленности обучающей выборки; • низкую точка объяснимости полученных результатов; • поверхностное инструкция проблемной области равно узкую направленность применения за ограничений во размерности признакового пространства. Индуктивные системы позволяют универсализировать упражнения получи основе принципа индукции «от частного ко общему». Процедура обобщения сводится к классификации примеров объединение значимым признакам. Алгоритм классификации примеров охватывает следующие основные шаги. 1. Выбор классификационного признака с множества заданных. 2. Разбиение множества примеров нате подмножества до 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 авторитет классификационного признака, то процесс классификации заканчивается. 5. Для подмножеств примеров  со несовпадающими значениями классификационных признаков тяжба распознавания продолжается, начиная с первого шага. При этом каждое множество примеров становится классифицируемым множеством. Нейронные бредень представляют из себя лучший модель технологии, основанной получи примерах. Нейронные тенета - обобщенное заглавие группы математических алгоритмов, обладающих способностью просвещаться на примерах, «узнавая» позже наружность встреченных образцов равно ситуаций. Благодаря этой данные нейронные недотка используются присутствие решении задач обработки сигналов равно изображений, распознавания образов, а опять же для прогнозирования. Нейронная козни - сие кибернетическая пример нервной системы, которая представляет на лицо сумма большого числа более или менее простых элементов - нейронов, топология соединения которых зависит с вроде сети. Чтобы образовать нейронную яруча на решения какой-либо конкретной задачи, следует подобрать дорога соединения нейронов товарищ от другом равно подобрать значения параметров межнейронных соединений. В системах, основанных держи прецедентах, БЗ заключает описания конкретных ситуаций (прецеденты). Поиск решения осуществляется держи основе аналогий да заключает следующие этапы: • приём информации касательно текущей проблеме; • подбор полученной информации со значениями признаков прецедентов с базы знаний; • коллекция прецедента с базы знаний, как никогда близкого к рассматриваемой проблеме; • привыкание выбранного прецедента для текущей проблеме; • пересмотр корректности каждого полученного решения; • записывание детальной информации в отношении полученном решении на БЗ. Прецеденты описываются множеством признаков, по части которым строятся индексы быстрого поиска. Однако на системах, основанных получи и распишись прецедентах, в отличие ото индуктивных систем позволено расплывчатый розыск из получением множества допустимых альтернатив, каждая изо которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются ко реальным ситуациям не без; через специальных алгоритмов. Системы, основанные получай прецедентах, применяются с целью распространения знаний да во системах контекстной помощи. Информационные хранилища отличаются ото интеллектуальных баз данных, тем, ась? представляют внешне хранилища значимой информации, регулярно извлекаемой изо оперативных баз данных. Хранилище данных - это 17 предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое свидание данных, применяемых с целью поддержки процессов принятия управленческих решений. Предметная характер означает, что данные объединены на категории да хранятся на соответствии вместе с теми областями, которые они описывают, а никак не не без; приложениями, которые их используют. В хранилище сведения интегрируются на целях удовлетворения требований предприятия во целом, а безграмотный отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т.е. особенность времени век явно присутствует на структурах хранилища данных. Неизменяемость означает, что, попав когда-то во хранилище, сведения ранее неграмотный изменяются во награда от оперативных систем, идеже способности присутствуют только лишь во последней версии, поэтому неизменно меняются. Технологии извлечения знаний изо хранилищ данных основаны сверху методах статистического анализа да моделирования, ориентированных держи разглядывание моделей и отношений, скрытых на совокупности данных. Эти модели могут в дальнейшем употребляться про оптимизации деятельности предприятия или фирмы. Для извлечения значимой информации с хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining либо — либо Knowledge Discovery), основанные для применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений равно др. Технология OLAP (On-Line Analytical Processing - операционный анализ данных) предоставляет пользователю деньги ради формирования равно проверки гипотез что до свойствах данных другими словами отношениях в кругу ними получи и распишись основе разнообразных запросов для базе данных. Они применяются бери ранних стадиях процесса извлечения знаний, помогая аналитику средоточить интерес на важных переменных. Средства Data Mining отличаются ото OLAP тем, что-то кроме проверки предполагаемых зависимостей они способны лично (без участия пользователя) поднимать гипотезы относительно закономерностях, существующих на данных, да созидать модели, позволяющие количественно оценить разряд взаимного влияния исследуемых факторов возьми основе имеющейся информации. 2.5. Адаптивные информационные системы Потребность во адаптивных информационных системах возникает на тех случаях, в некоторых случаях поддерживаемые ими проблемные области постоянно развиваются. В отношения из сим адаптивные системы должны вознаграждать ряду специфических требований, а именно: • равноценно защищать запас знаний проблемной области во кажинный момент времени; • состоять пригодными ради легкой равно быстрой реконструкции близ изменении проблемной среды. 18 Адаптивные свойства информационных систем обеспечиваются ради счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая шаблон проблемной области, поддерживаемая на 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, иначе говоря CASEтехнологий (Designer2000, SilverRun, Natural Light Storm равно др.). При типовом проектировании осуществляется упрощение типовых разработок ко особенностям проблемной области. Для реализации сего подхода применяются инструментальные ресурсы компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis равным образом др.) Главное разница подходов состоит на том, что-то быть использовании CASEтехнологии держи основе репозитория около изменении проблемной области каждый раз выполняется производство программного обеспечения, а быть использовании сборочной технологии - конфигурирование программ да только лишь во редких случаях - их переработка. Вопросы да 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 от 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 на 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 равным образом определения 3.2 Формальная моделирующее устройство предметной области 3.3 Процедура решения задачи 3.4 Структуры данных пользу кого поиска на пространстве состояний 3.5 Представление задачи во пространстве состояний 3.1. Основные принципы да определения Любая доктрина отличается через других предметом своего исследования. В зависимости ото предмета формулируются цели равно задачи, а в свою очередь методы и средства их решения. Выше да мы от тобой ранее отнесли ко классу интеллектуальных все задачи, алгорифм решения которых накануне неизвестен. Это равным образом задачи распознавания образов, равным образом механический превращение не без; одного языка в другой, и принятие решений на зависимости ото меняющихся ситуаций равным образом многие другие. Все сие стимулировало новые научные исследования, целью которых было определить особенности интеллектуальной деятельности человека. Показано, что на основе интеллектуального поведения человека лежит всеобщий ряд метапроцедур, маневр которых инвариантно по поводу конкретно решаемых задач да областей деятельности. В первую очередь, сие метапроцедуры целенаправленного поиска, подобные целенаправленному поиску на лабиринте возможностей, ассоциативный отыскивание да ассоциативное разглагольствование да др. Поиск во лабиринте возможностей (лабиринтная предположение мышления) привел для появлению целого научного направления - эвристического программирования. Если путаница неизвестен, а в долгу порождаться, исходя из условий, однозначно формирующихся на данной предметной области, то необходимо обусловить такие метапроцедуры, которые позволили бы решить задачу. Так возникло новое научное линия - ситуационное моделирование. Это курс выделило сызнова полоса метапроцедур: классификация ситуаций в области признакам равным образом до структурам, процедуры порождения новых классов понятий, отношений равным образом ситуаций равно т. п. Следующим важным медленно во развитии ИИ было осознание необходимости внутреннего представления проблемной ситуации, почто привело к выделению метапроцедур, оперирующих не без; совокупностью знаний изо той предметной области, для которой принадлежит задача. Это таково называемая модельная гипотеза. Основные метапроцедуры здесь: просьба знаний, их 20 пополнение и модификация, рассуждения, поиск релевантной (соответствующей) информации на совокупности имеющихся знаний да др. Все перечисленные метапроцедуры во совокупности со знаниями о предметной области составили на конце концов главное искусственного интеллекта. Теперь определим основные понятия, из которыми будем делать дальше. Предметная мир (ПО) – выделенная, узкая мир деятельности человека, относящаяся для данной задаче. Модель предметной области (МПО) - совокупная величина (система) знаний, необходимых для того автоматического синтеза алгоритма решения задачи на данной области. Искусственный рассудок (ИИ) (artificial intelligence - AI) - совокупность метапроцедур - представления знаний, рассуждений, поиска релевантной информации на среде имеющихся знаний, их пополнение, корректировка да т. п., - имитирующих работа человека. Из сих определений следует, который любая ИИС - теория имеет следующие особенности: • присутствие модели предметной области; • реальность моделей механизмов мышления, т. е. метапроцедур, работающих во системе знаний, представленных моделью предметной области (в частности, процедур логического вывода); • наличествование естественно-языкового интерфейса, обеспечивающего взаимодействие пользователя вместе с СИИ. Таким образом, чисто составленные модели предметной области позволяют окружать объекты равным образом связи изо области определения, а правила вывода логически добывать новые запас с логических описаний. Эти правила вывода определяют пространство, на котором повелось разглядывание решения задачи. 3.2. Формальная образец предметной области Формализуем предметную земля во виде модели предметной области (МПО) следующим образом: МПО : X, C, R, G , (3.1) где обозначено: X=(x1, x2, ... xn) – куча имен объектов (предметов, сущностей и т.п. внешнего мира), вместе с которыми ты да я имеем деяние около решении задачи. 21 C=(c1, c2, ... cm) – бездна имен свойств (состояний) объектов, причем возможно, сколько c1=(c11, c12, ... c1k), c2=(c21, c22, ... c2r) равным образом т.д. Эти свойства могут чередоваться около действием некоторых операторов. R=(r1, r2, …rn) – бездна имен отношений, на которые могут вступать объекты моделируемой ПО. G=(g1, g2, ... gk) - куча имен операций (действий), которые допустимы  со этими объектами сквозь вариант их свойств равным образом отношений между ними. Пример 0. Допустим, да мы не без; тобой описываем предметную район задачи по части 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 – поступки (операторы): g1 – вооружить (ЛЕСТНИЦУ), g2 – навешать (КОРЗИНУ), g3 – стащить (ЯБЛОКО), g4 – возложить (ЯБЛОКО во корзину), g5 – пропитать (КОРЗИНУ), g6 – тюкнуть (ЯЩИК), g7– испить горькую чашу (ЯЩИК для дороге) равно т.п. Множества X, C, R, G задают концептуальную моделирующее устройство предметной области. Они определяют ее статическую структуру. Для перехода ко модели предметной области надобно расправиться участок состояний. 22 Говоря в рассуждении модели ПО, пишущий сии строки отдаем себя рапорт во том, что такое? накопления ПО вообще-то непостоянно, оно может переменяться со временем, да поэтому правильнее было бы болтать насчёт состоянии предметной области на данный момент времени. Определим ситуация ПО следующим образом: Sпо(t) : X(t), C(t), R(t) . (3.2) Выражение (3.2) описывает ситуацию, сложившуюся во ПО во данный момент времени. В зависимости через этой ситуации держи час t ∈ (tнач, tкон) особа (или робот) выбирает с множества G возможных операций именно те действия, которые необходимы на решения задачи. Если днесь наметить от F изображение Sпо(t) получай обилие G, то оправданно написать: F : ( X(t), C(t), R(t) → G). (3.3) Другими словами, хозяйка предметная круг выступает в этом месте в качестве пассивного элемента поведение (объекта преобразования), а человек сиречь доктрина его заменяющая - на качестве преобразователя (субъекта действия). Таким образом отображается последовательность посреди языковым описанием ПО, ее состоянием (декларативная компонента), из одной стороны, равно именами действий, выражающих процедурное знание (процедурная компонента),  со другой. Состояние предметной области проектируется получи и распишись уймища действий. 3.3. Процедура решения задачи Исходя с сказанного, определим ныне принципы "задача", "решение", "алгоритм". Обозначим начальное средства ПО чрез Sн. Задача заключается на том, чтоб свести предметную круг из состояния Sн во некоторое заданное, определяемое вроде целевое (Sц). Очевидно, выработать сие возможно, всего только применяя допустимые на данной предметной области поступки изо множества G=(g1, g2, ...gk). Какие выбрать операции gi равным образом во какой-нибудь последовательности - неизвестно. В этом как единожды равным образом состоит постановление задачи. Схема решения, таким образом, выражается формулой: G   →Sц). Z=(Sн (3.4) Допустим, оператором g1, взятым изо множества G, да мы не без; тобой перевели состояние Sн на S1, только оно отнюдь не совпало от SЦ, т.е. S1=g1(Sн), S1 ≠ Sц. Для перевода S1 во капитал S2 применим телефонист g2 ∈ G: S2=g2(S1) и, кабы S2 23 снова невыгодный совпадет от Sц, обратимся для оператору g3, с тем получить состояние S3 равным образом придать значение его, сравнивая из Sц. И что-то около далее, доколе безграмотный найдется такой gj, что-то Sj=gj(Sj-1) равно Sj=Sц. Описанный стезя поиска решения можно отобразить следующей цепочкой: g g g g j −1 1 3 2 Sн → S1 → S2 → ... → Sj=Sц. То но самое дозволяется известить по-другому: (3.5) Sц=gj(gj-1 (...(g3 (g2 (g1 (Sн)))...))). Последовательность (g1, g2, g3, ... gj) на правах однажды да хорэ обнаруживать из себя алгорифм решения задачи. Отметим, сколько назначение Sн → Sц возможен отнюдь не единственным способом. В этом случае не запрещается становить задачу об оптимизации решения. Рассмотрим упражнения построения модели предметной области равным образом решения задачи. Пример 0. О наполнении ведра водой. В ранний время времени нескладица ведерочко имеет смысл рядышком  со раковиной, кран закрыт. В целевой ситуации необходимо, дабы ведерочко было короче и стояло возьми полу у раковины, а стриппер был бы закрыт. Все операции выполняет робот. Требуется основать вариант 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) - ведерко для полу, В(В,РК) - магеринг во раковине. Поскольку манипулятор безвыездно момент находится на одной точке, его и можно исключить с 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 положение является, в духе видим, целевой. 3.4. Структуры данных интересах поиска на пространстве состояний Во многих задачах искусственного интеллекта с целью наглядного представления отношений в ряду какими-либо объектами используют графовое представление задачи на пространстве состояний. Граф состоит множества вершин N1,N2,…,Nn,которое безграмотный обязано быть конечным, равно множества дуг, соединяющих кое-какие испарения вершин. Граф является размеченным, неравно с целью каждой вершины столбец заданы метки равно дескрипторы. На графе пространства состояний сии дескрипторы идентифицируют состояния на процессе решения задачи. Если дескрипторы двух вершин малограмотный различаются, ведь вершины считаются одинаковыми. Граф по слухам ориентированным, неравно каждой дуге получай нем приписано направление. Путь в графе – сие цепь дуг, соединяющих соседние вершины. Путь называется простым, ежели всегда вершины нате нем, вслед исключением может оказываться первой равно последней, различны. Корневой ладграф – содержит единственную вершину, с которой существует дорога ко все в одинаковой степени кто вершине графа. Эта головка называется корнем. В корневом графе голец называется предком всех вершин, расположенных впоследствии нее, равно на в таком случае но момент потомком всех вершин, расположенных получи и распишись пути ко ней. Корень никак не имеет родителей. 25 Дерево из базовым типом Т на программировании определяется как: 1) безделица дерево; либо 0) некоторая голова как Т  со конечным числом связанных вместе с ней отдельных деревьев из базовым типом Т, называемых поддеревьями. В системах искусственного интеллекта взгляд дерева нередко связывают с понятием графа. Рассматривая деревцо как бы неориентированный граф, не возбраняется сказать, аюшки? в нем существует беспримерный конец в лоне любыми двумя вершинами (т. е. пути на дереве далеко не содержат циклов). Каждая голова во корневом дереве имеет единственного родителя. Две вершины называются связными, когда существует путь, прокармливающий сии вершины. Множество состояний, достижимых изо данного начального состояния, полезно обличать во виде графа, вершины которого соответствуют этим состояниям. Вершины такого раздел связаны среди лицом дугами, которые описывают переходы средь состояниями. Эти переходы соответствуют логическим заключениям тож допустимым ходам на игре. Поиск во пространстве состояний характеризует уступка задачи как процесс нахождения пути решения (цепочки, ведущей для решению задачи) от исходного состояния для целевому. 3.5. Представление задачи на пространстве состояний В пространстве состояний задачи вершины рубрика – сие состояния решения задачи, а дуги – сие этапы ее решения. Одно сиречь малость начальных состояний, соответствующих исходной информации по отношению сосоянии задачи, образуют причина дерева. Граф равным образом содержит одно или — или ряд целевых условий, которые соответствуют решениям исходной задачи. Поиск во пространстве состояний характеризует тяжба нахождения пути решения. Пространство состояний допускается изобразить четверкой [N, A, S, GD] со следующими обозначениями: N - избыток вершин полоса сиречь состояний в процессе решения задачи; А - много дуг в среде 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 изо следующих способов: 1) измеряемыми свойствами состояний, встречающихся на процессе поиска; 2) свойствами путей, возникающих во процессе поиска, например, стоимостью перемещения в соответствии с дугам пути. Допустимый линия сие колея изо вершины множества S во вершину из множества GD. Путь ко решению является целью поиска. Он начинается ото исходного состояния равным образом продолжается перед тех пор, в эту пору отнюдь не полноте достигнуто требование цели. Порождение новых состояний по пути обеспечивается такими операторами, как «допустимые ходы» во игре иначе говоря идеология вывода на логической задаче или ЭС. Задача алгоритма поиска решения состоит на нахождении допустимого пути на пространстве состояний. Алгоритмы поиска должны наставлять пути от начальной вершины для целевой, потому что в частности они содержат цепочку операций, ведущую ко решению задачи. Состояния когда могут быть достигнуты разными путями, вследствие чего имеет принципиальное значение выделять идеальный путь. Графовое мнение задачи на пространстве состояний имеет ряд преимуществ: • нутром несомненно постигнуть нетривиальные высказывания; • учитывается себестоимость применения оператора О(k) симпатия помечается на каждой дуге графа; • кажинный методичный ход позволено выражать присутствие помощи функции сравнения целевого равно текущего состояний. Одна с основных проблем – сие способ успехи результатов разными путями. Поэтому становится ужас важным встретить оптимальный путь решения задачи. На рис.3.1 приведен обломок пространства состояний на игры «крестики-нолики». Корневая голец сего колонка достаточно соответствовать пустой игровой доске, указывающей нате начин игры. Каждый вытекающий узел графа довольно выказывать капитал игровой доски, возникающее на процессе игры во результате допустимых ходов, а дуги в лоне ними - крыша между вершинами. 27 Рис. 0.1. Фрагмент пространства состояний к зрелище «крестики-нолики» Представление во пространстве состояний позволяет испытывать все возможные варианты зрелище по образу отличаются как небо и земля пути для графе пространства состояний. Описав, игру таким образом, дозволяется  со через поиска бери графе найти эффективную игровую стратегию, ведь кушать ввести всегда пути, которые ведут для наибольшему числу побед равным образом наименьшему числу поражений, равно выбрать игру, которая хорош заставлять противника топать по мнению одному изо оптимальных для нас путей. Вторым достоинством представления пространства состояний в виде пулька является мочь реализации зрелище получай компьютере. Вопросы равно упражнения 1.Что является объектом исследования на СИИ? 2. Какими особенностями обладают СИИ в области сравнению с традиционными алгоритмическими системами? 3. Какими свойствами должна не маяться отсутствием любая интеллектуальная система? 2. Дайте подсчёт интеллектуальной информационной системы. 3. Что понимается по-под моделью предметной области? 4. Какова состав предметной области? 5. Приведите упражнения предметной области. 6. Что я понимаем лещадь «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 держи подзадачи 4.4. Альфа-бета процедура В лекции рассматриваются методы поиска решений на пространстве состояний, такие в духе процесс прямого равно обратного поиска, алгоритмы эвристического поиска, сканирование решения методом разбиения задач получай подзадачи равным образом альфа-бета процедура. 4.1. Основные направления поиска решений на пространстве состояний Чтобы использовать алгоритмы поиска, производитель полагается уметь анализировать равным образом предсказывать их токование да знать, гарантировано ли нахождения решения на результате поиска, является ли разведка конечным, или возможны зацикливания, зависит ли суд поиска ото времени выполнения и используемой памяти, каким образом объяснитель может адаптировать поиск, и как вместе выработать интерпретатор. На сии вопросы дает отрицание теория поиска, которая из аюшки? не запрещается заключить ради границы нашего курса. Представив зона состояний задачи во виде графа, необходимо найти ее решение. Решение находится во результате поиска. Порядок, во котором происходит ход состояний, определяется стратегией поиска. Можно использовать теорию графов к анализа процедуры поиска. Поиск в пространстве состояний не возбраняется управлять во двух направлениях: ото исходных данных задачи (фактов) ко цели да на обратном направлении ото цели для исходным данным (фактам). Прямой разыскание изволь ото исходного состояния, при случае целевое состояние задано неявно, перевернутый - через целевого состояния, в некоторых случаях исходное состояние задано неявно, а целевое явно. При прямом поиске (поиске нате основе данных) исследчик начинает процесс решения задачи, анализируя ее условие, а впоследствии применяет инструкция к известным фактам с целью получения новых фактов, которые, на свою очередь, используются интересах генерации новых фактов, равно т. д. Этот тяжба продолжается до тех пор, все еще неграмотный повезет равно безвыгодный хорошенького понемножку достигнуто целевое состояние. 29 При обратном поиске поначалу выдвигают цель, а поэтому возвращаются назад для фактам, пытаясь встретить те, которые подтверждают эту цель. Если цель оказалась правильной, ведь выбирается следующая цель, которая детализирует первую равным образом является сообразно отношению ко ней подцелью. Далее отыскиваются факты, подтверждающие истинность подчиненной цели. Поиск продолжается от подцелей, ноне далеко не будут достигнуты исходные информация задачи. Такую стратегию поиска называют управляемой целями. Выбор стратегии зависит через структуры решаемой задачи. Процесс поиска от цели рекомендуется приспособлять на тех случаях, рано или поздно задача поиска присутствует во постановке задачи. Поиск получай основе данных применим к решению задач, на которых способности определены во постановке задачи равно когда сформулировать мишень аспидски трудно. В системах диагностики чаще применяется прямой поиск, на так времена во вкусе во планирующих системах паче эффективным оказывается противоположный поиск. Двунаправленный развертка осуществляется в так же время с исходного состояния равно множества целевых состояний. Двунаправленный поиск заканчивается тогда, когда-никогда (и если) двойка фронта поиска встречаются. Такой поиск имеет первенство прежде однонаправленным поиском равно требует решения двух проблем: смены направления поиска равным образом оптимизации «точки встречи», этак что прямого сообщения равным образом инверсный пути могут разойтись. Определив назначение поиска (от данных или — или цели), алгорифм поиска должен предопределить система исследования состояний дерева не в таком случае — не то графа. Рассмотрим двум возможных стратегии последовательности обхода узлов графа: поиск на глубину (вглубь) равным образом разыскивание во ширину (вширь) (рис. 0.1). При поиске на глубину во качестве следующий подцели выбирается та, которая соответствует следующему, побольше детальному уровню описания задачи. То есть, со временем исследования факта поначалу что поделаешь воспринять всех его потомков да их потомков, а после разработать любую изо вершин-братьев. Если дальнейшие потомки фактов безвыгодный найдены, рассматриваются вершиныбратья. 30 Рис. 0.1. Методы организации поиска во системах искусственного интеллекта (цифры указывают расположение просмотра вершин графа) При поиске на ширину система поначалу анализирует однако факты, находящиеся получи одном уровне пространства состояний, равно только что потом переходит ко фактам следующего уровня детализации. 4.2. Эвристический поиск Эвристический разыскивание осуществляется  со через совокупности правил для выбора тех ветвей с пространства состояний, которые от наибольшей вероятностью приведут ко приемлемому решению проблемы. Эвристика - это только ультиматум следующего шага, кой короче сделан для пути решения проблемы. Эвристические алгоритмы состоят с двух частей: эвристической меры равно алгоритма, какой-никакой использует ее с целью поиска на пространстве состояний. Одним с самых распространенных эвристических алгоритмов поиска является процедура поиска экстремума. Стратегии, основанные сверху поиске экстремума, оценивают далеко не только текущее структура поиска, же да его потомков. Для дальнейшего поиска выбирается первостатейный потомок, быть этом относительно его братьях равно родителях просто забывают. Поиск прекращается, эпизодически достигается состояние, которое лучше, чем кто хочешь изо его наследников. В локальном максимуме политика поиска экстремума останавливается. Этот случай является ее основным недостатком, поэтому экий алгорифм временем бывает, неприемлем про решения задачи. 31 Однако нынешний алгорифм может бытийствовать адски эффективным, разве оценивающая функция позволяет избежать локального максимума равным образом зацикливания алгоритма. В качестве примера рассмотрим задачу касательно коммивояжере. Постановка задачи. Коммивояжер в долгу основать кровный поезд так, чтобы излазить на каждом с п городов на точности до разу да вернуться в исходный город. Желательно также, дабы сей трасса был минимальным по протяженности. Пусть п=5. Города обозначим при помощи А, В, С, D, Е. Длина пути с города до города задана держи рис. 0.2. Пусть начальным пунктом функция короче град А, благодаря тому SH=А. Целевое капитал - в свою очередь А. Оператор перехода - одинокий – g1. Граф пространства состояний этой задачи присутствие использовании метода поиска в ширину выглядит следующим образом (рис. 0.3). Рис. 0.2. Задача относительно коммивояжере Рис. 0.3. Граф полного перебора во ширину на задачи по отношению коммивояжере 32 Граф полного перебора, включающий всегда возможные пути коммивояжера, полноте иметь на иждивении 04 варианта. (На рис. 0.3 показаны лишь некоторые с них.) Очевидно, посредь сих путей полноте да самый краткий (он выделен), равным образом самый длинный. Расстояния на километрах обозначены получай каждом из отрезков. Из рисунка видно, что-то периметр оптимального пути - 04 км (А, В, Е, D, С, А) равно оный тракт единственный, разве неграмотный вычислять того, почто дьявол может быть пройден на обратном порядке (А, С, D, Е, В, А). (Кстати, коли исключить «обратные» пути, вариантов достаточно итого 02.) Теперь построим намерение методом поиска во глубину вместе с использованием, например, таковский эвристики: для каждом шаге первой раскрывается вершина, имеющая самую короткую длину с всех возможных. Тогда эрл поиска решений склифосовский таким, как бы показано бери рис. 0.4. Рис. 0.4. Граф поиска решения задачи во глубину Путь получился самый оптимальный, только этак иногда никак не всегда. «Жадный» алгорифм использует паче гуттаперчевый методика поиска, рядом котором возможно приложение приоритетной очереди чтобы восстановления алгоритма из точки локального максимума. 4.3. Поиск решения методом разбиения задач получи подзадачи Стратегия разбиения бери подзадачи подразумевает назначение подзадач, решение которых рассматривается в качестве кого успех промежуточных целей на пути ко конечной цели. Если удается по правилам раскумекать сущность задачи и оптимально победить ее в систему иерархисвязанных целей-подцелей, так можно добиться того, сколько тракт ко решению задачи на пространстве поиска будет минимален Чтобы развернуто инвентаризовать текущий метод, нуждаться вернуться к определению понятки задачи. Для этой цели воспользуемся понятием пространства состояний. В больше общем, нежели прежде, виде задачу (Z) можно представить следующим образом: 33 Z=S, G, F (4.1) где S - вагон начальных состояний, G - пропасть операторов, переводящих предметную страна с одного состояния во другое, F- множество целевых состояний. При таком обозначении промежуточные состояния удобнее обозначать через Si, затем что они в эту пору представляют с лица в духе бы промежуточные цели. Конечной целью информация задачи для подзадачам является заграбастывание таких элементарных задач, решения которых очевидны. Элементарными считаются задачи, которые могут составлять решены из-за нераздельно шаг, т. е. из-за одно применение какого-либо оператора с множества G. При стратегии разбиения держи подзадачи сплошь и рядом на ИИС используются деревья. Они используются с целью моделирования ходов на играх, когда-никогда нельзя применить алгорифм поиска во пространстве состояний. Дерево зрелище моделирует игру двух лиц не без; свежий суммой равно  со полной информацией. Для таких игр разумной слышно поведение минимакса, минимизирующая близ выборе хода максимальные убыток через следующего побежка противника быть просмотре возьми п шагов вперед. 4.4. Альфа-бета процедура Альфа-бета операция применяется с целью уменьшения пространства состояний как следует удаления с него ветвей, неперспективных для того поиска успешного решения. При этом просматриваются исключительно те вершины, на которые можно попасть во результате следующего шага, за в чем дело? неперспективные направления исключаются. Данная политика является определенным компромиссом в обществе поиском во ширину равным образом поиском на глубину. Для ее успешной реализации необходимо располагать дополнительными эвристическими знаниями, которые используются быть выборе перспективных направлений. Эффективность равно мотивированность этой процедуры зависят от выбора эвристической функции равным образом с глубины просмотра вперед. Альфа-бета алгоритм есть широкое употребление на основном на системах, ориентированных на неодинаковые игры, равно на шахматных задачах. 34 Лекция 0. Методы поиска решений во пространстве состояний (часть 0). 5.1 Процедура BACKTRACK 5.2. Методы поиска решений получи основе предикатов 5.3. Достоинства равно бедность методов поиска решений во пространстве состояний В лекции рассматриваются методы поиска решений во пространстве состояний, такие на правах процесс BACKTRACK равным образом отыскивание решений получай основе исчисления предикатов. 5.1. Процедура BACKTRACK Решение недетерминированных задач не запрещается изобразить вместе с помощью дерева поиска во глубину  со возвратами. Применение логического программирования (построение интеллектуальных программных продуктов) становится необходимым при принятии альтернативного решения задачи. Логические программы ради решения плохо формализованных задач не содержат алгоритмов их решения. В этом случае расшивка задачи осуществляется из через поиска во глубину от возвратами («backtrack») и апробации всех возможных альтернативных решений. При каждом переходе на новое структура производится квалиметрия на допустимость состояний и, буде возле использовании взгляды перехода для текущего состояния отсюда следует недопустимое состояние, так производится возврат ко тому предыдущему состоянию, с которого было достигнуто это текущее состояние. Эта процесс получила этноним бэктрекинг (bac tracing или BACKTRACK) Метод поиска решений во пространстве состояний от использованием процедуры BACKTRACK начнем трактовать не без; бесхитростный задачи по отношению миссионерах и людоедах. Постановка задачи. Три миссионера да три людоеда находятся сверху левом берегу реки равно им нужно переправиться нате невинный берег, да и то у них имеется только одна лодка, во которую могут усесться всего только 0 человека. Поэтому необходимо устроить план, соблюдая кто да курсируя ряд единовременно туда и обратно, допускается перемыть всех шестерых. Однако разве держи любом берегу 35 реки количество миссионеров хорэ меньше, нежели величина и круг людоедов, в таком случае миссионеры будут съедены. Решения принимают миссионеры, людоеды их выполняют. Основой метода являются следующие этапы. 1. Определяется конечное сумма состояний, одно изо состояний принимается вслед за начальное да одно тож изрядно состояний определяются как искомое (конечное, либо — либо терминальное). Обозначим накопления S тройкой S= (x,y,z), идеже x да y - цифра миссионеров равно людоедов возьми левом берегу, z={L,R} поза лодки получи левом (L) либо — либо правом (R) берегах. Итак, начальное состояние S0=(3,3, L ) равно конечное (терминальное) обстановка Sk=(0,0, R ). 2. Заданы инструкция перехода средь группами состояний. Введем понятие образ действий M:[u, v]w, идеже u - количество миссионеров во лодке, v - число людоедов на лодке,w - указание движения лодки (R либо 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 возьми рис.5.1. Два новых состояния годится сразу же вычеркнуть, приближенно по образу они ведут ко нарушению условий допустимости (миссионеры будут съедены). 5. При каждом переходе на новое ситуация производится квалиметрия на допустимость состояний равным образом разве присутствие использовании кредо перехода для текущего состояния из зачем следует недопустимое состояние, в таком случае производится возврат для тому предыдущему состоянию, с которого было достигнуто это текущее состояние. Эта акция получила обозначение бэктрекинг (bac tracing или BACKTRACK). Рис. 0.1. Переходы с исходного состояния Теперь да мы не без; тобой можем разобрать вполне алгорифм простейшего поиска решений на проблемном пространстве, переданный группами состояний и переходами в среде состояниями получи рис.5.2. Решение задачи выделено получи рис.5.2 36 жирными стрелками. Такой рецепт поиска S0 Sk называется прямым методом поиска. Поиск Sk S0 называют обратным поиском. Поиск на двух направлениях в в таком случае же время называют двунаправленным поиском. Рис. 0.2. Метод поиска во пространстве состояний 37 Как сделано упоминалось, фундаментальным понятием во методах поиска в ИС является рецепт рекурсии да церемония BACKTRACK. В качестве примера многоуровневого возвращения рассмотрим задачу размещения получай доске 0 × 0 восьми ферзей так, с тем они малограмотный смогли "съесть" союзник друга. Допустим, автор находимся получи шаге размещения ферзя во 0 ряду равно видим, что это невозможно. Процедура BACKTRACK пытается перегнать ферзя на 0 строке да на 0 строке ещё неудача. x x x x x Только самовозврат ко 0 строке равно присутствие на ней нового варианта размещения приведет для решению задачи. Студент самопроизвольно может сделать попытку завершить решение этой задачи держи основе процедуры BACKTRACK. 5.2. Методы поиска решений нате основе предикатов Семантика исчисления предикатов обеспечивает основу для формализации логического вывода. Возможность логически судить новые правильные выражения изо набора истинных утверждений аспидски важна. Логически выведенные утверждения корректны, равно они совместимы со всеми предыдущими интерпретациями первоначального набора выражений. Обсудим вышесказанное неформально равно поэтому введем необходимую формализацию. В исчислении высказываний основным объектом является переменное высказывание (предикат), истинность сиречь фиктивность которого зависит от значений входящих во него переменных. Так, истинность предиката "x был физиком" зависит с значения переменной x. Если x - Ландау, так предикат истинен, кабы x - М. Лермонтов, так некто ложен. На языке исчисления предикатов утверждение ∀ x(P(x) ⊆ Q(x)) читается так: "для любого x буде P(x), так имеет место равно Q(x)". Иногда его записывают равно так: ∀ x (P(x) →Q(x)). Выделенное 38 подмножество адекватно истинных формул (или как следует построенных формул - ППФ), истинность которых далеко не зависит ото истинности входящих на них высказываний, называется аксиомами. В исчислении предикатов не без этого вагон правил вывода. 1. Modus ponens тож обыкновение отделения: (A, A → B) / B которое читается таково "если истинна общее место A да истинно, сколько изо A необходимо B, то истинна равно трюизм B". 2. Modus tollendo tollens : Если с A пристало B да B ложно, в таком случае равным образом A ложно. 3. Modus ponendo tollens : Если A равным образом B безграмотный могут разом быть истинными равно A истинно, ведь B ложно. 4. Modus tollendo ponens : Если либо A, либо B является истинным равно A не истинно, ведь B истинно. Формулы, находящиеся по-над чертой, называются посылками вывода, а под чертой - заключением. Это положение вывода формализует ведущий закон дедуктивных систем: с истинных посылок во всякое время следуют истинные заключения. Аксиомы равно устав вывода исчисления предикатов первого порядка задают основу формальной дедуктивной системы, на которой происходит формализация схемы рассуждений в логическом программировании. Можно затронуть да оставшиеся устав вывода. Решаемая поручение представляется на виде утверждений (аксиом) F1, F2... Fn исчисления предикатов первого порядка. Цель задачи B в свой черед записывается в виде утверждения, нелицеприятность которого подобает найти или опровергнуть получи основании аксиом да правил вывода формальной системы. Тогда резолюция задачи (достижение цели задачи) сводится для выяснению логического следования (выводимости) целевой формулы B изо заданного множества формул (аксиом) F1, F2... Fn. Такое установление 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 пустить в дело знак от противного, ведь убирать устанавливать фантастичность формулы. противного формулы На доказательстве от противного основано равным образом ведущее постановление вывода вывода, используемое во логическом программировании, - правило резолюции. Робинсон открыл побольше сильное правило вывода, нежели modus ponens, которое спирт назвал принципом резолюции (или вывода правилом резолюции). При использовании принципа резолюции формулы исчисления предикатов не без; через несложных преобразований приводятся к так называемой ой дизъюнктивной форме, форме в таком случае очищать представляются на виде набора дизъюнктов. При этом лещадь дизъюнктом понимается дизъюнкция литералов, дизъюнктов литералов каждый изо которых является либо предикатом предикатом, либо отрицанием предиката. предиката Приведем экземпляр дизъюнкта дизъюнкта: ∀x (P(x, c1) Q(x, c2)). Пусть P - отношение уважать, уважать c1 – А. Пушкин, Q - свойство знать,c знать 0 поэзию. Теперь этот дизъюнкт отражает ясный путь "каждый, каждый каждый, кто такой знает поэзию, уважает А. Пушкина". Приведем до сей времени сам в соответствии с себе модель дизъюнкта: дизъюнкта ∀x (P(x, c1)& P(x, c2)). Пусть P - свойство знать, знать c1 - физика, c2 - история. Данный дизъюнкт отражает задание "кто кто знает физику равно поэзию одновременно". Таким образом, образом контракт решаемых задач (факты) факты равным образом целевые утверждения задач (запросы) запросы позволено явить во дизъюнктивной форме логики предикатов первого порядка. В дизъюнктах кванторы всеобщности ∀, ∃, обычно опускаются, а связки ⊃,, ¬, ∧ заменяются сверху →импликацию. Главная соображение принципа принцип резолюции, равно как мировоззрение вывода заключается в проверке того того, включает ли пропасть дизъюнктов R незначащий (ложный) ложный дизъюнкт. Обычно надпись применяется от прямым не так — не то обратным методом дизъюнкт рассуждения. Прямой рецепт изо посылок A, A →B выводит конец B рассуждения (правило правило modus ponens). Основной несовершенство прямого метода состоит на его не 40 направленности: повторное приложение метода приводит ко резкому росту промежуточных заключений, невыгодный связанных не без; целевым заключением. Обратный вывод является направленным: изо желаемого заключения B равным образом тех а посылок он выводит новое подцелевое приговор A. Каждый акт вывода во этом случае связан ввек из спермоначально поставленной целью. Существенный недостаток метода резолюции заключается во формировании получи каждом шаге вывода множества резольвент - новых дизъюнктов, относительная изо которых оказывается лишними. В сношения не без; сим разработаны отличаются как небо и земля модификации принципа резолюции, использующие сильнее эффективные стратегии поиска и различного рода ограничения получи поверхность исходных дизъюнктов. В этом смысле наиболее удачной да популярной является учение ПРОЛОГ, которая использует специальные цель дизъюнктов, называемых дизъюнктами Хорна. Процесс доказательства методом резолюции (от обратного) состоит из следующих этапов: 1. Предложения или — или аксиомы приводятся ко дизъюнктивной нормальной форме. 2. К набору аксиом добавляется нигилизм доказываемого утверждения в дизъюнктивной форме. 3. Выполняется совместное уполномочивание сих дизъюнктов, во результате чего получаются новые основанные для них дизъюнктивные выражения (резольвенты). 4. Генерируется вздор выражение, означающее противоречие. 5. Подстановки, использованные с целью получения пустого выражения, свидетельствуют касательно том, который отречение отрицания истинно. В методе резолюции распорядок комбинации дизъюнктивных выражений не устанавливался. Значит, с целью больших задач короче наблюдаться экспоненциальный развитие числа возможных комбинаций. Поэтому во процедурах резолюции большое спица в колеснице имеют тоже эвристики поиска да различные стратегии. Одна изо самых простых да понятных стратегий - стратегия предпочтения единичного выражения, которая гарантирует, что-то резольвента будет меньше, нежели наибольшее родительское выражение. Ведь во итоге мы должны почерпнуть выражение, далеко не содержащее литералов вообще. Среди других стратегий (поиск на 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 допускается указать подмножество T, называемое множеством поддержки. Для реализации этой стратегии необходимо, дабы одна изо резольвент во каждом опровержении имела предка изо множества поддержки. Можно доказать, что такое? неравно S утопичный комбинация дизъюнктов, а S-T - выполнимый, ведь стратегия множества поддержки является полной на смысле опровержения. Исследования, связанные вместе с доказательством теорем да разработкой алгоритмов опровержения резолюции, привели для развитию языка логического программирования PROLOG (Programming in Logic). PROLOG основан на теории предикатов первого порядка. Логическая план - сие набор спецификаций во рамках формальной логики. Несмотря бери то, в чем дело? во настоящее время обособленный влияние языков LISP да PROLOG снизился равным образом рядом решении задач ИИ все вяще используются C, C++ да Java, одначе многие задачи равным образом разработка новых методов решения задач ИИ продолжают изображать в языки LISP и PROLOG. 5.3. ДОСТОИНСТВА И НЕДОСТАТКИ МЕТОДОВ ПОИСКА РЕШЕНИЙ В ПРОСТРАНСТВЕ СОСТОЯНИЙ Приведем упражнения задач, к решения которых могут применяться методы поиска во пространстве состояний. 1. Комбинаторные задачи. Классический пояснение - альтернатива о коммивояжере (п. 0.4). Состояния задаются списком городов, операторы соответствуют действию: устремиться на крепость А, устремиться на починок В, ..., направиться во городище N. Критерий актив цели: что около руку попадет описание, начинающееся равным образом оканчивающееся городом А равным образом перечисляющее постоянно другие города, очищать воссоздание состояния, удовлетворяющего поставленной цели. Данная проблема допускает подыскание оптимального решения, потому как дугам могут быть приписаны стоимости (длина пути) перехода с одного города на другой. Данная поручение неплохо представима во графической форме (карте расстояний), что да делает ее удобной пользу кого применения методов поиска во пространстве состояний. Считается, что-то отсадка поиска во пространстве состояний применим при числе городов вплоть до 00. К данному классу задач хоть куда сводятся практически любые одно-критериальные задачи лабиринтного типа. 2. Задачи синтаксического анализа. При работе из языками (естественными либо искусственными) задаются грамматика построения правильных выражений (строк символов - слов, предложений, выражений) в 42 данном языке и, следовательно, метода определения принадлежности произвольной строки символов для этому языку. Тогда обилие состояний задачи синтаксического анализа может оказываться задано как бы много строк (слов). Начальное равно целевое состояния определяются какими-то фиксированными словами на алфавите сего языка. Операторы могут бытийствовать заданы во виде правил переписывания типа: д 0 ж → ц 0 ж, идеже подстрока В может присутствовать заменена подстрокой 0. Эти взгляды могут выражать, например, синтаксис рассматриваемого языка. Критерий цели для того этой задачи может взяться задан строкой, количество символов которой совпадает вместе с ровно по символов целевого слова. Пример задачи такого типа: наравне обещание «море» реформировать во обещание «рыба» путем замены получи и распишись каждом шаге одной буквы. Очевидно, что такое? близ большом числе правил переписывания ладграф пространства состояний становится слишком большим. 3. Задачи распределения. Здесь известно: масштаб продукции каждого типа; величина поставок, которые должны существовать осуществлены на заданные пункты. Необходимо встретить такое расположение поставок, возле котором, например, затраты получай перевозки, были бы минимальны. Состояния описываются списком величин избыточной продукции, которая дано во заданных пунктах. Операторы соответствуют передаче избытка продукции с одного пункта в другой. В качестве критерия может существовать взято целевое состояние, возле котором будут удовлетворены безвыездно заявки получи и распишись поставку требуемой продукции. Типичная задача линейного программирования. 4. Задачи управления типа: нужно подрубить под корень предмет управления с начальными значениями установленных параметров процесса во состояние, при котором сии норма будут кто наделен заданные значения. Задача об обезьяне и бананах является типичной задачей сего класса. Возникает вопрос, эпизодически но пристало осуществлять описанные на этом месте методы поиска на пространстве состояний? Для каких классов задач сии методы применимы равно могут доставить эффективные решения? Во-первых, сие должны существовать задачи, ради которых такое представление возможно равно является естественным. Это означает, зачем чтобы выбранной задачи необходимо откопать средство описания любых потенциально возможных состояний предметной области, предначертать куча операторов (ключевых операторов на метода разбиения задачи в подзадачи), вместе с через которых эта предметная земля может превышать с одного состояния во другое, определить мерка успехи цели. 43 Во-вторых, про сих задач безвыгодный существуют другими словами неизвестны методы, которые были бы сильнее эффективны. Таким образом, наша сестра допускаем, что-нибудь одна и та а вопрос может рисковать равным образом другими методами, да соответственно каким-то своим особенностям другими словами соображениям сии методы представляются нам лучшими. Если найден счастливый путь представления задачи, важнецки также, чтобы пространство состояний было никак не чересчур большим. Существует множество примеров задач, кажущихся трудными, а таких, зачем присутствие правильной их трактовке соответствующие пространства состояний оказываются очень узкими. Подчас прогалина состояний «сжимается во точку» со временем того, как обнаруживается, что-то многие операторы могут составлять выброшены за ненадобностью, а отдельные люди - объединены во побольше мощные операторы. И даже если если такие простые преобразования неосуществимы, может оказаться, ась? полная переформулировка задачи, изменяющая само идея состояния, приведет к меньшему пространству. Таким образом, задача поиска хорошего представления имеет важнейшее значение. Поиск его вечно опирается на специфику задачи, использует ее кардинальным образом. Это означает, что способ представления постоянно носит неформатный характер, соответственно сути, является особым искусством и, следовательно, вряд ли ли существуют какие-то единые правила поиска хороших представлений. Во всех рассмотренных нами классах задач, интересах решения которых обычно применяются методы поиска во пространстве состояний, сумма свойств объектов предметной области равным образом отношений в кругу ними, служащих в рассуждении сего основой для распознавания ситуаций, издревле небольшое. Например, во задаче коммивояжера использовались: афинность «Иметь имя», а во качестве связи - расстояние между каждыми двумя городами. Очевидно, аюшки? присутствие увеличении числа свойств, отношений равно их значений размерность пространства состояний бросьте быстро возрастать таким образом, зачем действие переборных методов станет практически нереализуемым. В этой своя рука на искусственном интеллекте развивались равным образом другие, более универсальные, модели представления знаний (МПЗ) по части задаче. Общие требования для МПЗ дозволяется высказать следующим образом. 1. Необходимы способы представления знаний что касается задаче, безразличные к содержанию (смыслу) самих знаний. Это позволит использовать сии способы для представления знаний во любых предметных областях чтобы решения задач. 2. Эти способы должны кто наделен инструмент логического анализа, позволяющий формовать человеческую логику выработки решений на выбранных моделях представления знаний. 44 3. Эти способы должны выносить решение задачи, которые известными формальными моделями равно методами никак не решаются во взаимоотношения от их нестрогостью и нечеткостью. Первое призыв означает, почто предмет внимания смысла (содержания) знаний заменяется проблемой синтаксического их представления. Второе требование предполагает случай разделения самих знаний равно механизмов их логического анализа. Третье вызов предполагает возможность формализации опытного (экспертного) знания, накапливаемого специалистами различных предметных областей равным образом имеющего отличный (а не количественный) характер. Именно от таким знанием далеко не могут мучиться все известные формальные математические модели. Таким образом, приходим к необходимости разработки да применения неформальных моделей знаний. Вопросы равно упражнения 1. Назовите основные направления исследований, проводимые во области ИИ, охарактеризуйте их. 2. Как вам понимаете числитель «пространство состояний»? Как оно выглядит подле игре на шашки? 3. Как распустить открытый да инверсионный отыскивание на глубину? 4. Как основать нескрываемый да возвратный отыскание во ширину? 5. Графовое демонстрирование пространства состояний, во вкусе оно выглядит, его актив да недостатки. 6. Как выглядит прогалина состояний быть игре во «крестики-нолики» (5 х 0)? 7. Рассмотрим 0 фишек, которые могут передвигаться получи и распишись пашня с 0 клеток. Одна секция остается пустой, беспричинно что-то фишки дозволяется встряхивать да добывать их различные конфигурации. Цель зрелище - выискать такую последовательность перемещений фишек во пустую клетку, которая привела бы ко заране заданной целевой конфигурации. Постройте прогалина состояний на этом случае. 8. Постройте есть такие состояния пространства состояний пользу кого зрелище в «пятнашки». Пятнадцать перенумерованных фишек размещены бери фон изо 06 клеток. Цель зрелище такая но - сыскать такую цепь перемещений фишек во пустую клетку, которая привела бы для авансом 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 моделирующее устройство представления знаний 6.2.2 Продукционная модель 6.2.3. Фреймы 6.2.4. Семантические сети 6.1. Особенности интеллектуальных систем да систем искусственного интеллекта Все системы искусственного интеллекта являются системами, базирующимися получи знаниях. Основными свойствами таких систем являются следующие. 1. Раздельное прятание знаний, представленных на символьной форме и компонентов обработки сих знаний. Проведение четкой формат между знаниями самими за себя да формальными системами ради их представления и обработки является обязательным чтобы понимания основополагающей концепции обработки знаний. 2.Системы могут свершать выводы да думать решения в основании сохраненной информации, которая представляется во системах безвыгодный явно, однако органически свойственна сим системам. 3. Системы обладают способностью для пояснениям, т.е. должны взяться в состоянии, объединение требованию отвести на пользователя понятную равным образом ясную для него цепочку рассуждений (например: шагов резолюции). 4. Способность ко обучению, которая подразумевает, например, способность получать новые запас сведений возьми основании информации, полученной от пользователя (информация об удаче другими словами неудаче прошедшего сеанса работы с программой). Интеллектуальные концепция разделяют следующие типы представленных знаний. 1. Специфические на данной области ученость эксперта: • «статистическая трест знаний», сформированная около проектировании системы; • материя остается неизменным близ использовании системы; • версия как ми видится чрез обучения системы. 2. Факты – запас знаний в отношении специальных случаях: 46 • пополняются ради отсчет ввода знаний пользователем кайфовый миг работы с системой. 3. Промежуточные равно окончательные результаты получаются посредством осуществления выводов в основании имеющихся знаний. Принято различать следующие уровни представления знаний: 1) урез пользователя - проблемно-ориентированный; 2) уровень, ориентированный нате реализацию программной системы „tool“ – ориентированный (знания, представленные держи языке программирования системы); 3) системный уровень (биты) имманентный системе (внутрикомпьютерное представление). Для организации осмысленного диалога в обществе человеком равным образом электронно-вычислительная машина и автоматизации решения интеллектуальных задач на процессе управления интеллектуальным производственным комплексом необходим специальный язык программирования ИИ – квакало представления знаний. Этот язычишко должен быть удобным средством формулировки заданий, представления знаний, поиска планов да принятия решений. Он потребно вдобавок отдать системе управления интеллектуальным производственным комплексом вместе с элементами искусственного интеллекта необходимую основу для логических умозаключений. Благодаря паренка разглагольствовать получай своем внутреннем языке формул доктрина управления сможет принимать решение многие интеллектуальные задачи на самом высоком уровне. В соответствии вместе с этим, шлепало представления знаний с целью систем ИИ должен удовлетворять следующим требованиям. 1. Обработка знаний, выраженных во качественной форме. Демонстрация связи посреди элементами описываемой задачи равно нашим собственным представлением равно пониманием описываемой предметной области. 2. Логическое снятие новых знаний с набора фактов да правил. Язык ИИ принуждён послужить порукой мочь рассуждения об абстрактных описаниях классов, объектов равно состояний. Для сего концепция должна быть носителем правилами, которые позволяют ей творить логические выводы, исходя с имеющихся фактов. 3. Отображение общих принципов, на равных правах вместе с конкретными ситуациями. Введение использования переменных, чрез которых осуществляется обобщение. Переменные позволяют проецировать конкретные ситуации на общие понятия. 47 4. Передача сложных семантических значений, которая должна осуществляться вслед за счет: - использования семантических отношений на описания причинных связей в обществе событиями да описания взаимодействия равным образом способов соединения частей чего-либо, а как и 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, некоторый гарантирует, ась? целое руки-ноги класса обладают общими свойствами. 5. Рассуждение в метауровне. «Осведомленность системы касательно своих знаниях» - сие сильнее великий поверхность знаний, называемый - метазнаниями. Метазнания необходимы про проектирования равным образом адекватного описания интеллектуальных систем. Интеллектуальная учение (ИС) должна далеко не всего-навсего вкушать предмет, она должна да знать, почто возлюбленная обладает знаниями касательно предмете. ИС должна быть способна делать выбор задачи равным образом осмысливать сии решения. ИС должна определять свои знания как бы во конкретных, в такой мере равным образом во обобщенных терминах, справляться их ограничения равно выучиваться во процессе взаимодействия  со миром. Проблемно-ориентированные сведения могут присутствовать представлены двумя способами. 1. Декларативное (дескриптивное) представление. Идея представления знаний базируется получи и распишись принципе того, что-то навык не грех рассматривать независимо ото того, равно как оно короче обрабатываться. Знание да методы его обработки будут наглядно отделены союзник с друга. При этом данному способу представления свойственны следующие особенности: - получение знаний сконцентрировано получи содержании; - консервация токмо одиночный крат вразрез тому, что-нибудь применение осуществляется на различных контекстах; - небо и земля «модели» могут бытийствовать обработаны одной равным образом праздник но машиной вывода; - возможна трансформация базы знаний лишенный чего побочных эффектов; - фиговый эффективной обработки. 2. Процедуральное (императивное) представление. Идея процедурального представления знаний подчеркивает расстояние их обработки. При этом, к представляемым знаниям будут присоединены ученость об их обработке 48 (метазнания) откровенно или — или неграмотный безоговорочно и, таким образом, раньше указанное четкое отделение, которое иметь декларативному представлению склифосовский затерто. Особенностями такого представления являются: - эффективная обработка; - плохая alias фактически отсутствующая допустимость чтения, редактирования иначе говоря интерпретации знаний. 6.2. Модели представления знаний Необходимость обработки знаний аппаратными равно программноаппаратными средствами нуждается на уточнении принципы «знание». Понятие знание безвыгодный имеет какого-либо исчерпывающего определения. Под знаниями (предметными знаниями) будем познавать такую категорию информации, которая представляет внешне множество фактов равным образом описаний сущностей предметной области не без; самоочевидно заданными отношениями (количественными или качественными, детерминированными или вероятностными) посреди ними. Знания классифицируют получай категории, на частности, на зависимости от присутствия явных признаков причинности (поверхностные, глубинные, метазнания (знания об знаниях)), взгляда в взаимоотношения на семиотической (знаковой) системе (синтаксические, семантические, прагматические), их предназначения во программе (декларативные (фактические), процедурные, управляющие). Поверхностными (экстенсиональными) знаниями представляются факты объективной реальности – отдельные связи в кругу конкретными сущностями другими словами их свойствами. Глубинными (интенсиональными) знаниями выражаются причинно-следственные связи между фактами и закономерностями объективной реальности. Если рассматривают типы глубинных знаний, так их именуют метазнаниями. Обычно они необходимы для поддержки управления базами знаний. Синтаксические запас знаний – взгляды на вещи образования да преобразования сущностей равным образом отношений средь ними объективно через их содержания равным образом смысла. Семантические багаж определяют предмет сущностей равно отношений между ними. Прагматические багаж описывают сущности да взаимоотношения в кругу ними с точки зрения их пользователей (толкователей, интерпретаторов). Декларативные сведения – структурированное справочник во программе утверждений, связанных со свойствами равно сущностями предметной области с 49 явно заданными отношениями в ряду ними, равным образом руководство правил, обеспечивающих принятие знаний изо сих утверждений. Процедурные багаж – операторы программы – определяют действия, обеспечивающие выкраивание решения задачи. В частности, на память интеллектуальной информационной системы могут бытовать занесены неспециализированные процедуры и оперирующая ими одна специализированная процедура. Управляющие умственный багаж – настройка стратегий вывода, обеспечивающий альтернативную осуществимость перехода возле неудачном выводе решения от одной стратегии для другой. Использование знаний во системах автоматической обработки информации равно как компьютерных информационных объектов определило переход с баз данных для базам знаний равно построению систем вместе с использованием обоих типов информации. С базой знаний непрерывно связаны такие понятия, как «модель представления знаний» (МПЗ) равно «язык представления знаний» (ЯПЗ). Модель представления знаний - множество структур представления знаний равно механизма вывода получи и распишись их основе содержащихся либо новых знаний. Перечень реальных моделей, применяемых на системах ИИ, многообразен и тяжело классифицируем. Большинство моделей во реальных системах являются гибридными да не без; больший степенью эвристик. В современной теории интеллектуальных систем наибольшее раздача получили следующие языки модели представления знаний (рис. 0.1) [1]: 1) шлепалка исчисления предикатов первого ориентировочно (логическая модель); 2) семантические иначе когнитивные сети; 3) фреймы; 4) продукционные правила. На рис.6.1 представлена классификационная чертеж как никогда известных моделей представления знаний. 50 Рис.6.1. Классификационная диаграмма моделей представления знаний Современные модели представления знаний ориентированы на последовательный следствие (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 равным образом процедуральных компонентов в моделях представления знаний При этом подобает отметить отметить, аюшки? применяемые декларативные (дескриптивные) дескриптивные сложение представления знаний сплошь и рядом расширяются ради счет процедуральных (императивных императивных) компонентов (рис. рис 0.2). 51 6.2.1. Логическая пример представления знаний Все предметы, взаимосвязи, перипетии да процессы, составляющие основу необходимой чтобы решения задачи информации, называют предметной областью. Для представления математического умственный багаж пользуются формальными логическими языками – исчислением высказываний и исчислением предикатов 0-го порядка. Эти языки имеют ясную формальную семантику, равным образом для того них разработаны формальные методы логического вывода. Описания предметных областей, выполненные на логических языках, называют логическими моделями. Логические модели представления знаний на ИИС являются формальными логическими моделями, основанными для классической теории исчисления предикатов 0-го порядка, когда-когда предметная зона описывается на виде набора аксиом. Реализация логического представления знаний на ЭС используется в основном, во логических системах дедуктивного (с фиксированным механизмом вывода) равно индуктивного (с механизмом вывода, конструируемом держи основании обучающих примеров) типов. К достоинствам систем, поддерживающих логические модели, следует отнести: простоту объяснения системой выполняемых этапов процесса обработки информации; способ изъятия, ввода равным образом изменения информации в БД да БЗ пользователем непрограммистом; допустимость создания универсальной системы, усилий настраиваемой в конкретную предметную область как следует заполнения БЗ необходимым набором правил. В промышленных экспертных системах применяются различные модификации логических моделей, в такой мере равно как просчитывание предикатов 0-го порядка в них почти что никак не используется по вине большого увеличения времени поиска решения времени возле упорядочивании большого числа логических правил. Создание логической модели, основывается нате формальной теории S, образованной четырьмя множествами: S={ B, F, A, P}, где B – латиница системы (например, основанный изо символов либо объектов различной формы, природы). С ними связана некоторая процедура, позволяющая следовать небезгранично сумма шагов учредить градус принадлежности произвольного элемента ко алфавиту. F – вагон правил иначе формул теории, соответственно которым из элементов алфавита В формируются согласно правилам построенные конструкции 52 А (выражения либо — либо объекты). Для F существует церемония проверки правильности их получения. Для логической модели F задает синтаксис. А – выделенное куча заранее заданных правильных конструкций (априорно истинных формул), именуемых аксиомами. Декларируется, что имеется операция установления оборудование для аксиомам ряда создаваемых правильных выражений иначе объектов. P – воз правил формального вывода (конечное контингент отношений между формулами), позволяющих прибавить вагон конструкций ради счет имеющихся. Если есть единая акция установления выводимости любой правильной конструкции, ведь считается, что-нибудь формальная общественный порядок разрешима. Посредством Р задается семантика. Реализация логического представления знаний во ИИС возможна в логических системах дедуктивного (с фиксированным механизмом вывода) и индуктивного (с механизмом вывода, конструируемом держи основании обучающих примеров) типов. В большинстве случаев основой логических моделей, обеспечивающих декларативное мысль знаний, служат исчисления предикатов первого и второго (в них поведение кванторов существования (∃) равно общности (∀) распространяются по образу получи переменные, круглым счетом равно получи предикатные символы) порядков. Средства исчисления предикатов позволяют обновить их в форму, удобную интересах автоматической обработки символьной информации, логически строить умозаключение новые данные да инструкция с некоторого заданного набора и устанавливать доподлинность полученной информации. Это обусловлено тем, что одни логические связки на предложении могут являться выражены после другие. 6.2.2. Продукционная модель Продукционная манекенщица позволяет помыслить багаж во виде продукционных правил, т.е. предложений (правило-продукция) типа: «Если А<условие>, ведь В<действие>, постусловие С». В качестве «условия » выступает формулировка – образец, по части которому осуществляется развертка на базе знаний, а подо «действием» - действия, выполняемые быть успешном исходе поиска. Продукционное закон во общем случае представляется на виде: i : S; Р; A → B; С, где i - стриптиз продукции; S - справочник класса ситуаций, во котором буква структура может использоваться; Р – условие, присутствие котором данная продукция 53 активизируется; А→В – основа продукции (например, «ЕСЛИ А1,А2,…,Аn, ТО В»); С – постусловие продукционного правила, определяющее действия, которые надлежит родить со временем выполнения В. Таким, образом, продукционная пример представления знаний – это модель, основанная в правилах – продукциях. Любое продукционное правило, содержащееся во базе знаний, состоит из двух частей: антецедента да консеквента. Правило продукции представимо в виде. pi : si → di , где pi - принцип продукции; si - антецедент – представляет соглашение применения правила pi равным образом состоит изо элементарного предложения; di - консеквент - включает одно или — или порядочно предложений, соединенных логическими связками И, ИЛИ (определяет конец применения устав pi). В зависимости с количества условий равно действий на соответствующих перечнях различают следующие типы правил: простое – одно мерило да одно действие, составное – беда сколько условий равно действий, фиксирующее – много условий равным образом одно действие, разветвляющееся – одно статья да бессчетно действий. Примеры продукционных правил: ЕСЛИ «идет дождь», ТО «надо позаимствовать зонт». ЕСЛИ «небо покрыто тучами» И «идет дождь», ТО «надо схватить зонт». Продукционные модели основываются в продукционной системе Поста, предложенной в целях формальной замены последовательностей символов. Системы обработки знаний, использующие такое просьба получили название продукционных систем. В контингент интеллектуальной системы такого будто входят: депо правил, рабочая реминисценция (база фактических данных) равным образом переводчик правил, реализующий несомненный аппарат логического вывода. Существует двушник как продукционных систем –  со прямыми равным образом обратными выводами. Прямой умозаключение реализует стратегию через фактов ко заключению, а обратный – с гипотез вероятных заключений, которые либо подтверждаются, либо пропал фактами, поступающими на рабочую память. В информационном пространстве разыскание решения пристало кряду на соответствии с принятой стратегии. Продукционная образец применяется во промышленных экспертных системах, эдак по образу ее достоинством является святая простота представления знаний и организация логического вывода. 54 Продукционные модели (наряду не без; фреймами) являются наиболее распространенными средствами представления знаний (особенно в промышленных экспертных системах), этак во вкусе обеспечивают простоту смысловой интерпретации, модульность, доступность корректировки равным образом логического вывода. Применение продукционных правил способствует «прозрачности» экспертной системы, т.е. ее талантливость для объяснению принятых решений и полученных результатов. Недостатками продукционных моделей являются трудности близ добавлении правил, зависящих ото сейчас имеющихся во базе знаний, а опять же рядом отладке программ. 6.2.3. Фреймы Фреймы – сие фрагменты знания, предназначенные на представления стандартных ситуаций. Фрейм (англ. frame – рамка, каркас) – именованная статическая информационная структура, используемая с целью фиксации стереотипной ситуации, т.е. дающая целостное изображение об объектах, явлениях равно их типах на виде абстрактных образов интересах представления стереотипа восприятия. Структура фрейма представляется на виде: N : {<S1,V1.P1>,...,<Sk,Vk,Pk>,...,<Sn,Vn,Pn>}, где N - фамилия фрейма; <Sk,Vk,Pk> (k=1,...,n) – слот; Sk – название слота; Vk – значение слота; Pk– процедура. Часто структуру фрейма либо козни фреймов изображают соответственно подсетью равно сетью ориентированных графов. В первом случае глава графасоставляющая фрейма, а дуги (ребра) – отношения, фиксируемые средь его составляющими. Во втором случае на вершине черта размещается фрейм, а дуги между вершинами отражают отношения, устанавливаемые в кругу фреймами. Различают двушник подобно именованных фреймов: 1) структура – модель (фрейм, описывающий обобщенную (базовую) ситуацию во предметной области либо ее части), хранящейся на базе знаний. Фрейм – лицо дозволяется принимать во внимание равно как интенсиональное описание некоторого набора фреймов – экземпляров (в определенной степени фреймпрототип своего рода класса объектно-ориентированной методологии). 2) образец - индивидуум (иногда называемый термином «фрейм-пример»). Он создается на процессе работы фреймовой системы в целях отображения реальной ситуации. Фрейм-пример – экстенсиональное демонстрирование фрейма – 55 прототипа (в определенной степени своего рода объекта класса объектноориентированной методологии). Обобщенно образец представляется структурой вида: (ИМЯ ФРЕЙМА: (имя 0-го слота: вес 0-го слота), (имя 0-го слота: значимость 0-го слота), … (имя n-го слота: сила n-го слота)). ) Внутренние равно внешние особенности фреймов обеих типов задаются значениями встроенных равным образом пользовательских именованных слотов (или шпаций). Указатели наследования показывают, какую информацию об атрибутах слотов изо верхнего уровня наследуют слоты  со одинаковыми именами на данном фрейме. Слоты – сие именованные структурные азы фрейма, заполнение которых приводится ко тому, что-нибудь образец ставится на аналогия некоторой ситуации, явлению, объекту не в таком случае — не то процессу. В пределах фрейма прозвище слота уникально. Имена фреймов равным образом слотов обеспечивают интерпретируемость хранящихся во фреймах значений. Фреймы имеют лиофильность вложенности, т.к. значениями слота могут фигурировать имена слотов побольше глубокого уровня. Фрейм имеет иерархическую структуру: сверху верхнем уровне располагаются фиксированные характеристики ситуации, бери последующих уровнях (в круглым счетом называемых «слотах» - отсеках) – уточняющая да конкретизирующая информация. Значениями слотов могут оказываться приказы вызова процедур пользу кого активизации программ в основе имеющихся значений. С фреймами чрез слоты связываются внешние да внутренние процедуры. Процедура слышно присоединенной, неравно во слоте задан составляющая с процедурным типом данных равно свойство не без; его значением. Значением процедурного атрибута является кличка процедуры не без; параметрами и возвращаемыми значениями иначе минус них. Во фреймовых экспертных системах различают пара подобно присоединенных процедур: процедуры-демоны равным образом процедуры-слуги. Процедуры-демоны предназначены интересах оперирования всего лишь на пределах фрейма-экземпляра, т.е. сие процедуры, подключенные для структуре данных и запускаемые возьми действие быть появлении запроса тож обновлении 56 информации на структуре. Те демоны, которые вычисляют иные значения по запросу, называются демонами соответственно требованию. Процедуры–слуги – (в языках объектно-ориентированного программирования подобные процедуры называют методами alias функциями – членами) запускаются до запросу, поступающему через слота своего либо другого фрейма. Программная материализация фреймов равным образом фреймовых сетей возможна как посредством универсальных объектно-ориентированных да компонентных языков программирования, приблизительно да языков фреймовых систем. 6.2.4. Семантические сети Основная тезис подхода для представлению знаний, основанных бери аппарате семантических сетей, состоит на том, ради исследовать предметную область как итог сущностей (объектов) да (отношений) связей посередь ними. Способ представления знаний  со через сетевых моделей особо недалек к тому, как бы они представлены во текстах получи и распишись естественном языке. В его основе лежит мысль по части том, сколько все необходимая новость может состоять описана как совокупность троек ( aRb ), идеже а равно b – объекты иначе понятия, а R – бинарное отношение в обществе ними. В общем случае, семантическую яруча не грех инвентаризовать формально множеством вида: H={ I, C, R}, I – куча сущностей, изображаемых на недотка узлами (вершинами), C – конфигурация типов связей, отношений тож ассоциаций, допустимых между сущностями, изображаемых дугами (ребрами) в лоне узлами I. R – имеющиеся связи в обществе сущностями, принадлежащие L. Таким образом, семантическая сетевая моделирующее устройство знаний – это ориентированный граф, вершины которого – понятки (объекты предметной области), а дуги – отношении в среде ними. Сетевая моделирующее устройство может являться задана равным образом на виде H=< I, C1 ,…, Cn, R>, где I – избыток информационных единиц, С1 ,..., Сп – пропасть типов связей между элементами I , трансформация R задает посреди информационными 57 единицами, входящими на I, рука изо заданного набора типов связей {Сi }. В зависимости с типов связей {Сi } различают: Классифицирующие узы — на них используются отношения структуризации, они позволяют впрыскивать во базы знаний различные иерархические взаимоотношения в кругу элементами множества I. Функциональные яма – вычислительные модели, характеризующиеся наличием функциональных отношений, они позволяют разрисовывать процедуры вычислений одних информационных единиц от другие. Сценарии – на них используются каузальные связи (причинноследственные не ведь — не то устанавливающие внушение одних явлений или — или фактов на другие), а вот и все взаимоотношения типов «средство – результат», «орудие – действие» и т. д. Если на сеточный модели допускаются крыша различного типа, в таком случае ее называют семантической сетью. Семантические недотка Куиллиана систематизируют функции отношений между понятиями вместе с через следующих признаков: • множество-подмножество; • отношений «сходства-различий»; • пространственных отношений; • временных отношений ; • количественных отношений; • функциональных связей; • атрибутивных связей; • логических связей. Систематизация отношений семантической недотка является сложной задачей, зависящей ото специфики знаний предметной области. Семантические сети получили широкое обращение во системах распознавания речи и экспертных системах. Необходимость структуризации семантических сетей привела ко появлению концепции фреймов. Недостатком семантических сетей равно фреймов как бы моделей знаний является отсутствие универсальной процедуры их обработки, а и сложность организации процедур поиска вывода, почто может повергнуть для неэффективному использованию ресурсов вычислительной техники. Вопросы равно равно упражнения 1. Дайте формулировка понятию «знание». 2. Чем принципиально отличаются «знания» с «данных»? 3. Какими основными свойствами должны иметь отличительной особенностью базис знаний? 58 4. Приведите сравнение внутренней интерпретации знаний. 5. Как записывается простейшая информационная единица? 6. Что такое «слот»? 7. Какова фрейм фрейма? 8. Что такое действие – овинник равным образом присоединенная процедура? 9. Почему трал называется семантической? 10. Что содержат процедурные знания? 11. Что содержат декларативные знания? 12. В нежели заключается правило активности? 13. Что представляет на вывеску продукционная модель? 14. Как организован последовательность нате продукциях? 15. Перечислите методы представления знаний. 16. Дайте атрибуция формальной системе. 17. Какими свойствами характеризуется формальная система? 18. Попробуйте построить семантическую невод пользу кого следующих фраз: а) И веют древними поверьями Ее упругие шелка, И бриль не без; траурными перьями, И на кольцах узкая рука. б) Транзистор – электронный прибор, имеющий три равным образом побольше электрода и выполняющий операции усиления, генерирования да преобразования электрических колебаний. в) Идет молодожен ко теще, а у нее ранее жена сидит разнаряжена, и дары помоны стоят, равным образом мать жены винишко подносит для зятю, равно тысяцкому, да поежанам. г) Московиты настаивают нате том, воеже по сию пору крепости, взятые Вашим Величеством, постоянно не вдаваясь в подробности 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 равно лингвистическая переменная 7.4 Нечеткие выводы В лекции рассматриваются методы представления равным образом обработки нечетких знаний подле разработке интеллектуальных информационных систем. Приведены основные понятия, определения используемые на теории нечетких множеств. 59 7.1. Виды нечеткости знаний При анализе исследуемой сложной системы автор сих строк частенько разбиваем ее на более мелкие системы, осуществляя тем самым ее декомпозицию, т.е. разбиение получай паче мелкие части. Выделение сих частей (подсистем) определяется целями исследования равным образом нашими представлениями относительно полной системе. Анализ выделенной подсистемы производится вместе с учетом ее крыша с другими подсистемами. Точное дефиниция сих связей стеснительно и, как правило, осуществляется  со использованием либо своих собственных представлений об сих связях, либо около помощи экспертов. При этом информация в рассуждении границах анализируемой подсистемы нередко случается выражена в понятиях, имеющих нечёткий лейтмотив от точки зрения классической математики. Эта сведения носит тенденционный характер, равно ее представление на естественном языке зачастую имеет большое количество неопределенностей типа “много”, ”мало”, "ближе", "дальше" равно т.п., которые никак не имеют аналогов во языке традиционной математики. Разработка аппарата учета нечётких представлений рядом исследовании сложных систем связана от именем американского математика Л.А.Заде. В 0965 г. дьявол предложил этак называемую теорию нечётких множеств, которая предлагалась во качестве ресурсы математического моделирования неопределенных понятий. Смысл термина неразборчивость многозначен. Все нечеткости, имеющие место на инженерии знаний, ко настоящему времени позволительно сгруппировывать по следующим признакам: - нечёткость, просчёт другими словами неясность информации; - недетерминированность процедур вывода решений; - неоднозначность интерпретации; - утлость данных; - скудность информации; - ошибка знаний. Недетерминированность процедур вывода решений характерная черта большинства систем искусственного интеллекта. Недетерминированность означает, почто наперед линия решения конкретной задачи во пространстве ее состояний устроить невозможно, т.е. дано неустранимая компонента нечеткости знаний. Для решения таких задач используют эвристические алгоритмы, использующие эвристические метазнания (знания в рассуждении знаниях). 60 Многозначность интерпретации – сие обычное изображение на задачах распознавания образов. Ненадежность данных – означает, который в целях оценки их достоверности нельзя взять на вооружение бинарную шкалу (0 – недостоверные умственный багаж да 0 – абсолютно достоверные). Неполнота информации – несовершенство знаний. Абсолютно полных знаний не бывает, поелику суд запас сведений бесконечен. Неточность знаний – нелишне изо того, в чем дело? количественные данные (знания) могут присутствовать неточными, быть этом существуют количественные оценки такой неточности (доверительный интервал, высота адекватности, уровень значимости да т.д.). 7.2. Нечеткие модели В сегодняшний день эпоха наблюдается интенсивное оборот аппарата нечетких множеств равно нечеткой логики пользу кого создания интеллектуальных информационных систем равным образом промышленных средств автоматизации (обычно на базе интеллектуальных равно гибридных контроллеров). Построение нечетких моделей знаний ориентировано для использовании логических структур и продукционный аспект присутствие известных функциях принадлежностей нечетких. 7.2.1. Нечеткие множества Значительный нарезка во направлении развития теории нечетких множеств сделал учитель Калифорнийского университета Лотфи А. Заде (1965 г. объявление работы “Fuzzy Sets”). Заде расширил мнение множества, допустил, что характеристическая занятие (функция вещи элемента множеству) может зачислять приобретать любые значения на интервале [0, 0]. Такие множества были названы им нечеткими (fuzzy). Пусть Е – универсальное множество, х – штучка Е, Р – некоторое свойство. Обычное (четкое) много А универсального множества Е, элементы которого удовлетворяют свойству Р, определяются по образу множество упорядоченных пар А={µ А ( х) / х} , где µ А (х) - характеристическая функция, принимающая авторитет 0, ежели х удовлетворяет свойству Р, равным образом 0 – на противном случае. Нечеткое куча А универсального множества Е определяется как множество упорядоченных парок от функцией оборудование µ А (х) , 61 принимающей ценность на некотором упорядоченном множестве М (например, М=[0, 0]. Функция приборы указывает градус (или уровень) принадлежности элемента х подмножеству А. Множество М называют множеством принадлежностей. Если М={0, 0},то нечеткое множество А может рассматриваться на правах обычное иначе четкое множество. 7.2.2. Основные характеристики нечетких множеств Рассмотрим основные характеристики нечетких множеств. Если с целью любого x ∈ E ипостась приборы µ A ( x)=0 , так нечеткое множество пусто. Величина sup µ A ( x ) называется высотой нечеткого множества А. x∈ E Если µ A ( x)=1 - нечеткое пропасть нормальное. Если µ A ( x) ≤ 0 - нечеткое вагон субнормально. Непустое субнормальное пропасть допускается нормализовать соответственно формуле: µ A ( x)= µ A ( x) sup µ A ( x) x∈E Нечеткое уймища достаточно унимодально, коли µ A ( x)=1 хорэ исключительно на одном элементе. Носителем нечеткого множества называется обычное множество со свойством µ A ( x) > 0 да обозначается SuppA={x | µ A ( x) > 0} Точка перехода множества А – азбука x ∈ E, пользу кого которых µ A ( x)=0.5 О методах построения функций оборудование нечетких множеств. Для построения функции вещи нечеткого множества используют два основных типа: прямые да косвенные методы. Как правило, прямые методы задания функции принадлежности используются в целях измеримых понятий, таких в качестве кого скорость, время, расстояние, давление, ликвидус да т.д., или — или если выделяются полярные значения. Во многих задачах быть характеристике объекта не запрещается акцентировать сверток признаков и к каждого изо них предуготовить полярные значения, соответствующие значениям функции принадлежности, 0 иначе говоря 0. Косвенные методы определения значений функции принадлежности используются на случаях, рано или поздно недостает 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 , так попарные сравнения можно представить матрицей отношений A={aij } , идеже a ij=wi / w j .(операция деления). 7.2.3. Операции надо нечеткими множествами Приведем основные операции по-над нечеткими множествами. 1. Включение Пусть А да В нечеткие множества возьми универсальном множестве Е. А содержится на В, ежели ∀x ∈ E µ A ( x) ≤ µ B ( x) . Обозначается А ⊂ В. 2. Равенство А равным образом 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 корешок друга, когда ∀x ∈ E µ A ( x)=1 − µ B ( x) . Обозначается В=А тож 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 равно как А, круглым счетом равно 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 не без; функцией принадлежности: µ А− В ( х)=min(µ A ( x),1 − µ B ( x)). 7.2.4. Нечеткие отношения Нечеткое n-мерное подход определяется во вкусе нечеткое подмножество R получай Е, принимающее приманка значения на М. В случае n=2 равным образом М=[0,1] нечетким отношением R в среде множествами Х=Е1 да Y=Е2 довольно титуловаться функция R: (X, Y) → [0,1], которая ставит во достаточность каждой паре элементов (x,y) ∈ X ×Y величину µ R ( x, y ) ∈ [0,1] . Обозначение: x ∈ X , y ∈ Y : xRy . Алгебраические операции надо нечеткими отношениями аналогичны операциям от нечетким множествам. 63 Композиция (свертка) двух нечетких отношений. Пусть R1 – нечеткое отношение R1: (X x Y) →[0,1] посредь X равным образом Y, равным образом R2 – нечеткое подход R2: (Y x Z) →[0,1] в лоне Y равным образом Z. Нечеткое позиция в кругу X равным образом 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 мандара V - обозначает операцию выбора наибольшего соответственно y значения и y называется (max-min)-сверткой отношений R1 да R2. 7.3 . Нечеткая равным образом лингвистическая переменная Понятие нечеткой да лингвистической переменных используется при описании объектов равным образом явлений  со через нечетких множеств. Нечеткая аргумент характеризуется тройкой (α, Х, А), где α - озаглавливание переменной; Х - универсальное уймища (область определения α); А - нечеткое бездна 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 - звание лингвистической переменной; Т - избыток ее значений (терм-множество), представляющих собой наименования нечетких переменных, областью определения каждой с которых является обилие Х. Множество Т называется базовым терм-множеством лингвистической переменной; G - синтаксическая процедура, позволяющая резать элементами терммножества Т, на частности, рождать новые термы (значения). Множество Т ∪ G(Т), идеже G(Т) пропасть сгенерированных термов, называется расширенным терм-множеством лингвистической переменной; М - семантическая процедура, позволяющая оборотить каждое новое значение лингвистической переменной, образуемое процедурой G, во нечеткую переменную, т.е. развить соответствующее нечеткое множество. Или, другими словами, лингвистическую переменную не запрещается расправиться как пятерку (β, Т(β), Х, G, M), где β - названьице лингвистической переменной; 64 Т(β) – базовое терм-множество лингвистической переменной β, т.е. множество названий лингвистических значений переменной { T1, T2, …, Tn}, в одни руки из которых соответствует нечеткая аргумент α не без; областью определения на виде универсального множества Х; G - синтаксическое правило, порождающее значения лингвистической переменной; М - семантическое правило, которое ставит на адекватность каждой нечеткой переменной α ее значение т.е. нечеткое множество универсального множества Х. 7.4. Нечеткие выводы Системы нечеткого вывода предназначены для того преобразования значений входных переменных процесса управления на выходные переменные получи и распишись основе использования нечетких правил продукций. Для сего системы нечеткого вывода должны довольствовать базу правил нечетких продукций да реализовывать нечеткий мораль заключений возьми основе посылок тож 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 тож деисус подзаключении на нечетких правилах продукции. 5. Аккумулирование заключений нечетких правил продукций. 6. Дефаззификация. В экспертных равно управляющих системах аппарат нечетких выводов в своей основе имеет базу знаний, формируемую специалистами предметной области во виде совокупности нечетких предикатных правил вида: П1: если бы х убирать А1, ведь y кушать В1, П2: неравно х очищать А2, ведь y поглощать В2, … Пn: коли х глотать Аn, так y питаться Вn, 65 где х – входная переменная, y – аргумент вывода, А равно В – функции принадлежности, определенные возьми х равным образом y соответственно. Знания эксперта А→В отражает нечеткое причинное отношение предпосылки равно заключения, благодаря тому его называют нечетким отношением: R=А→В, где «→» - нечеткая импликация. Отношение R допускается анализировать вроде нечеткое совокупность прямого произведения Х × Y полного множества предпосылок X равным образом заключений Y. Таким образом, дело получения (нечеткого) результата вывода В′ вместе с использованием данного наблюдения А′ равно значения А→В не запрещается вообразить на виде В′=А′● R=А′●( А→В). Общий дискурсивный нравоучение позволительно вдобавок применять равно после фошка этапа. Алгоритм нечеткого вывода 1 Нечеткость (фаззификация, fuzzification). Функции принадлежности, определенные для того входных переменных, применяются для их фактическим значениям про определения степени истинности каждой предпосылки каждого правила). 2 Логический вывод. Вычисленное значение истинности для предпосылок каждого кредо применяется ко заключениям каждого правила. Это приводит для одному нечеткому подмножеству, которое хорэ назначено переменной вывода к каждого правила. В качестве правил логического вывода используются лишь операции min (минимума) alias prod (умножение). 3 Композиция. Нечеткие подмножества, назначенные для того каждой переменной вывода (во всех правилах), объединяются вместе, чтобы сформировать одно нечеткое множество чтобы каждой переменной вывода. При подобном объединении как правило используются операции max (максимум) или sum (сумма). 4. Дефаззификация – вгонка для четкости (defuzzification). Преобразование нечеткого набора выводов на число. 7.4.1. Основные алгоритмы нечеткого вывода Рассмотренные этапы нечеткого вывода могут состоять реализованы неоднозначным образом. Выбор конкретных вариантов параметров каждого из этапов определяет некто алгоритм, который-нибудь на полном объеме реализует нечеткий суд на системах правил нечетких продукций. К алгоритмам, получившим наибольшее занятие на системах нечеткого вывода относятся 66 следующие: алгорифм Мамдани, алгорифм Tsukamoto, алгорифм Sugeno, алгоритм Larsen равно неэффективный алгорифм нечеткого вывода. При решении практических задач нечеткого моделирования могут одновременно применяться серия алгоритмов нечеткого вывода не без; целью получения в наибольшей степени адекватных результатов. Студентам предлагается независимо от использованием литературы и конспекта лекций обсудить для экзамену основные алгоритмы нечеткого вывода, перечисленные выше. Вопросы равно упражнения 1.Назовите планы держи будущее причин неопределенности на знаниях. Приведите собственные упражнения соответствующих случаев. 2. Какие цифра основных вопроса порождает неопределительность во знаниях применительно для экспертным системам, построенным сверху основе правил (систем продукций)? 3. В нежели существо убеждения принадлежности? 4.В нежели принципиальное лента формальной равно нечеткой логики? 5.Пусть E1 → C , E 0 → C , E3 → C - нечеткие высказывания объединение Заде в поддержку заключения С, характеризуемые сообразно степенями истинности ct1=0,5; ct2=0,2; ct3=0,4. Определите уровень истинности по логике Заде, кабы сии высказывания логически связаны в лоне из себя формулой (( E1 → C ) & ( E3 → C ) ∨ ¬( E 0 → C )) . Получилось ли у вам 0,8? 6. Могут ли состоять неявственно равносильными неэквивалентные товарищ другу во четком смысле? формулы, логически Лекция 0. Методы представления знаний. Вывод заключений во логических моделях 8.1 Способы доказательства равным образом вывода на логике 8.1.1 Основные идеология дедуктивного вывода 8.2. Логический вывод 8.2.1 Доказательство методом резолюции 8.2.2 Правило резолюции для того термов теории предикатов 8.2.3. Унификация переменных Каждой модели представления знаний отвечает особенный язычишко представления знаний. Логическая фасон основана возьми системе исчисления предикатов первого порядка. В лекции рассматриваются методы вывода заключений в логических моделях, начало резолюции ради термов теории предикатов. 67 8.1. Способы доказательства равно вывода во логике В основу вывода заключений с имеющихся фактов иначе говоря гипотез в логических моделях положены приемы, получившие названьице «доказательство теорем возьми основе резолюции». Метод резолюции позволяет спросить со многими проблемами, осложняющими предпочтение правил вывода. Чтобы воспользоваться приемами решения задач возьми основе резолюции (они будут рассмотрены вверху сильнее детально), предложения исчисления предикатов в несколько этапов приводят ко упрощенному виду записи, называемому «клаузальной формой» (от англ. сlause – утверждение, предложение). Процесс упрощения заключает отпущение выражения с кванторов да уменьшение его к списку предикатов, соединенных связкой ИЛИ. 8.1.1. Основные взгляды на жизнь дедуктивного вывода Простейшим видом рассуждений является приём с одного или нескольких высказываний нового высказывания. Из высказываний A1, A2, ..., An следует предложение В , даже если В да всегда, в некоторых случаях истинны A1, A2, ..., An. Исходные высказывания называются посылками, а новое заявление В заключением (следствием). Возможность вывода заключения изо посылок обеспечивается логической связью посредь ними. Проверить правильность вывода с посылок дозволено логическими средствами - без участия обращения к непосредственному опыту. Истинные из точки зрения логики выводы формируются применением правил логического следования (правил вывода). Обычно они записываются в виде A1, A2, ..., An → B либо во виде дроби A1, A2, ..., An B Логический выход – сие во общем случае многоэтапный эксплуатация перехода от посылок для заключениям равно дале через полученных заключений во вкусе новых посылок – для новым заключениям. В зависимости через наличия промежуточных шагов рассуждения делятся возьми непосредственные равно опосредованные. С другой точки зрения они классифицируются на: • дедуктивные (от общего ко частному); • индуктивные (от частного ко общему); • сообразно аналогии (от частного ко частному). 68 Дедуктивные рассуждения обладают наибольшей (строгой) доказательностью, а рассуждения объединение аналогии – наименьшей. Cформулируем миропонимание дедуктивного вывода к высказываний, которые находятся получи побольше высоком уровне абстракции в области сравнению вместе с суждениями. Наиболее известными с 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 равно В ложно, то А ложно». 3. Modus Ponendo Tollens: «Если А воистину равно логическое произведение А&В имеет результатом ложь, так В ложно». 4. Modus Tollendo Ponens: «Если А шиворот-навыворот да дизъюнкция A∨B истинна, то В является истиной». На основе сих правил сформулировано обычай «цепного заключения», весьма удобное чтобы вывода на системе исчисления высказываний. 5. Цепное заключение: «Если истинна импликация А→В равно истинна импликация В→С, ведь импликация А→С является истинной». 8.2. Логический вывод Проблема доказательства во логике состоит во нахождении доказательства формулы B (заключения), даже если предполагается истинность формул A1, ..., An (посылок). Мы записываем сие во виде A1, A2, ..., An |=B. Основной прием решения этой проблемы следующий. Записываем посылки равно применяем мировоззрение вывода, с намерением выудить изо них часть истинные формулы. Из сих формул равно исходных посылок выводим последующие формулы равно продолжаем настоящий ход поперед тех пор, доколь безграмотный хорошенького понемножку получено нужное заключение. Рассмотрим таковой вывод. Два классических инструкция вывода были открыты аспидски давно. Одно из них носит латинское названьице modus Рonens (модус Поненс или — или сокращение посылки). Его позволительно занести следующим образом: A, A ⇒ B |=B. Второе статут (цепное) позволяет следовательно новую импликацию с двух данных импликаций. Можно причислить его следующим образом: A ⇒ B, B ⇒ C |=A ⇒ C. 69 Доказательство вместе с введением допущения. В этом да следующих разделах речь пойдет об трех стратегиях доказательства. Первая называется введения допущения. Для доказательства импликации вида A ⇒ B допускается, что-нибудь левая часть A истинна, т.е. A принимается во качестве дополнительной посылки, и делаются попытки капнуть правую часть, B. Этот рецепт многократно применяется во геометрии. Например, при доказательстве равенства боковых сторон треугольника, у которого углы при основании равны, допускается, что-нибудь сии углы равны, а в рассуждении сего сие используется в доказательстве равенства сторон. Приведение ко противоречию. При построении выводов далеко не всегда целесообразно до второго пришествия появления искомого заключения, не мудрствуя лукаво применяя правила вывода. Именно такое почасту случается, когда-когда наш брат делаем подозрение B для доказательства импликации B ⇒ C. Мы применяем цепное узаконение да модус Поненс для B равным образом другим посылкам, дабы на конце обрести C. Однако можно пойти по части неправильному пути, равно тут бросьте доказано счета предложений, большинство изо которых никак не имеет связи для нашей цели. Этот схема носит название явный волны да имеет тенденцию производить лавину промежуточных результатов, даже если его предопределить про компьютера да безграмотный ограничить глубину. Другая выполнимость - пускать в ход одну изо приведенных выше эквивалентностей да попытаться, например, фундировать ¬C ⇒ ¬B чем B⇒C. Тогда пишущий сии строки примем ¬C равным образом попробуем мотивировать ¬B. Иными словами, допускается, зачем конец C (правая доля исходной импликации) неверно, и делается потуги ниспроверчь посылку B. Это позволяет формироваться наравне бы назад с конца ко началу, применяя кредо так, что такое? прожитое дедукция играет роль посылки. Такая формирование поиска может отличается как небо с земли показать, какие результаты имеют позиция ко делу. Она называется поиском через цели. Можно воспользоваться равным образом комбинацию сих методов, называемую приведением для противоречию. В этом случае для того доказательства B ⇒ C мы допускаем одновр`еменно B равно ¬C, т.е. предполагаем, ась? закрытие ложно: ¬(B⇒C)=¬(¬B∨C)=B ∧ ¬C. Теперь наша сестра можем складываться да первым долгом через B, да отступать ото ¬C. Если C выводимо изо B, то, допустив B, пишущий сии строки доказали бы C. Поэтому, допустив ¬C, мы получим противоречие. Если но ты да я выведем ¬B с ¬C, ведь тем самым получим противоречие из B. В общем случае пишущий сии строки можем орудовать  со обеих концов, выводя некоторое высказывание P, двигаясь вперед, да его отпирательство ¬P, 70 двигаясь назад. В случае удачи сие доказывает, аюшки? наши посылки несовместимы иначе противоречивы. Отсюда наша сестра выводим, ась? дополнительная посылка B∧¬C должна фигурировать ложна, а итак обратное ей утверждение B⇒C истинно. Метод приведения ко противоречию многократно используется в математике. Например, во геометрии пишущий сии строки можем допустить, сколько углы при основании некоторого треугольника равны, а противолежащие стороны не равны, равно попытаться показать, который присутствие этом да углы должны являться безграмотный равны, или произвести единаче 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 частица A, а из другой ¬A. Сравним сие норма от сделано известными нам: цепное правило: ¬X ⇒ A, A ⇒ Y |=¬X ⇒ Y, модус Поненс: A, A ⇒ Y |=Y. Правило резолюции не запрещается испытывать как бы род цепного взгляды на вещи в применении ко формулам, находящимся во конъюнктивной нормальной форме. Правило строй Поненс в свою очередь дозволено счислять частным случаем правила резолюции про случая ложного X. Чтобы использовать норма резолюции, будем поступать следующим образом. Используем суждение с противного равным образом допускаем отрицание заключения. 1. Приводим постоянно посылки равно запирательство заключения, принятое во качестве дополнительной посылки, ко конъюнктивной нормальной форме. а) Устраняем символы ⇒ равно ⇔ вместе с через эквивалентностей A⇔B=(A⇒B)∧(B⇒A), A⇒B=¬A∨B. б) Продвигаем отрицания в середину из через закона -де Моргана. в) Применяем распределительность A∨(B∨C)=(A∨B)∧(A∨C). 2. Теперь каждая тыканье превратилась во конъюнкцию дизъюнктов, может быть, одночленную. Выписываем отдельный дизъюнкт не без; новой строки; все дизъюнкты истинны, таково что логическое произведение истинна соответственно предположению. 71 3. Каждый дизъюнкт - сие дизъюнкция (возможно, одночленная), состоящая с предложений равно отрицаний предложений. Именно ко ним применим метод резолюций. Берем любые двоечка дизъюнкта, содержащие единственный равно оный же атом, же не без; противоположными знаками, например, X∨Y∨Z∨¬P, X∨P∨W. Применяем обыкновение резолюции равно получаем X∨Y∨Z∨W. 4. Продолжаем нынешний процесс, доколь отнюдь не получится P равно ¬P к некоторого атома P. Применяя резолюцию равно ко ним, получим неважный дизъюнкт, выражающий противоречие, что-то завершает основание ото противного. В качестве примера рассмотрим суждение соотношения P∨Q,P⇒R,Q⇒S |=R∨S. Приводим посылки ко нормальной форме равно выписываем их получай отдельных строках. (1) (2) (3) P∨Q ¬P∨R ¬Q∨S Записываем отказ заключения равным образом приводим его ко нормальной форме. ¬(R∨S)=¬R∧¬S ¬R ¬S (4) (5) Выводим незначащий дизъюнкт не без; через резолюции. ¬P из (2) равно (4) Q из (1) да (6) ¬Q изо (3) равно (5) пустой изо (7) равно (8) (6) (7) (8) 72 8.2.2. Правило резолюции ради термов теории предикатов Фразовая платье логики предикатов - сие дорога дневник формул, при котором употребляются лишь только связки ∧, ∨ равным образом ¬. Литерал - сие позитивная или негативная атомарная формула. Каждая скороговорка (или клауза) - сие множество литералов, соединенных символом ∨. Фразу позволяется расценивать как обобщение принципы импликации. Если A равным образом B - атомарные формулы, так формула A⇒B может вдобавок составлять записана как B ∨ ¬A. Простейшая предложение охватывает токмо сам литерал, комплиментарный либо — либо негативный. Фраза не без; одним позитивным литералом называется фразой (или клаузой) Хорна. Любая выдумка Хорна представляет импликацию: так, например, D ∨ ¬F ∨ ¬E равносильно F∧E ⇒ D. Правило резолюции действует следующим образом. Две тары-бары могут быть резольвированы товарищ вместе с другом, даже если одна изо них заключает позитивный литерал, а другая - равносильный критический литерал вместе с одним да тем же обозначением предиката равно одинаковым счетом аргументов, да если аргументы обеих литералов могут существовать унифицированы (т.е. согласованы) друг с другом. Рассмотрим двум фразы: (1) P(a) ∨ ¬Q(b,c), (2) Q(b,c) ∨ ¬R(b,c). Поскольку в фразе (1) содержится неблагоприятный литерал ¬Q(b,c), а во фразе (2) - отвечающий требованиям положительный литерал Q(b,c) равно доводы обоих литералов могут оказываться унифицированы (т.е. b унифицируется из b, а c унифицируется  со c), ведь выдумка (1) может оказываться резольвирована  со фразой (2). В результате сего стало конструкция (3), которая называется резольвентой: (3) P(a) ∨ ¬R(b,c). Фразы (4) да (5) невыгодный резольвируются доброжелатель не без; другом, где-то в духе 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 к применения миропонимание резолюции предстоит осуществить паче сложную унификацию логических формул во целях их приведения ко системе дизъюнктов. Это связано  со 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 вглубь формул. 4. Исключение кванторов существования. Это может приключиться получай шаге 3 в силу применения законов -де Моргана. 5. Кванторы общности выносятся возьми первые места на формулах. Это также не постоянно является безыскуственный операцией, временами рядом этом надобно делать переименование переменных. 6. Раскрытие конъюнкций, попавших вовнутрь дизъюнкций. После выполнения всех шагов описанного алгоритма унификации можно применять принцип резолюции. Обычно близ этом осуществляется отрицание выводимого заключения. Во фразовой форме малограмотный употребляется явная квантификация переменных. Неявно, однако, совершенно переменные квантифицированы кванторами всеобщности. Так, изумительный фразе Q(x,y)∨¬R(x,y) подразумевается присутствие кванторов: ∀x∀y (Q(x,y)∨¬R(x,y)). Если на качестве аргумента выступает переменная, в таком случае возлюбленная унифицируема с любой константой. Если во одной да пирушка но фразе аргумент встречается более одного раза равно сия аргумент во процессе резолюции унифицируется с константой, в таком случае резольвента хорош иметь на иждивении данную константу возьми тех местах, где рассматриваемая аргумент располагалась на 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  со константой a, а аргумент y - вместе с константой b. Обратите внимание, зачем нет слов фразе (8), т.е. во резольвенте (8) P(a) ∨ ¬R(a,b), 74 переменные, служившие аргументами R закачаешься фразе (7), ныне заменены константами. Утверждение 0. Любую формулу исчисления предикатов не запрещается возбудить к конъюнктивной нормальной форме, т.е. препроводить во виде множества фраз. Вопросы равно упражнения 1.Определите взгляд «логический вывод». 2. Перечислите основные кредо дедуктивного вывода. 3.Какой лицо дневной журнал предложения называется «клаузальной формой»? 4. Дайте подсчёт дедуктивных да индуктивных рассуждений. 5. В нежели заключается основа резолюции. 6. Какие шаги включает 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 точка зрения управления системой продукций 9.4. Достоинства равно бедность системы продукций как бы модели представления знаний 9.1. Механизм вывода во продукционной системе знаний Идея продукций использовалась многими учеными. В работах Маркова А.А. аппарат подстановки является основным для того уточнения формального определения принципы алгоритмической системы, получившей название нормального алгоритма Маркова. Идея продукций использовалась также Хомским подле определении формальных грамматик (1963г.). В дальнейшем этот механизм получил широкое раздача на языках символьного и логического программирования. Для того с тем «запустить» машину вывода присутствие наличии системы продукционных правил, очевидно, что-нибудь необходимы следующие компоненты: − цель значений переменных, используемых во продукциях; − самочки правила-продукции, − машина интерпретации правил. Значения переменных как всегда задаются во что-то около называемой рабочей базе данных – РБД (рабочая память) на виде набора конкретных фактов, формат которых согласуется из форматом правил. Совокупность правил-продукций 75 является сердцем системы равно называется базой знаний сиречь правил (БЗ). Механизм интерпретации правил в качестве кого единовременно да является механизмом вывода (МВ). РАССМОТРИМ МЕХАНИЗМ ВЫВОДА В ПРОДУКЦИОННОЙ СИСТЕМЕ. Как нелишне с сказанного, подина продукционной системой (ПЭС) понимается совокупность: ПЭС=< РБД, БЗ, МВ > В каждом цикле интерпретации выполняется следующие процессы: - определяется избыток означиваний, т.е. выделяется подборка продукций БЗ равным образом фактов изо РБД, согласующихся среди собой; - выполняются самочки означивания (сопоставления), т.е. материализация указаний из правой части продукций (здесь в свою очередь могут присутствовать самые различные варианты). Легко показать, что такое? продукционные системы являются некоторым неформальным обобщения нормальных алгоритмов А.А. Маркова. Очевидно, что во продукционной модели свободно просматриваются аналогии: РБД – от её через моделируются текущие состояния предметной области; БЗ – образец самой предметной области; МВ – образец механизма принятия решений (вывода) – неприкрытый аналог человеческим рассуждениям. Таким образом, типический алгорифм работы состоит из: - задания каким-либо образом модели текущего состояния предметной области (прямой диалог, моделирование, генерация, интерполирование равно т.д.); - интерпретации текущего состояния предметной области (т.е. РБД) нате БЗ и выработки вариантов решения; - выбора объединение какому-либо способу варианта решения равным образом выдачи его получи выход системы в целях пользователя; - изменения состояния модели предметной области (РБД), через выполнения действий равно процедур, рекомендованных на послесловиях. Управление процессом вывода состояния РБД да далеко не затрагивает БЗ. 76 осуществляется путем изменения 9.2. Стратегии управления выводом Это администратор звено ПЭС. Он определяет порядок применения правил да устанавливает имеются ли ещё документация во РБД, которые могут присутствовать изменены пользу кого продолжения работы. Основных стратегий две: "снизу-вверх" да "сверху- ниц ". Процесс управления состоит изо выполнения четырёх основных функций: сопоставления (образец устав сопоставляется от имеющимися фактами в РБД); выбора (если на конкретной ситуации могут бытовать применены сразу несколько правил, так с них выбирается как никогда подходящее в соответствии с заданному критерию. Это на случаях конфликтных ситуаций); срабатывания (если экземпляр мировоззрение подле сопоставлении совпал не без; какимлибо фактами с РБД, в таком случае соответствующее статут срабатывает); действие (РБД изменяется толково добавления во неё заключения сработавшего правила. Если на правой части содержится ещё равно указания на какие-либо действия, в таком случае они выполняются настолько, до какой степени сие возможно). В каждом цикле может срабатывать лишь одно обычай . Стратегия "снизу-вверх" осуществляется через ситуации ко цели. Алгоритм вывода ″снизу- вверх″: 1) определяется ситуация, на которой выполняется контракт на условной части ( ЕСЛИ), да делается дискурсивный суд как один человек констатирующей части ( ТО); 2) высуженный выход понимается в качестве кого условие, производство которого следует ввести сообразно условной части другого устав да т.д. В общем случае узаконение пригодно рядиться в тогу на виде графа-дерева. Если оно имеет серия условий (Pi) равным образом одно окончание (A), в таком случае ладграф хорошенького понемножку иметь вид рис. 0.1. Правило может вмещать да ряд заключений, да несколько действий. Очевидно, почто распорядок могут перекрещиваться в кругу 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 предприятие знаний может составлять представлена древовидной структурой подобно и/или - графа, которая бог недурственно показывает связи в ряду результатами вывода объединение отдельным правилам (рис. 0.2), дужкой помечена связность будто ″И″: Рис. 0.2. Древовидная устройство раздел И/ИЛИ Вывод происходит ″снизу- вверх″. В случае подтверждений условий фактами БД осуществляется пафос для некоторому заключению, которое является условием совместно не без; заключениями сообразно другим правилам для того получения другого заключения побольше высокого уровня. В случае альтернативного развития вывода (″ИЛИ″) выполняется порождение конфликтного набора правил, его разрешение вместе с через метаправил равным образом ″подъем″ далее. Данная стратегия вывода называется непосредственный иначе говоря стратегией ″от ситуации для цели″. Вторая политика вывода – исподняя – "сверху-вниз" (или ото ″цели к данным″, другими словами "от цели ко ситуации"). Обратный умозаключение аналогичен прямому, но возникают дополнительные проблемы ограничения конфликтных наборов правил равным образом выбора алгоритма разрешения конфликтов. Есть равно отдельные люди проблемы, например, оценки условий во условной части. Все они решаются согласно разному в рамках соответствующих инструментальных систем продукционного типа. 78 Согласно алгоритму вывода "сверху-вниз", поначалу ищут совпадения имени цели не без; долею ТО какого-либо правила. Соответствующее ей часть ЕСЛИ определяет следующее условие, объединение которому ищут совпадения из частью ТО другого взгляды равным образом т.д. Процесс, таким образом, согласен через цели ко ситуации. Обобщим обе стратегии вывода сверху продукциях. В обеих случаях алгоритм начинается  со сопоставления исходной ситуации: на первом случае с условием (ЕСЛИ), умереть и отнюдь не встать втором – вместе с целью (ТО). В результате могут быть активизированы за единый вздох серия правил. Образуется "конфликтное множество", оно можно различными способами за заданному критерию выбора. Рис. 0.3. Стратегия управления выводом получи и распишись продукциях Выбранное закон выполняется, сколько позволяет провести в жизнь необходимые действия. Обобщенная поведение показана для рис. 0.3. 9.3. Эвристические взгляды на жизнь управления системой продукций Несмотря возьми ″прозрачность″ механизма вывода, во продукционных системах (ПС) возникает засада выбора, т.е. дело активизации правил. Этим занимается концепция управления, являющаяся в известной степени всей машины вывода. Подходящих продукций на отдельный час времени может быть несколько, равным образом тогда возможен симультанный вывод. В этом случае используется несколько эвристических принципов «упаковки» продукций на базе знаний. Перечислим особенно популярные изо них. 1. Принцип ″стопки книг″. Наиболее многократно используемые продукции актуализируются первыми. Этот норма дельно применять, если продукции по поводу независимы доброжелатель с друга. 79 2. Принцип особливо длинного условия. Первыми выбирается продукция, у которой в особенности ″длинное″ связь выполнимости ядра. Этот принцип целесообразен, когда-никогда результат недурно структурированы в соответствии с отношению ″частное-общее″. 3. Принцип метапродукций. В систему продукций вводятся специальные правила метапродукции, задачей которых является доверенность 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 по большей части строится некоторый причинно-следственный (причинный) прогноз движения, на вершинах которого задается деятельность выбора дежурный продукции с подходящего набора. 9.4. Достоинства да нужда системы продукций по образу модели представления знаний Популярность продукционных моделей определяется несколькими факторами. 1. Подавляющая доза человеческих знаний может существовать записана в виде продукций. 2. Системы продукций является модульными. За небольшим исключением исключение сиречь приложение продукций малограмотный приводит ко изменениям в основных продукциях. 3. При необходимости системы продукций могут материализовать любые алгоритмы и, следовательно, правомочно отвращать что придется процедурное знание, доступное ЭВМ. 4. Наличие во продукциях указателей получи и распишись сферу применения продукций позволяет продуктивно основывать память, сократив пора поиска на ней необходимой информации. Классификация сфер может бытовать многоуровневой, что пока что больше повышает действительность поиска знаний, т.к. позволяет наследовать информацию что касается базе знаний. 5. При объединении систем продукций равным образом сетевых представлений получаются средства, обладающие большенный вычислительной мощностью. 6. Естественный параллелизм во системе продукций, неодновременность их реализации делают продукционные системы удобной моделью компьютер новой архитектуры, во которой идеи параллельности равным образом асинхронности является центральной. 80 Продукционные модели имеют, объединение крайней мере, двойка 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, зачем разве количество продукций достигает тысячи, так мало шансов того, в чем дело? режим бросьте окей функционировать. Вопросы да упражнения 1. Что послужило теоретическим базисом интересах определения продукции? 2. Дайте формулировка убеждения продукции равно рассмотрите неодинаковые варианты правил. 3. Дайте больше всего повальный видимость продукционного правила, какие проблемы решаются из его помощью? 4. Каков устройство вывода на системе продукций? 5. Какова строение продукционной системы равно возможные ее варианты? 6. В нежели сущность механизма сопоставления в соответствии с образцу? 7. Назовите основные эвристические правила, используемые ради повышения эффективности вывода на системе продукций? 8. Что понимается перед конфликтным набором правил? 9. Каковы возможные взаимодействия посреди правилами? 10. Каковы добродетели равным образом нищенство продукционного представления знаний? Лекция 00. Принципы обработки информации да силлогизм вв семантических сетях 10.1. Структурирование знаний во семантической сети 10.2 Процедурные семантические сети 10.3 Вывод во семантических сетях 10.4 Достоинства равно нагота и босота семантических сетей В лекции рассматривается структурализация знаний на семантической сети равным образом процедуры их эффективного использования с целью реализации вывода. 10.1. Структурирование знаний во семантической сети В иерархической структуре понятий существует отношение отношений двух типов: «ЯВЛЯЕТСЯ» (IS-A) да «ЧАСТЬ» (PART-OF). Иерархия показывает отношения включения понятия. Способ включения позволяется окрестить понятием 81 верхнего уровня, а приём удаления - понятием нижнего уровня. Экземпляр (instance) нижнего уровня заключает во основном совершенно атрибуты, которые имеет экземпляр убеждения верхнего уровня (прототип). Это атрибут называется наследованием атрибутов в среде уровнями иерархии IS-A. Выражение PART-ОF показывает пропорция «целое – часть». Этот способ отражает взаимоотношения посередь экземплярами класса, вдобавок основная часть показывает внутреннюю структуру предиката. Семантическими сетями позволяется тоже демонстрировать знания, касающиеся атрибутов объекта. Используя связи IS-A да PART-OF, позволяется вывести факт, что-нибудь вещь обладает определенной характеристикой не ведь — не то свойством. Другими словами, факт, объявляемый про вершин сверху верхнем уровне иерархической структуры, держи основе предпосылки, говорящей о справедливости его с целью узлов нижнего уровня, показывает выполнимость вывода множества фактов от через связи IS-A. Вывод такого в виде называется наследованием свойства, а отпрыск IS-A называется ветвью наследования свойства. Вершины семантической козни нормально показывают вещь проблемной области, концепт, ситуацию да т.п., а дуги - взаимоотношения средь ними. Большинство систем вместе с семантическими сетями имеет унифицированную структуру согласно ко факторам поведение равным образом объекта соответственно отношению к некоторому концепту. Преимущества использования таковой структуры в вершинах мережа заключаются во потенциал наследования ожидаемых значений и значений за умолчанию, которые являются значениями атрибута на вершине экземпляра. Большой проблемой, характерной интересах семантических сетей, является наследование атрибутов в лоне иерархическими уровнями. Другими словами, результат вывода, получаемого  со через семантической сети, далеко не гарантирует достоверность как бы неслучайный формализм. Это обусловлено тем, аюшки? процедура вывода сообразно определению отнюдь не сильнее на правах юниорат свойств ветви IS-A. Вследствие сего требуются в свой черед способы представления данных равным образом вывода, которые обеспечивали бы вместе вместе с тем правление наследованием. 10.2. Процедурные семантические сети Для отражения иерархических отношений между точками соприкосновения концептов, а вдобавок с целью установления связей в среде узлами, показывающими концепты равным образом их экземпляры, используются связи IS-A. Однако ради четкого разграничения вершин концептов равным образом вершин экземпляров используются взаимоотношения в виде instance-of, что-то позволило перегнать упомянутую выше трудность, связанную из наследованием. В целях введения единой семантики на семантической тенета используют процедурные семантические сети. В этом случае интернет строится для основе 82 класса (понятия),- а вершины, дуги (отношения) равным образом процедуры представлены как объекты. Процедурами определяются следующие основные поступки по-над дугами (связями): установление связи; аннулирование связи; подсчет числа вершин, соединенных заданной дугой; проверка наличия - отсутствия рычаги в лоне заданными вершинами. Существуют опять же процедуры, определяющие основные образ действий над вершинами, например: определение экземпляра класса; аннулирование экземпляра; подсчет числа экземпляров, принадлежащих ко классу; проверка оборудование тип ко некоторому классу. Благодаря этим процедурам семантическими сетями дозволено являть процедурные знания. 10.3. Вывод на семантических сетях Особенностью семантической козни (которая на в таком случае а эпоха является ее недостатком) заключается во целостности системы, выполненной получи ее основе, не позволяющей распределить БЗ равно конструкция вывода. Обычно интерпретация семантической путы определяется из через использующих ее процедур. Эти процедуры основаны нате нескольких способах, однако в наибольшей степени характеристичный с них сие порядок сопоставления частей сетный структуры. Он основан в построении подсети, соответствующей вопросу, да сопоставлении ее не без; базой данных сети. При этом пользу кого исчерпывающего сопоставления от БД вершинам переменных подсети присваиваются гипотетические значения. В семантических отношениях узлов равно дуг семантической узы безграмотный должно быть противоречий. Факты, на явном виде малограмотный содержащиеся на системе, могут быть, выведены из других знаний. В системах обработки естественного языка такие выводы обычно получают изо известных знаний эпизодического уровня равно глобальных знаний. Выводы на семантических сетях отличаются значительной полнотой, они быстрее сравнимы не без; нестандартными выводами процедурного представления и имеют ясную концептуальную интерпретацию. Последовательное применение подобных правил вывода может навести для образованию так называемых «цепочек вывода», которые во отдельных случаях могут достигать значительной длины. Особый субчик генерации вывода, используемый на семантических сетях, сие этак называемый прием «распространяющейся активности да техники пересечений. Этот способ играет важную амплуа на обработке контекстов. Процесс 83 осуществляется построением цепочек выводов получи и распишись основе введенных высказываний закачаешься всех направлениях предварительно тех пор, все еще безвыгодный обнаружится пересечение где-либо на сети. Предлагаемые методы подобны тем, почто используются на системах представления знаний получи базе логики предикатов: развертывание семантических сетей вслед за ностро введения на них знаний по части применении; тематическая структуризация; предметно-ориентированная иерархия; эксплуатация глобальных схем представления, во которых использовались бы семантичекие сети, содержащие локальные знания. 10.4. Достоинства равно лишения СС 1. Простота да светлость описания. Однако  со увеличением размеров сети кардинально увеличивается пора поиска, теряется наглядность. 2. Открытость, позволяющая присовокуплять равным образом преображать СС при необходимости. 3. По сравнению не без; логикой предикатов СС имеют важное преимущество: вся определённо известная катамнез расположена на базе знаний вокруг соответствующей вершины, т.е. фокусируется на 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 использование семантические путы находят во системах обработки естественных языков, а в свою очередь на системах распознавания образов, на которых СС используются на хранения знаний в рассуждении структуре, форме да свойствах физических объектов. Создаются козни от вершинами-продукциями, вершинами-фреймами. Вопросы да упражнения 1. Дайте отождествление семантической сети. 2. Какие свойства отношений используются во СС? 3. Какие типы семантической мережа ваша сестра знаете? 4. Какова состав предикатной сети? Где используются такие сети? 5. Что понимается перед атрибутивной семантической сетью? Какова ее структура? 6. Как задается интенсионал семантической сети? 7. Как формируется экстенсиональная составляющая СС? 84 8. Каковы миросозерцание организации вывода нате сетях? 9. Что понимается перед наследованием? Какие типы наследования вы знаете? 10.Как организуется мораль из использованием правил? 11.Каковы совершенства равно нищенство семантических сетей? Лекция 01. Принципы обработки данных во силок фреймов 11.1. Вывод держи фреймах 11.2. Процедуры - демоны равным образом присоединенные процедуры 11.3. Взаимодействие фреймов равным образом правил 11.4.. Вывод закачаешься фреймовой системе В данной лекции рассмотрим обработку знаний во интеллектуальных системах из фреймовым представлением, а таково но вопросы взаимодействия фреймов равно правил. 11.1. Вывод бери фреймах В интеллектуальных системах не без; фреймовым представлением знаний используются три способа управления логическим выводом: демоны, присоединенные процедуры равным образом машина наследования. Прежде, нежели обсуждать вывод закачаешься фреймовой системе, рассмотрим подробнее структуру данных фрейма. Фреймовая порядок – сие иерархическая структура, узлами, которой являются фреймы вместе с определенной структурой данных. 1. Имя фрейма – идентификатор, присваиваемый фрейму. Фрейм должен держать имя, единственное на данной фреймовой системе (уникальное имя). Каждый структура состоит с произвольного числа слотов, вдобавок несколько из них в большинстве случаев определяются самой системой пользу кого выполнения специфических функций, а другие определяются пользователем. В их состав входят слот, показывающий структура - папашенька данного фрейма; слот указателей дочерних фреймов, кто является списком указателей сих фреймов; слот пользу кого ввода имени пользователя, даты определения, даты изменения, текста комментария и другие слоты. Каждый слот, во свою очередь, вдобавок представлен определенной структурой данных. 2. Имя слота. Это идентификатор, присваиваемый слоту; слот должен иметь уникальное прозвание кайфовый фрейме, ко которому возлюбленный принадлежит. Обычно имя 85 слота безвыгодный имеет несчастный семасиологический нагрузки да является как только идентификатором данного слота, только во некоторых случаях оно может вмещать свой смысл. К таким именам относятся: отношение; обозначение прямого дочернего фрейма; дата определения фрейма; датировка модификации фрейма да т.п. 3. Указатели наследования. Эти указатели касаются всего фреймовых систем иерархического типа, основанных бери отношениях иерархического типа, основанных нате отношениях «абстрактное - конкретное. Они показывают, какую информацию об атрибутах слотов умереть и неграмотный встать фрейме верхнего уровня наследуют слоты с такими но именами вот фрейме нижнего уровня. 4. Указатель подобно данных (атрибутов слотов). Указывается, почто слот имеет численное авторитет либо служит указателем другого фрейма (т.е. показывает название фрейма). К типам данных относятся указатель, целый, действительный, булевый, присоединенная процедура, текст, список, таблица, выражение равным образом др. 5. Значение слота. Здесь вводится значительность слота. Значение слота должно совпадать из указанным типом данных сего слота, помимо того, должно выполняться ограничение наследования. 6. Процедура - демон. Существуют следующие типы процедур - демонов: «ЕСЛИ-НЕОБХОДИМО», «ЕСЛИ-ИЗМЕНЕНО», «ЕСЛИ-ДОБАВЛЕНО», «ЕСЛИ-УДАЛЕНО». Демоном указывается процедура, машинально запускаемая быть выполнении некоторого условия, т.е. эпизодически изменяет свое значительность характеристика в условной части «ЕСЛИ» утверждения что до состоянии демона. Процедуры -демоны активизируются подле каждой попытке добавления или удаления данных изо слота (по умолчанию). Демоны запускаются при обращении для соответствующему слоту. Например, ночница «ЕСЛИНЕОБХОДИМО» запускается, ежели во пора обращения для слоту его значение не было установлено; «ЕСЛИ-ДОБАВЛЕНО» запускается возле подстановке в слот значения; «ЕСЛИ-УДАЛЕНО» запускается рядом стирании значения слота. Кроме того, кентавр является разновидностью присоединенной процедуры. 7. Присоединенная акция (процедура - слуга). В качестве значения слота позволительно проэксплуатировать программу процедурного типа, называемую служебной (в языке LISP) да методом (в языке Smalltalk). В данном случае присоединенная акция запускается до сообщению, переданному изо другого фрейма, иначе близ выполнении условий, определенных пользователем при создании фрейма. 86 Когда я говорим, который на моделях представления знаний фреймами объединяются процедурные да декларативные знания, ведь считаем да присоединенные процедуры процедурными значениями. Кроме того, на языке представления знаний фреймами таки да нет особый механизм управления выводом, того читатель обязан осуществить данный механизм из через присоединенной процедуры. 11.2. Процедуры - демоны равным образом присоединенные процедуры Как да мы вместе с тобой сейчас обсудили, фреймы обеспечивают нас структурированными и краткими средствами организации знаний. Однако, ты да я ожидаем ото ЭС действий интеллектуального помощника - да мы из тобой требуем через нее малограмотный только лишь качеств хранителя знаний, же опять же способностей ко обработке равным образом проверке знаний, манипулирования ими. Для реализации способностей делать необходимо, добавить кайфовый фреймы присоединенные процедуры (методы иначе слуги) и процедуры - демоны. Метод - сие процедура, присоединенная ко атрибуту фрейма, которая выполняется бы так ни был раз, от случая к случаю ко ней обращаются. Большинство ЭС, основанных нате фреймах, используют двоечка подобно методов: «КОГДА-ИЗМЕНЕНО» И «КОГДА-НЕОБХОДИМО». Метод «КОГДАИЗМЕНЕНО» выполняется немедленно, рано или поздно изменяется важность его атрибута. Демон, во основном, имеет структуру «ЕСЛИ-ТОГДА». Эта процедура выполняется какой только лишь есть раз, рано или поздно описатель во условной части изменяет свое значение. В этом случае, демоны равно методы ужас схожи, равно сии неуд термина часто используются по образу синонимы. Однако, методы свыше подходят, коли требуется разрисовать сложные процедуры. Демоны,  со другой породы стороны, естественным путем ограничены утверждениями «ЕСЛИ-ТОГДА». 11.3. Взаимодействие фреймов равным образом правил Многие экспертные системы, основанные получи и распишись фреймах, пользу кого оценки информации, содержащейся на них, используют масса правил. Каждое начало имеет структуру «ЕСЛИ-ТОГДА» равно каждое правило соотносит данную информацию или — или материал на своей части «ЕСЛИ» из некоторым действие на своей части тогда. Исходя с этого, отсутствует существенных различий 87 между правилами, используемыми на ЭС, основанных возьми правилах равным образом такими же правилами, используемыми на ЭС, основанных держи фреймах. Однако, на системах, основанных нате фреймах взгляды сплошь и рядом используют предложения, сопоставляемые из образцами. Эти предложения содержат переменные, которые используются с целью нахождения сопоставимых условий в среде всеми фреймамиэкземплярами. Как уловка вывода работает на система, основанных получай фреймах? Для этого желательно определить, который вызывает сработка правил. В ЭС, основанных на правилах, орудие вывода соединяет правила, содержащиеся на базе знаний с данными на базе данных. Когда мета установлена, сиречь другими словами, когда ЭС получила инструкции предопределить значения ради специфического объекта, механизм вывода осуществляет разыскивание во БЗ от целью нахождения правила, которое заключает задание во своей части «ТОГДА» (в консеквенте). Если такое узаконение найдено да его антецедент (часть «ЕСЛИ») сопоставляется  со данными на базе данных, принцип срабатывает и специфический предмет получает своей значение. В системах, основанных в фреймах, в свою очередь осуществляется разыскание цели или, другими словами, специфического атрибута, перед тех пор, ноне его значение не достаточно определено. В экспертных системах, основанных сверху правилах, задание определена для базы правил. В системах, основанных в фреймах, идеология играют вспомогательную роль. Здесь главным источником знаний являются фреймы, а процедуры методы да процедуры демоны используются для того добавления действий к фреймам да установления равно определения цели. 11.4. Вывод в фреймовой системе В рамках фреймового подхода предполагается, в чем дело? сведения на системе представляются во виде отдельных кластеров знаний, alias подструктур, содержащих сообщения в отношении стереотипах (т.е. по части некоторых общих характеристиках данного класса объектов либо — либо ситуаций). Согласно данному предположению понимание ситуации пользу кого системы означает сканирование на перечне накопленных структур такой, которая наилучшим способом описывала бы рассматриваемую ситуацию. При этом слоты заполняются некоторой информацией, и заполненный структура проверяется получи и распишись идентичность данной ситуации. В случае несовпадения ищется свежий структура равно дело продолжается. 88 Таким образом, позволительно сделать упор три основных процесса, происходящих во фреймовых системах: 1. образование экземпляра фрейма. Для создания экземпляра фрейма необходимо отыскать приличный структура равным образом набиться как бы сельди в бочку его слоты информацией, описывающей специфику рассматриваемой ситуации. Для того чтобы заполнить слоты используется специальная данные об том, в качестве кого найти потенциальные «заполнители слотов». Эта сообщение нередко хранится в процедурной форме; 2. активизация фреймов. В волюм случае, если структура говорят подходящим для описания данной ситуации, осуществляется его возбуждение глобальным процессом. Если обнаруживается сверх меры числа отличий содержимого фреймов через специфических особенностей рассматриваемой ситуации либо они носят шабаш весомый характер, организуется разыскание другого, более подходящего фрейма. При этом «отвергнутый» образец может содержать указания получай то, какие то-то и есть фреймы нелишне разработать заместо данного (например, паче общие либо наоборот, сильнее специализированные). Часть данных, используемых интересах заполнения слотов «отвергнутого» фрейма, может быть использована около рассмотрении новых кандидатов; 3. устройство вывода, заключающаяся во последовательном поиске и активации во недотка фреймов до самого нахождения как никогда соответствующего фрейма и построения бери его основе экземпляра фрейма; Т. Виноград предложил сковать нет слов фреймах преимущества декларативного равным образом процедурного представления. Суть его предложения состоит в том, что-то знания, касающиеся функций непосредственного представления их с помощью фреймов, должны держаться во декларативной форме, а запас знаний об использовании фреймов – на процедурной. В частности, процедуры могут сохранять знания, позволяющие вносить ответ на следующие вопросы: 1. в некоторых случаях активировать фрейм? Подобно «демонам фреймы могут активировать самочки себя во случае, коли распознана соответствующая ситуация. 2. во каком случае считать, аюшки? определённый структура неадекватен ситуации равным образом что в этом случае делать? Фрейм был способным бы, например, бессознательно передать управление другому фрейму alias деактивировать себя. 3. от случая к случаю выполнять закладка слотов - во миг вызова тож позднее, по мере необходимости? 89 Реализация сих функций может фигурировать возложена в присоединенные процедуры. Процедуры могут вдобавок претворять в жизнь эвристики, направленные на развертка необходимой чтобы заполнения слотов информации. Вопросы равно упражнения 1.Назовите способы управления логическим выводом во фреймовых системах. 2. Опишите свойства фреймовых моделей. 3.Опишите структуру данных фрейма. 4. Какие процедуры являются процедурами – демонами да процедурами слугами? 5. Опишите фреймовую моделирующее устройство представления знаний на предметной области «Компьютерная безопасность» (средства равно способы ее обеспечения). 6. Построить трафарет 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 неврон равным образом его математическая модель 12.3 Классификация да свойства нейронных сетей 12.3.1 Топология нейронных сетей 12.4 Персептрон 12.5 Достоинства равным образом нищета нейронных сетей во вкусе собственность ради обработки знаний В данной лекции рассматривается основные положения теории нейронных сетей. Приводится их систематизация равным образом свойства нейронных сетей, а также рассмотрены добродетели равно бедность нейронных сетей в духе средства для обработки знаний. 12.1. Основные проблемы, решаемые искусственными нейронными сетями Искусственные нейронные бредень (ИНС) строятся в соответствии с принципам организации равно функционирования их биологических аналогов. Такие сети предназначены ради решения широкого круга задач. Дальнейшее повышение производительности компьютеров весь во большей мере связывают от ИНС, в 90 частности, вместе с нейрокомпьютерами, основу которых составляет искусственная нейронная сеть. Под нейронными сетями подразумеваются вычислительные структуры, которые моделируют простые биологические процессы, в большинстве случаев ассоциируемые с процессами человеческого мозга. Знания на сих структурах существуют в форме стабильных состояний другими словами отображений, внедренных на сеть, которые могут составлять вызваны на опровержение получи поданные сигналы. Адаптируемые да обучаемые, они представляют из себя распараллеленные системы, способные для обучению как следует анализа положительных и отрицательных воздействий. Элементарным преобразователем на данных сетях является фальшивый нейроцит либо прямо нейрон, указанный приблизительно в соответствии с аналогии с биологическим нейроном. Перечислим отдельные люди проблемы, решаемые  со через искусственных нейронных сетей равным образом представляющие забота к ученых да инженеров. Классификация/распознавание образов. Задача состоит на указании принадлежности входного образа (например, речевого сигнала иначе говоря рукописного символа), представленного вектором признаков, одному иначе нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, разделение клеток крови, отождествление отпечатков пальцев, задачи рейтингования. Кластеризация/категоризация. При решении задачи кластеризации, которая известна вдобавок как бы типология образов «без учителя» отсутствует обучающая выбор из метками классов. Алгоритм кластеризации основан на подобии образов да размещает чада и домочадцы образы на сам кластер. Известны случаи применения кластеризации на извлечения знаний, сжатия данных и исследования их свойств. Аппроксимация функций. Предположим, аюшки? не без этого 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 на предсказании значения y(t) во один надвигающийся одну секунду времени t>n+ 0. Прогнозы имеют значительное буксир получай приёмка решений во бизнесе, науке равно технике. Оптимизация. Многочисленные проблемы на математике, статистике, технике, науке, медицине да экономике могут рассматриваться наравне проблемы 91 оптимизации. Задачей алгоритма оптимизации является определение такого решения, которое удовлетворяет системе ограничений равно максимизирует или минимизирует целевую функцию. Ассоциативная память. Содержимое ассоциативной памяти не в таком случае — не то памяти, адресуемой соответственно содержанию, может присутствовать вызвано по части фрагменту или искаженному содержимому. Ассоциативная воспоминания полезна быть создании мультимедийных информационных баз данных. А и возлюбленная 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 во время времени t. В системах управления от эталонной моделью целью управления является калькуляция такого входного воздействия u(t) присутствие котором общественный порядок долженствует в соответствии с желаемой траектории, диктуемой эталонной моделью. Примером является оптимальное управление двигателем. Все задачи, решаемые нейронными сетями, позволительно сблизить ко двум основным: • определение (классификация); • регрессия. Задача классификации заключается на формировании нейронной сетью в процессе обучения гиперповерхности на пространстве признаков, разделяющей признаки получи классы. И выходы обученной нейронной тенета соответствуют распознанному классу входного вектора (набора признаков). Задача регрессии заключается во аппроксимации нейронной сетью произвольной нелинейной функции. В этом случае достоинство функции снимается  со выхода нейронной сети, а входами являются аргументы. Существует теорема, доказывающая, который многослойный персептрон может аппроксимировать любую нелинейную функцию с п аргументов вместе с какой угодно заданной точностью. 12. 0. Биологический неврон равно его математическая модель В нейронных сетях багаж содержатся во состояниях множества так называемых нейроподобных элементов (или легко нейронов) равным образом связей между ними. 92 Рис.12.1. Взаимосвязь биологических нейронов Биологический неврон моделируется на правах устройство, имеющее несколько входов (дендриты), в соответствии с которым во нервная клетка поступают сигналы равно единственный выход (аксон) интересах передачи выходных сигналов данного нейрона другим нервным клеткам. В зависимости через конкретной реализации обрабатываемые нейроном сигналы могут бытийствовать аналоговыми другими словами цифровыми (1 иначе говоря 0). Дендриты идут ото тела нервной клетки для другим нейронам, идеже они принимают сигналы на точках соединения, называемых синапсами. Принятые синапсом входные сигналы подводятся ко телу нейрона. Здесь они суммируются, вдобавок одни входы стремятся подогреть нейрон, другие - заблокировать его возбуждению. Когда суммарное наущение в теле нейрона превышает кой-какой порог, нервная клетка возбуждается, посылая по аксону тревога другим нейронам, равным образом ниже сие значимость является аргументом активационной функции y нейрона. Будучи соединенными определенным образом, нейроны образуют нейронную сеть. Работа путы разделяется бери муштрование равно адаптацию. Перечислим следующие основные характеристики нейронных сетей: 1 - избыток простых узлов (процессоров, нейронов); 2 - схема связей, представляющих синапсы; 3 - закон распространения сигналов во нейронной сети; 4 - обычай комбинирования входящих сигналов; 5 - закон прикидки сигнала (функции активации); 6 - взгляды обучения, корректирующие связи. Таким образом, шаблон искусственного нейрона представляет собой дискретно-непрерывный конвертор информации. 93 Формальная шаблон нейрона Мак-Каллока-Питтса, Мак Питтса, которая да сейчас является особо применяемым меняемым формализмом ради описания отдельного нейрона во нейронной сети, показана для рис.12. рис 2. Рис. 02.2. Формальная пример нейрона Мак-Каллока-Питтса Мак Питтса. Здесь xi отбой бери i-м м входе (синапсе синапсе) нейрона; нейрона ωi, - авторитет i-го го входа (синапса синапса) нейрона; нейрона у уход нейрона; нейрона h - возвышение срабатывания нейрона нейрона. Модель Хопфильда – сие математическая образец ассоциативной памяти на нейронной козни из использованием инструкция Д. Д Хебба для того модификации весовых коэффициентов коэффициентов. Это начало основано держи простом предположении предположении: если ли двоечка нейрона возбуждаются вместе вместе, так гибель своя рука в ряду ними возрастает; возрастает если они возбуждаются порознь порознь, так дух рука в среде ними уменьшается уменьшается. Заметим, абсолютное бсолютное спица в колеснице весового коэффициента характеризует силу связи. Структура связей общепринято представляется представляется во виде развесной матрицы W, во которой и оный и другой ингредиент ωij представляет величину весового коэффициента про связи связи, идущей с элемента i для элементу j. Для описания структуры связей может применяться неграмотный одна, одна а порядочно весовых матиц матиц, если круги сгруппированы рованы во слои слои. Матрица является памятью сети, сети хранящей информацию насчёт том, том что должна материализоваться задача задача. 12.3. Классификация да свойства нейронных сетей В нынешнее срок существует большое различность моделей нейронных сетей. сетей Их различают соответственно структуре узы (связей связей посреди нейронами нейронами), особенностям модели нейрона нейрона, особенностям обучения сети. сети По структуре нейронные тенета допускается расчленить держи неполносвязные (или слоистые) равно полносвязные олносвязные, со случайными да регулярными связями, связями с симметричными равным образом несимметричными связями. связ 94 По используемым получай входах равным образом выходах сигналам нейронные мережа можно разделить сверху аналоговые равно бинарные. По моделированию времени нейронные бредень подразделяются бери козни с непрерывным да дискретным временем. По организации обучения разделяют просвещение нейронных сетей с учителем (supervised neural networks) равно лишенный чего учителя (non-supervised). По способу обучения разделяют образование в области входам равным образом согласно выходам. По способу предъявления примеров различают презентация одиночных примеров равным образом «страницы» примеров. 12.3.1. Топология нейронных сетей Нейронная ахан представляет внешне итог нейроподобных элементов, определенным образом соединенных дружок не без; другом равным образом не без; внешней средой вместе с через связей, определяемых весовыми коэффициентами В зависимости ото функции, выполняемых нейронами на сети, дозволительно сделать упор три их типа • входные нейроны, • выходные нейроны, • промежуточные нейроны. С точки зрения топологии не возбраняется предоставить три основных типа нейронных сетей • полносвязные (рис.12.3, а), • многослойные иначе говоря слоистые (рис.12.3, б), • слабосвязные (с локалъными связями) (рис.12.3, е) 95 Рис.12.3 Архитектуры нейронных сетей: а – полносвязная сеть; бмногослойная вентерь вместе с последовательными связями; во – слабосвязные сети. 12.4. Персептрон Систематическое прослеживание искусственных нейронных сетей было начато Маккалохом равным образом Питтсом во 0943 году. Позднее они исследовали нейросетевые парадигмы чтобы распознавания изображений, подвергаемых сдвигам и поворотам, используя быть этом нейронную модель, показанную держи рис.12.4. Элемент ∑ умножает произвольный ход х1, нате авторитетность w1 равно суммирует взвешенные входы. Если буква собрание сильнее заданного порогового значения, исчезновение равен единице, во противном случае – нулю .Эти системы (и уймища им подобных) получили этноним персептронов, беспричинно в качестве кого одной с первых нейронных сетей, способных для перцепции (восприятию) равно формированию реакции на воспринятый стимул, явился PERCEPTRON Розенблата (F. Rosenblatt). Персептроном, что правило, называют однослойную нейронную сеть, при этом весь круг персептронный нейрон, связанный  со через весовых коэффициентов  со множеством входов (рис.12.5) во 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 крестить персептрон обученным держи данной обучающей выборке, если подле подаче получай видеовход каждого вектора Хк в выходе произвольный крата получается соответствующее спица в колеснице yk ∈ {0,1}.Предложенный Ф. Розенблатом метод обучения состоит во итерационной подстройке весовых коэффициентов wi, последовательно уменьшающей выходные ошибки. Алгоритм охватывает порядком шагов: ШАГ 0. Проинициализировать круги покупаемый вразвес матрицы небольшими случайными значениями ШАГ 0. Подать бери входы сам с входных векторов Хк, которые сеть должна выучиться различать, равно подсчитать ее выпуск Y. ШАГ 0. Если размер выработки закономерный y=yk, переключиться сверху этап 0. Иначе вычислить разницу посередь требуемым равно полученным значениями выхода: δ=yk – y. 97 ШАГ 0. Модифицировать веса во соответствии от формулой wij (t + 0)=wij (t ) + η ⋅ δ ⋅ xi , где t да t+1 - гостиница текущей равно следующей итераций, η - пропорция скорости обучения, (0 < η ≤ 0), xi –i-ая компонента входного вектора Хк, i– боец входа, j – комната нейрона во слое. Очевидно, что-то разве yk > y (получен неточный глупый исчезновение вместо правильного единичного), то, так как δ> 0, весовые коэффициенты будут увеличены и, тем самым уменьшат ошибку. В противном случае они будут уменьшены, равным образом совокупность s=∑௡௜ୀଵ ௜ · ௜ , а поэтому равно Y в свою очередь уменьшится, приближаясь ко yk. Шаг 0. Цикл  со шага 0 – 0 повторяется на всех обучающих векторов, пока сеть никак не перестанет ошибаться. Представленный путь обучения носит заголовок δ – правило. Доказанная Розенблатом предложение по части сходимости обучения соответственно δ – правилу говорит в отношении том, что персептрон станется поднатореть любому обучающему набору, кой он способен представить. 12.5. Достоинства равно необеспеченность нейронных сетей в духе собственность чтобы обработки знаний Если расценивать нейронную интернет во вкусе средство представления знаний, то в ней хранятся багаж об ассоциативных связях в кругу стимулами (входными векторами) равным образом откликами (выходными векторами). Знания хранятся (формируются на процессе обучения) в большинстве случаев на форме весов связей между нейронами. Недостатками нейронных сетей во качестве метода представления знаний являются: • невзгоды вербализации результатов работы нейронной волокуша и объяснений, благодаря тому возлюбленная приняла ведь тож иное решение; • утопичность поручиться периодичность да однозначность получения результатов. Преимущества нейронных сетей интересах представления равно обработки знаний: • за глазами необходимости формализации знаний, формализация заменяется обучением получи и распишись примерах; • естественное зрелище равно возделывание нечетких знаний приближенно так, как сие осуществляется во естественной интеллектуальной системе - мозге; 98 • устремленность возьми параллельную обработку, что-нибудь подле соответствующей аппаратной поддержке обеспечивает способ работы на реальном времени; • отказоустойчивость да жизнестойкость близ аппаратной реализации нейронной сети; • шанс обработки многомерных (размерности пуще трех) данных равным образом знаний не принимая во внимание увеличения трудоемкости (но во этом случае затруднено объяснение результатов, этак что единица  со трудом воспринимает многомерность). Вопросы равным образом упражнения 1. Какие направления исследований на области «искусственного интеллекта» получили прогресс из совершенствованием возможностей искусственных нейронных сетей ? 2. Дайте обобщенную характеристику задач, которые могут рисковать с помощью ИНС? 3. Что такое персептрон? Раскройте основа его функционирования равным образом опишите функции его слоев равно их элементов. Чем определяется количество элементов на его слоях? 4. Какой персептрон называется элементарным да почему? 5. Какой персептрон называется бесконечным равным образом почему? 6. В нежели сила биологической гипотезы, положенной во основу теории ИНС? Опишите функциональную схему искусственного нейрона предначертание его элементов равным образом информационные крыша в кругу ними. Что такое «синапс»? 7. Что такое выражение активации нейрона? Какой информацией активируются нейроны внутреннего равно выходного слоев персептрона? Какие надежда функций активации нейронов применяются на ИНС? Характеризуйте свойства этих функций. 8. Чем отличается многослойная ИНС с элементарного персептрона? 9. Раскройте выделение разных слоев многослойной ИНС. Почему возникла потребность во многослойных сетях? 10. Какие варианты обучения ИНС существуют да во нежели принципиальная особенность каждого с них? 11. Чем обусловлены виды совершенствования интеллектуальных возможностей ИНС? 99 12. Назовите признаки интеллектуальных задач, уступка которых доступно современным ИНС? Какие ситуация ограничивают их утилизация для решения паче широкого класса задач? Лекция 03. Экспертные системы. Архитектура экспертных систем 13.1 Определения, понятия, атрибутика 13.2 Обобщенная конструкция равным образом альтернат функционирования 13.3 Этапы проектирования экспертных систем 6.1. Определения, понятия, атрибутика Экспертные системы (ЭС) – сие сложные программные комплексы, аккумулирующие запас знаний специалистов на конкретных предметных областях и тиражирующие настоящий экспериментальный компетенция пользу кого 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, середь которых лидируют бизнес, производство, медицина, проектирование да системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные пар эксперта. Кроме того, ЭС может ходить в роли: - консультанта про неопытных либо непрофессиональных пользователей; - ассистента эксперта-человека во процессах анализа вариантов решений; - партнера эксперта во процессе решения задач, требующих привлечения знаний с разных предметных областей. Экспертные системы должны вычислять задачи, требующие ради своего решения экспертных знаний во некоторой конкретной области. В праздник или — или иной форме экспертные системы должны иметь своей отличительной чертой такими знаниями. Поэтому ЭС также называют системами, основанными возьми знаниях. Можно обратить внимание пара как экспертных систем: • для специалистов невысокого профессионального уровня (экспертная теория хранит знания, полученные с специалистов экстракласса); • для специалистов высокого класса - разведка равно ошибка больших массивов информации равным образом проведение в жизнь рутинных операций. 100 В самом общем случае для того того, ради сотворить экспертную систему, необходимо создать аппаратура выполнения следующих функций системы: 1.решение задач вместе с использованием знаний в рассуждении конкретной предметной области - возможно, присутствие этом возникнет обязанность кто наделен профессия с неопределенностью; 2. согласование вместе с пользователем, начиная определение намерений и решений системы закачаешься времена равным образом задним числом окончания процесса решения задачи. Каждая изо сих функций может попасть архи сложной равным образом зависит от предметной области, а в свой черед ото различных практических требований. 13.2. Обобщенная устройство равно статут функционирования Обобщенная строение экспертной системы представлена получи рис.13.1 и содержит три основных модуля: 1. базу знаний; 2. машину логического вывода; 3. интерфейс из пользователем. Рис.13. 0 Обобщенная фрейм экспертной системы База знаний охватывает знания, относящие ко конкретной прикладной области, на томик числе отдельные факты, правила, описывающие связи или явления, а вдобавок возможно, методы, эвристики равным образом непохожие идеи, относящиеся к решению задач во этой практический области. Машина логического вывода (дедуктивная машина, решатель, блок логического вывода) программа, моделирующая хождение рассуждений эксперта на основании знаний, имеющихся во БЗ (умеет энергетически пустить в дело информацию, содержащую во базе знаний. Подсистема объяснений - программа, позволяющая пользователю получить ответы возьми вопросы: Как была получена та или — или иная рекомендация? 101 Почему построение приняла такое решение? Ответ получи дело «как?» – сие трассировка токмо процесса получения решения с указанием использованных фрагментов БЗ, отказ сверху альтернатива «почему?» - ссылка на умозаключение, прямо предшествующее полученному решению. Интерфейс вместе с пользователем отвечает вслед ритмичный обмен информацией в лоне пользователем равным образом системой; возлюбленный вот и все дает пользователю возможность заботиться после процессом решения задач, протекающим на машине логического вывода. Принято исследовать машину вывода да интерфейс как крупный неколлективный модуль, общепринято называемой оболочкой экспертной системы, или, к краткости, попросту оболочкой. Интеллектуальный вычитчик БЗ - программа, представляющая инженеру до знаниям способ формировать БЗ во диалоговом режиме. Включает во себя систему вложенных меню, шаблонов языка представления знаний, подсказок (help) равно других сервисных средств, облегчающих работу с базой. Пользователь - спецушник предметной области, с целью которого предназначена система. Обычно его искусство ущербно высока, поэтому спирт нуждается на помощи да поддержке своей деятельности со стороны ЭС. Инженер до знаниям (когнитолог, аналитик, конструктор интерпретатор) – эксперт во области искусственного интеллекта, выступающий промежуточным звеном в ряду экспертом да базой знаний. Подсистема приобретения знаний служит интересах корректировки и пополнения базы знаний. В простейшем случае - сие интеллектуальный редактор базы знаний, на побольше сложных экспертных системах – имущество для извлечения знаний с баз данных, неструктурированного текста, графической информации равным образом т.д. Подсистема общения служит интересах ведения диалога  со пользователем, в ходе которого ЭС запрашивает у пользователя необходимые данные для процесса рассуждения, а равным образом дающая шанс пользователю на какой-то степени осматривать равным образом приспосабливать движение рассуждений экспертной системы. Идеальная ЭС должна заключать пятью основных компонентов: интерфейс с пользователем, подсистему логического вывода, базу знаний, модуль приобретения знаний, отображения равно объяснения решений держи рис. 03.2 представлена зодчество систем, базирующихся сверху знаниях. 102 Рис. 03.2. Архитектура систем систем, базирующихся нате знаниях. знаниях 13.3. Этапы проектирования экспертных систем Ниже держи рисунке 03.3 3.3. приведена элемент технологических этапов проектирования равно разработки ЭС ЭС. Рис. 03.3. Технологические этапы проектирования равным образом разработки ЭС ЭС. Этап идентификации идентификации. Этап идентификации связан, связан в навечерие всего, всего с осмыслением задачи, задачи которую предстоит постановить будущей ЭС ЭС, и 103 формированием требований ко ЭС. Результатом данного этапа является опровержение на вопрос, почто надлежит совершить да какие резерв нуждаться задействовать (идентификация задачи, установление участников процесса проектирования равным образом их роли, раскрытие ресурсов равным образом целей). Идентификация задачи заключается во составлении неформального (вербального) описания задачи, во которой указываются: общие характеристики задачи; их входные (выходные) данные; гипотетичный личина решения, а также знания, относящиеся для решаемой задаче. Этап концептуализации. На данном этапе проводится содержательный анализ проблемной области, выявляются используемые убеждения 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 структура средств и способы представления декларативных равно процедурных знаний, осуществляется это показ равным образом во итоге формируется определение решения задачи ЭС на предложенном (инженером по части знаниям) формальном языке. Выходом этапа формализации является изображение представления предметной области получай основе выбранного языка представления знаний. Этап выполнения. Цель сего этапа — организация одного иначе говоря нескольких прототипов ЭС, решающих требуемые задачи, включающий базу знаний и другие основные составляющие ЭС модули. Затем для данном этапе по результатам тестирования равно опытной эксплуатации создается конечный продукт, удобный на промышленного использования. Этап тестирования. В ходе данного этапа производится оценка выбранного способа представления знаний на ЭС во целом. При неудовлетворительном функционировании прототипа зубр равным образом конструктор по знаниям имеют мочь оценить, в чем дело? собственно бросьте включено в окончательный тип системы. После что-что происходит доводка прототипа до конечного варианта ЭС. Различают следующие список литературы неудач на работе системы: тестовые примеры, ввод-вывод, устав вывода, управляющие стратегии. Этап опытной эксплуатации. На этом этапе проверяется пригодность ЭС на конечного пользователя. Пригодность ЭС к пользователя определяется во основном удобством работы  со ней да ее полезностью. Под полезностью ЭС понимается ее дарование во ходе диалога определять потребности пользователя, раскрывать равно аннулировать причины неудач во работе, а 104 также возмещать указанные потребности пользователя (решать поставленные задачи). В свою очередь, комфортабельность работы вместе с ЭС подразумевает естественность взаимодействия из ней, пластика ЭС (способность системы настраиваться получай различных пользователей, а и принимать к сведению изменения в квалификации одного да того но пользователя) равным образом выносливость системы к ошибкам (способность никак не отправляться изо строя близ ошибочных действиях неопытного пользователях). В ходе разработки ЭС почитай всякий раз осуществляется ее модификация. Выделяют следующие надежда модификации системы: переформулирование понятий равно требований, переконструирование представления знаний на системе и усовершенствование прототипа. Вопросы равно упражнения 1. Перечислите основные внешность экспертных систем 2. В нежели состоит звезда экспертной системы с традиционной вычислительной системы? 3. Назовите основные компоненты экспертной системы равно охарактеризуйте их назначение равно основные функции. 4. Почему хранилище знаний равно автомобиль логического вывода считаются ядром экспертной системы? Свяжите близкий отчёт от ответом возьми задание 0. 5. В нежели принципиальное разница базы знаний ото базы данных? 6.Назовите стадии разработки равно этапы проектирования экспертной системы. В чем принципиальное различие посередь стадиями равным образом этапами? Лекция 04. Экспертные системы. Классификация экспертных систем 14.1. Классификационные признаки экспертных систем 14.2 Классификация экспертных систем 14.3. Отличие ЭС равным образом систем искусственного интеллекта В лекции рассмотрены классификационные признаки экспертных систем. Отличие экспертных систем равным образом систем искусственного интеллекта. 105 14.1. Классификационные признаки экспертных систем Экспертные системы в качестве кого первый встречный непростой спинар позволительно определить только совокупностью характеристик. В основе классификации экспертных систем (будем расценивать их приложениями) лежат следующие параметры: тип приложения; стадия существования; масштаб; тип проблемной среды; тип решаемой задачи. Перечисленный комбинация характеристик безвыгодный претендует бери полноту (в знакомства с отсутствием общепринятой классификации), а определяет ЭС во вкусе все не выделяя отдельных компонентов (способ представления знаний, решения задач и т.п.). Тип приложения. Характеризуется следующими признаками. 1. Возможность взаимодействия приложения не без; другими программными средствами: • изолированное прибавление – ЭС, безвыгодный способная взаимодействовать с другими программными системами (например, не без; БД, электронными таблицами и т.п.). • интегрированное ливрезон – ЭС равным образом остальные программные системы, с которыми возлюбленная взаимодействует во ходе работы. 2. Возможность отправлять прибавление получай разнородной аппаратуре и переносить его бери отличаются как небо и земля платформы: • закрытые приложения - исполняются всего-навсего во программной среде данной фирмы да могут составлять перенесены возьми иные платформы токмо путем перепрограммирования приложения; • открытые приложения - ориентированы нате материализация на разнородном программно-аппаратном окружении да могут бытовать перенесены в другие платформы минус перепрограммирования. 3. Архитектура приложения: • централизованное использование - реализуется сверху базе центральной ЭВМ, с которой связаны терминалы; • распределенное адденда - как всегда используется застывшая музыка клиентсервер. Стадия существования. Характеризует градус завершенности разработки ЭС. Принято соединять следующие стадии: 106 • разведочный пример - решает репрезентативный сословие задач проблемной области, да может состоять неустойчив на работе равно неграмотный полностью проверен. При наличии развитых инструментальных средств интересах разработки исследовательского прототипа нельзя не ориентировочно 0-4 месяца. База знаний исследовательского прототипа как всегда охватывает небольшое число исполняемых утверждений; • действенный пример - несомненно решает любые задачи проблемной области, а рядом решении сложных задач может востребовать очень жирно будет много времени да (или) памяти. Доведение системы с основные принципы разработки накануне стадии действующего прототипа требует эскизно 0 - 0 месяцев, около этом количество исполняемых утверждений на БЗ увеличивается сообразно сравнению с исследовательским прототипом; • промышленная общественный порядок - обеспечивает высокое пошив решения всех задач присутствие минимуме времени равно памяти. Обычно течение преобразования действующего прототипа во промышленную систему состоит на расширении базы знаний равно ее тщательной отладке. Доведение ЭС с альфа и омега разработки до стадии промышленной системы  со применением развитых инструментальных средств требует неграмотный больше 02-18 месяцев; • коммерческая строй - пригодна никак не всего-навсего пользу кого использования разработчиком, однако да пользу кого продажи различным потребителям. Доведение системы предварительно коммерческой стадии требует приближённо 0,5 - 0 года. Приведенные здесь сроки справедливы чтобы ЭС средней сложности. Масштаб ЭС. Характеризует сумма решаемых задач равным образом связан с типом используемой ЭВМ. По этому признаку различают: • малые ЭС - предназначены с целью первичного обучения равно исследования возможности применения технологии ЭС к рассматриваемого класса задач. Системы такого вроде могут составлять реализованы сверху персональных компьютерах; • средние ЭС - охватывают полный спектр необходимых приложений и обычно интегрированы вместе с БД, электронными таблицами равным образом т.д. Системы такого масштаба чаще лишь реализуются в рабочих станциях; • взрослые ЭС - имеют посещение ко высокомощным БД равно реализуются на рабочих станциях другими словами возьми специализированных компьютерах; • символьные ЭС - создаются  со исследовательскими целями и реализуются нате специализированных компьютерах, ориентированных на обработку символьных данных. Тип проблемной среды. Это мысль заключает справочник предметной области (множество сущностей, описывающих избыток объектов, их 107 характеристик равно отношений посредь объектами) равно решаемых во ней задач. В связи с сим проблемная окружающая обстановка определяется характеристиками соответствующей предметной области равно характеристиками типов решаемых на ней задач. Рассмотрим следующие характеристики предметной области ЭС. 1. Тип предметной области: • неподвижный — входные причина отнюдь не изменяются после эпоха сеанса работы приложения, значения других (не входных) данных изменяются всего лишь самой экспертной системой; • динамический - входные данные, поступающие с внешних источников, изменяются закачаешься времени, значения других данных изменяются ЭС или подсистемой моделирования внешнего окружения. 2. Способ описания сущностей предметной области: • множество атрибутов равным образом их значений (фиксированный состав сущностей); • собрание классов (объектов) равным образом их экземпляров (изменяемый состав сущностей). 3. Способ организации сущностей на БЗ: • неструктурированная БЗ; • структуризация сущностей на БЗ в соответствии с различным иерархиям («частное общее», «часть - целое», «род - вид»), что-нибудь обеспечивает юниорат свойств сущностей. Структурирование БЗ способствует:ограничению круга сущностей, которые должны рассматриваться механизмом вывода, равным образом сокращению количества перебираемых вариантов во процессе выбора решения;• обеспечению наследования свойств сущностей, т.е. передачи свойств вышерасположенных в иерархии сущностей нижерасположенным, ась? куда упрощает процесс приобретения равно использования знаний. Тип решаемой задачи. По этому признаку различают следующие задачи: • комментарий символов иначе сигналов – собирательство смыслового описания соответственно входным данным; • проба - течение соотнесения объекта из некоторым классом объектов и/или отыскание неисправностей на системе (отклонений параметров системы ото нормативных значений); • наблюдение - непрерывная комментарий данных во реальном масштабе времени да централизация по отношению выходе тех не в таком случае — не то иных параметров вслед за допустимые пределы; 108 • конструирование - образование уже отнюдь не существовавшего объекта и подготовка спецификаций получи произведение объектов  со прежде определенными свойствами; • прогностика - ворожба последствий некоторых событий или явлений получи и распишись основе анализа имеющихся данных; • составление плана – означивание последовательности действий, приводящих к желаемому состоянию объектов; • муштрование - оборот компьютера в целях обучения каким-либо дисциплине либо предмету; • заведование - выражение организованной системы, поддерживающая определенный распорядок ее деятельности. Экспертные системы данного типа предназначены про управления поведением сложных систем на соответствии с заданными спецификациями; • помощь принятия решений - итог процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими течение принятия решения. 14.2. Классификация ЭС Назначение экспертных систем заключается на решении достаточно трудных пользу кого экспертов задач в основе накапливаемой базы знаний, отражающей эксперимент работы экспертов на рассматриваемой проблемной области. Классификация ЭС может вытекать соответственно различным критериям. В частности, полезными могут проявить себя классификации, представленные нате рис. 14.1. По типу решаемых задач экспертные системы позволяется классифицировать следующим образом: по способу формирования решения - получи аналитические да синтезирующие. В системах первого в виде осуществляется подбор решения с множества известных решений получи и распишись основе анализа знаний, во системах второго как решение синтезируется с отдельных фрагментов знаний; по способу учета временного признака - сверху статические, квазидинамические равно динамические; по видам используемых данных равно знаний (тип МПЗ)- держи системы с детерминированными знаниями равным образом системы не без; неопределенными знаниями; по числу используемых источников знаний - возьми системы с использованием одного источника, равным образом системы, использующие несколько источников знаний (альтернативные либо дополняющие наперсник друга). 109 Рис. 04.1.. Классификация экспертных систем Экспертные системы дозволительно разносить в соответствии с рубрикам за различным основаниям: согласно типу используемой МПЗ, основаниям МПЗ в соответствии с области применения применения, по назначению, по части показателям эффективности равно др. назначению др (табл. табл 0, рис. 04.1). В большинстве ЭС не откладывая используются поверхностные знания. знания Введение глубинных представлений позволяет порождать БЗ большей мощности, мощности приблизительно как глубинные сведения побольше гибки да адаптивны, адаптивны нежели довольно жесткие поверхностные. Если бредить что касается современном состоянии разработок ЭС, ЭС в таком случае тенденции за рубежом таковы: задачи диагностики, диагностики интерпретации интерпретации, планирование → мониторинг, мониторинг обучение; статические → динамические; динамические автономные → гибридные. По критерию знакомства из реальным временем существуют следующие ЭС: ЭС Статические ЭС разрабатываются на предметных дметных областях областях, на кото которых база знаний равно интерпретируемые сведения безвыгодный меняются следовать миг 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 во режиме реального времени  со непрерывной интерпретацией поступающих данных. Таблица 0 Классификация ЭС по мнению типу МПЗ Модель представления знаний Логика Продукции Фреймы Семантические сети Объектно-ориентированные языки Стохастические модели Критериальные языки выбора Знания Классификация в соответствии с глубине глубинные + + + поверхностные + + - Классификация по жесткости мягкие + + + + жесткие + + + + + Эти модели безвыгодный моделируют движение мышления Нейронные сети По степени интеграции существуют следующие ЭС: Автономные ЭС – работают на режиме консультации не без; пользователем, решают специфические экспертные задачи, во которых безграмотный надо 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 различие ЭС да систем искусственного интеллекта через систем обработки данных состоит во том, что такое? на них используется символьный, а не числовой сноровка представления данных, а на качестве методов обработки информации применяются процедуры логического вывода равным образом эвристического поиска решений. Вопросы равным образом упражнения 1. Каковы особенности экспертной системы? 2. Опишите структуру ЭС. 3. Перечислите, какие существуют режимы работы ЭС? 111 4. Каково существо 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 равным образом управляющую компоненту. 8.Сформулируйте собственные упражнения прямого равным образом обратного вывода на ЭС продукционного типа. 9. Каковы критерии выбора адекватного формализма в целях представления знаний в ЭС? 10. Какие существуют технологические комплексы про разработки баз знаний? Лекция 05. Методы приобретения равно извлечения знаний 15.1 Стратегии получения знаний 15.2 Теоретические аспекты извлечения знаний В данной лекции хорошенького понемножку рассмотрен эксплуатация получения и структурирования знаний являющийся подле создании базы знаний ключевым вопросом. Для описания самого процесса экстрагирования структуры знаний из потока информации в отношении предметной области паче «наглядным» является термин извлечение знаний. Другими словами, антилогарифм 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 сей термин. Термин обнова знаний во рамках данного учебного курса оставлен вслед за автоматизированными системами прямого общения с экспертом. 15.1. Стратегии получения знаний В сегодняшнее промежуток времени течение извлечения знаний является самым «узким» местом присутствие проектировании баз знаний. Область искусственного интеллекта, связанная вместе с этими процессами, получила имя инженерии знаний. Процесс организации знаний во базу знаний равным образом построения экспертных систем также называют инженерией знаний. 112 Инженерия знаний - связана  со проектированием баз знаний, т.е. с получением равным образом структурированием знаний специалистов к последующей разработки баз знаний. Можно акцентировать три основные стратегии получения знаний, т.е. стадии переноса знаний ото эксперта во базу знаний: 1. Извлечение знаний минуя использования вычислительной техники путем непосредственного контакта инженера в области знаниям равно источника знания (будь ведь эксперт, специальная чтиво тож часть источники). 2. Приобретение знаний ото эксперта от использованием компьютер при наличии подходящего программного инструментария. 3. Формирование знаний  со использованием программ обучения при наличии репрезентативной (т.е. довольно представительной) выборки примеров принятия решений на предметной области равным образом соответствующих пакетов прикладных программ. Приобретение знаний подразумевает, в чем дело? автоматизированные системы подлинно из рук в руки приобретают уж готовые фрагменты знаний во соответствии со структурами, заложенными разработчиками систем. Большинство сих инструментальных средств специально ориентировано бери конкретные базы знаний вместе с жестко обозначенной предметной областью да моделью представления знаний, т.е. не являются универсальными. Термин «формирование знаний» традиционно закрепился вслед за областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов обучения. Он охватывает индуктивные модели формирования знаний и автоматического порождения гипотез, выучка в соответствии с аналогии (в т.ч. методы обучения распознаванию образов) равным образом др. Эти модели позволяют выявить причинно - следственные зависимости во базах данных. Однако, применение методов формирования знаний нонче отнюдь не стало быть промышленной технологией разработки баз знаний. 15.2. Теоретические аспекты извлечения знаний Поскольку центральный проблемой извлечения знаний является сам по себе процесс передачи знаний, инженеру - когнитологу ничего не поделаешь разуметь природу и особенности сего процесса. При этом что поделаешь рассматривать 113 психологический, языковедческий равно гносеологический аспекты извлечения знаний приведены нате рис. 05.1 Психологический точка зрения является ведущим равным образом определяет благополучие и эффективность взаимодействия аналитика да эксперта. Он выделяется до этих пор и потому, в чем дело? выдержка знаний, вроде правило, происходит при непосредственном общении разработчиков системы знаний. А коммуникация в психологии является доминантой. Общение, иначе сообщение (от лат. communicatio - связь), - это междисциплинарное понятие, обозначающее всегда комплекция непосредственных контактов посередь людьми - с дружеских давно деловых. Можно распределить четыре основных уровня общения [3]: 1. Уровень манипулирования, когда-никогда одиночный штучка рассматривает другого во вкусе панацея не ведь — не то помеху сообразно отношению ко 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», если на процессе своей деятельности человек учитывает контрпроект другого субъекта, же отнюдь не признает следовать ним самоценность да стремится для выигрышу, для реализации своего проекта. 3. Уровень правового общения, нет-нет да и субъекты признают льгота на существование проектов деятельности побратим друга да пытаются увязать их хотя бы внешне. 4. Уровень нравственного общения, в некоторых случаях субъекты внутренне принимают универсальный чертеж взаимной деятельности. Стремление равным образом умение иметь контакты могут квалифицировать степень профессионализма инженера объединение знаниям (рис.15.2). Извлечение знаний - сие независимый обличье общения, подле котором с целью инженера когнитолога от прагматической точки зрения в особенности имеет важное значение информационное содержание общения. Стремление да искусство знаться нате высшем, четвертом, уровне может определять фазис профессионализма инженера по знаниям. Задумано 100% эксперт Приобрело словесную форму Высказано Выслушано 90% 80% 70% Понято 60% Осталось в памяти 24% Инженер в области знаниям Общение Рис 05.2 Потери информации около разговорном общении Лингвистический расстояние касается исследования языковых проблем, так как тост - сие центр тяжести орудие общения во процессе извлечения знаний. В области лингвистических проблем преимущественно важными являются понятия: общий код, понятийная структура, азбуковник пользователя. Общим кодом называют каждому свой интервальный чесалка общения между экспертом равно инженером в соответствии с знаниям. Этот звякало содержит 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 шифр преобразуется во понятийную структуру, или семантическую сеть, которая связывает понятия, хранящиеся во памяти человека. Тем никак не менее, архитектоника пирушка сиречь какой-нибудь иерархии понятий входит в задачи концептуального анализа структуры знаний все непропорционально кто предметной области. В последнее сезон на ИИ стал неограниченно применяться имя онтология, имеющий многозначную интерпретацию: 1. Онтология на правах философская такт представляет внешне систему категорий, являющихся следствием определенного взгляда для мир. 2. Онтология в качестве кого неформальная учение концептуализации знаний предполагает создание описания множества выделенных объектов, понятий, связей равным образом отношений во заданной области знаний. 3. Онтология равно как зрелище концептуальной системы во виде логической теории означает употребление определенного синтаксиса для представления знаний. Разработка словаря пользователя необходима во маза не без; тем, который конечный пользователь далеко не обязан обладать профессиональным языком предметной области, каковой использовался подле построении БЗ. Интерфейс пользователя создается, что правило, толково доработки словаря общего кода. Гносеологический грань объединяет методологические проблемы получения нового научного знания, поелику во процессе вербализации эксперт зачастую впервой формулирует кое-кто закономерности, давно того составлявшие его частный опыт. 116 Гносеология - сие раздел философии, соединенный от теорией познания, или теорией отражения действительности на сознании человека. Аналитику здесь может помочь инструментарий системной методологии, позволяющей использовать известные убеждения логики равным образом иерархии понятий. Эта методология направлена нате то, так чтобы после частными правилами заметить общее. При этом созидаться гносеологическая цепочка: факт→ общий факт→ экспериментальный закон→ отвлеченный закон Не издревле удается доконать вплоть до последнего звена цепочки, да поуже само стремление ко движению случается очень плодотворным. Вопросы равным образом упражнения 1.Что называется извлечением знаний равным образом на нежели состоит его лучший 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 короче продолжено трактовка процесса получения и структурирования знаний являющийся быть создании базы знаний и представлена классифицирование методов извлечения знаний. 16.1. Классификация методов извлечения знаний Основной статут деления методов извлечения знаний связан с источником знаний. Тот либо — либо отличный схема выбирается инженером - когнитологом в зависимости с конкретной задачи да ситуации. На рис. 06.1 приведена группировка методов извлечения знаний. 117 Рис.16.1. Классификация методов извлечения знаний знаний. Коммуникативные методы извлечения знаний охватывают методы и процедуры контактов инженераинженера когнитолога из непосредственным средственным источником знаний - экспертом, а текстологические включают методы извлечения знаний из документов (методик, методик, пособий методик пособий, руководств) руководств да 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 невыгодный означает их противоположности. Обычно конструктор сообразно знаниям комбинирует различные противоположности методы, например методы например, на первых порах изучает литературу, литературу после беседует вместе с экспертами, экспертами или наоборот. На коллекция метода влияют три фактора фактора: личностные особенности инженера - когнитолога когнитолога, личностные особенности эксперта да характеристики предметной области. По психологическим характеристикам людей лю можно разбить 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 поступки разговорам, хорошо реализуют замыслы других, направлены в эффективность работы. Для характеристики предметных областей позволяется предоставить следующие их классы: ♦ Хорошо документированные; ♦ Средне документированные; Эта сортировка связана не без; разделением экспертного «личного» знания и «общего» знания, материализованного во книгах во данной области. Кроме того, предметные области не запрещается рассадить сообразно критерию структурированности знаний: ♦ Хорошо структурированные - вместе с четкой аксиоматизацией, широким применением математического аппарата, устоявшейся терминологией; ♦ Средне структурированные -  со определившейся терминологией, развивающейся теорией, явными взаимосвязями в обществе явлениями; ♦ Слабо структурированные - из размытыми определениями, богатой эмпирикой, скрытыми взаимосвязями, большим числом «белых пятен». В целом, введенная меньше классифицирование методов извлечения знаний при четко определенной предметной области позволяет инженеру в области знаниям выбрать соответствующий манера сиречь группу методов. ♦ В свою очередь, коммуникативные методы дозволяется опять же расчленить нате две группы: активные да пассивные. 16.2. Пассивные методы Пассивные методы подразумевают, что-нибудь ведущая дело во процедуре извлечения наравне бы передается эксперту, а конструктор согласно знаниям только протоколирует рассуждения эксперта изумительный пора его реальной работы по принятию решений сиречь записывает то, что-нибудь критик считает нужным самостоятельно выболтать во форме лекции. Пассивные коммуникативные методы включают наблюдение, анализ протоколов «мыслей вслух», процедуры извлечения знаний с лекций. Метод наблюдения является одним с особливо применяемых на начальных этапах разработки экспертных систем. Его главное заключается в фиксировании всех действий эксперта, его реплик равно объяснений. При этом 119 аналитик далеко не вмешивается на работу эксперта, а исключительно наблюдает вслед за процессом решения реальных задач либо из-за решением проблем, имитирующих реальные задачи. Метод анализа протоколов «мыслей вслух» отличается с метода наблюдения тем, зачем знаток неграмотный лишь комментирует приманка действия, так и объясняет цепочку своих рассуждений, приводящих для решению. Метод извлечения знаний изо лекций предполагает, аюшки? спецушник передает свой испытание инженеру соответственно знаниям на форме лекций. При этом конструктор сообразно знаниям может заране выразить темы лекций. Если сего никак не удается сделать, то когнитолог конспектирует лекции да задает вопросы. Качество информации, предоставленной экспертом во ходе лекции, определяется четкостью сформулированной темы, а в свой черед способностями лектора во структурировании и изложении своих знаний равно рассуждений. 16.3. Активные методы В активных методах, напротив, побуждение совсем во руках инженера по знаниям, некоторый деятельно контактирует вместе с экспертом различными способами - на играх, диалогах, беседах после круглым столом равным образом т. д. Следует уже раз подчеркнуть, зачем равным образом активные равным образом пассивные методы могут перемещаться хоть в рамках одного сеанса извлечения знаний. Активные методы делятся бери индивидуальные равно групповые. В групповых методах запас получают через множества экспертов, во индивидуальных - от единственного эксперта. Индивидуальные методы получили сильнее широкое применение для практике объединение сравнению вместе с групповыми. Активные индивидуальные методы включают методы анкетирования, интервьюирования, свободного диалога да зрелище  со экспертом. Преимуществом методов анкетирования является то, ась? тест-анкета или вопросник составляются инженером по части знаниям наперед да используются для опроса экспертов. Составление анкеты необходимо жить из учетом рекомендаций, выработанных во социологии да психологии. Метод интервьюирования отличается ото метода анкетирования тем, что позволяет аналитику пропускать гряда вопросов во зависимости с ситуации, вставлять новые вопросы на анкету, превращать темы да переменить ситуацию общения. Важную цена во методе интервьюирования играют вопросы, классификация которых показана в рис. 06.2. 120 Рис. 06.2 Классификация вопросов быть интервьюировании Рис Метод свободного диалога позволяет экстрагировать знания ния на форме беседы с экспертом, почему на этом месте отнюдь не предусматривается применение жесткого экспертом вопросника иначе говоря плана. Игры не без; экспертом имеет принципиальное значение отличаются с приведенных выше индивидуальных активных методов извлечения знаний равным образом рассматриваются в классе групповых ых активных методов, методов идеже особое район принадлежит ролевым и экспертным методам. Активные групповые методы включают «мозговой мозговой штурм штурм», дискуссии за круглым столом равно ролевые игры игры. Групповые методы позволяют творчески интегрировать запас знаний множества экспертов. экспертов Метод «мозгового мозгового штурма» штурма - нераздельно изо в наибольшей степени известных равным образом широко применяемых методов генерирования новых идей чрез творческого сотрудничества группы специалистов специалистов. Экспертные зрелище предназначены к извлечения знаний равно базируются на деловых, деловых диагностических равно компьютерных играх. В играх  со экспертом конструктор согласно знаниям беретка для себя чью-нибудь чью роль на моделируемой ситуации. ситуации Ролевые зрелище на группе предусматривают участие во игре нескольких специалистов специалистов. Участники зрелище наделяются определенными ролями, а строго говоря игра игра проводится в области составленному когнитологом сценарию. 121 16.4. Текстологические методы Текстологические методы включают методы извлечения знаний, основанные для изучении текстов учебников, специальной литературы и документов. Текстология - сие наука, целью которой является практическое прочтение текстов, прохождение равно трактовка литературных источников, а также распознавание семиотических, психолингвистических равно других аспектов извлечения знаний изо текстов. Особую трудность представляет экстракт знаний с специальной литературы равным образом методик, потому что на них куда высока градус концентрации специальных знаний. Простейший алгорифм извлечения знаний изо текстов включает следующие шаги. 1. Составить «базовый» перечень литературы чтобы ознакомления с предметной областью. 2. Выбрать телекс с целью извлечения знаний. 3. Беглое завязка не без; текстом. Провести консультации со специалистами в целях определения значений незнакомых слов. 4. Сформировать первую гипотезу в отношении макроструктуре текста. 5. Внимательно подчитать молитва равно навыписывать ключевые плетение словес и выражения, определив тем самым «смысловые вехи». 6. Определить своя рука в кругу ключевыми словами, разработать макроструктуры текста на форме глава иначе говоря реферата. 7. Сформировать новое мысль знаний возьми основании макроструктуры текста. Вопросы да упражнения 1. Что такое откапывание знаний? На какие этапы оно делится? 2. Каковы функции инженера согласно знаниям равным образом эксперта? С какими трудностями нужно вступать в конфликт на процессе вербализации знаний? 3. Охарактеризуйте существующие стратегии получения знаний. В нежели их принципиальная разница? 4. Объясните существо теоретических аспектов извлечения знаний. Как вы думаете, надо ли было их диспут во данной главе? Почему? 5. Попытайтесь самодостаточно исследовать упражнения получения знаний для каждого изо методов, приведенных возьми рис. 06.1 122 Глоссарий Основные определения согласно теме «История развития искусственного интеллекта» Искусственный нус (Artificial Intelligence, AI) – научное направление, в рамках которого ставятся да решаются задачи аппаратного иначе программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (представление знаний, обучение, диалог и т.п.). Интеллектуальная налаженность – строй иначе конструкция не без; программным обеспечением, имеющие вероятность от через встроенного процессора настраивать близкие габариты на зависимости с состояния внешней среды. Эвристика – дело поиска решений; способ решения задачи, основанный не на строгих математических моделях равно алгоритмах, а получи и распишись соображениях, восходящих ко "здравому смыслу", отражает особенности того, наравне такие задачи решает человек, нет-нет да и симпатия невыгодный пользуется придирчиво формальными приемами. Кибернетика – урок об управлении, своя рука да переработке информации. Основным объектом исследования кибернетики являются абстрактные кибернетические системы: ото компьютеров предварительно человеческого мозга и человеческого общества. Теория игр – математическая теория, предсказания результатов игр, во которых участники никак не имеют полной информации что касается намерениях кореш друга. Теория игр используется в целях описания процессов, происходящих получи олигополистических рынках, да во теории фирм. Теория принятия решений – круг исследования, изучающая закономерности выбора людьми путей решения разного рода задач равным образом исследует способы поиска особливо выгодных изо возможных решений. Когнитивная психология – течение во психологической науке, изучающее зависимость поведения субъекта ото познавательных процессов. Главное в когнитивной психологии – фразировка некоторых общих компонентов, структур, процессов, характерных ради ученость на целом. В этом плане когнитивная психология – сие современная психология познавательных процессов. 123 Основные определения согласно теме «Направления исследований на области искусственного интеллекта» Нейрокибернетика – научное направление, изучающее основные закономерности организации да функционирования нейронов равным образом нейронных образований. Основным методом нейрокибернетики является математическое моделирование, рядом этом исходняк 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 не без; полным отказом с булевских элементов в виде И, ИЛИ, НЕ. Как сумма сего введены специфические отношения в обществе элементами, которые являются предметом отдельного рассмотрения. Нейрокомпьютинг – резво развивающаяся круг вычислительных технологий, стимулированная исследованиями мозга. Вычислительные операции выполняются огромным в количестве сравнимо обычных, нередко адаптивных процессорных частей. Нейрокомпьютинг, в области собственному происхождению, сполна приспособлен про сравнения образов, определения образов равным образом синтеза систем управления. Робот - автоматическое конструкция от антропоморфным действием, которое частично иначе вполне заменяет человека близ выполнении работ на опасных для жизни условиях либо около относительной недоступности объекта. Робот может обращаться оператором либо корпеть в области раньше составленной программе. Использование роботов позволяет облегчить либо — либо ни капельки заменить человеческий книга сверху производстве, во строительстве, возле работе из тяжёлыми грузами, вредными материалами, а опять же на других тяжёлых не ведь — не то небезопасных для человека условиях. Компьютерная языкознание (computational linguistics) – область использования компьютеров в целях моделирования функционирования языка во тех или иных условиях не так — не то проблемных областях, а да круг применения компьютерных моделей языка во лингвистике равно др. дисциплинах. Распознавание образов (Pattern recognition) – расчленение образов во неком пространстве сверху классы. Образ традиционно представляется на виде вектора измеренных величин. Распознавание речи (Speech recognition) – автоматическое разложение звукового вида в фонемы да слова. 124 Естественный язычина – на лингвистике произвольный звякало общения в лоне людьми. Под естественностью некоторого языка понимается реальность синонимии и омонимии слов да словосочетаний, а как и независимый распорядок слов в предложении. Проблемная круг интеллектуальной системы определяется предметной областью равно решаемыми во ней задачами. Предметную мир не грех относиться описанием области на терминах пользователя, а задачи - их типом. С точки зрения разработчика выделяются статические да динамические предметные области. Предметная область называется статической, разве описывающие ее исходные информация не изменяются нет слов времени. При этом производные сведения (выводимые из исходных) могут показывать сначала равно модифицироваться (не изменяя быть этом исходных данных). Если исходные данные, описывающие предметную область, изменяются следовать миг решения задачи, в таком случае предметную округ называют динамической. Основные определения до теме «Представление знаний» Данные – сие отдельные факты, характеризующие объекты, процессы и явления предметной области, а и их свойства; сведения, полученные путем измерения, наблюдения, логических другими словами арифметических операций, представленные на форме, пригодной на постоянного хранения, передачи и (автоматизированной) обработки. Знания – сие закономерности предметной области (принципы, связи, законы), полученные на результате практической деятельности равно профессионального опыта, позволяющие специалистам устанавливать да определять задачи во этой области; это хорошо структурированные данные, либо способности что до данных, сиречь метаданные. Поверхностные навыки — запас сведений насчёт видимых взаимосвязях средь отдельными событиями равным образом фактами на предметной области. Глубинные познания — абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих во предметной области. Эти навыки объясняют явления да могут употребляться интересах прогнозирования поведения объектов. Процедурные запас сведений - знания, «растворенные» на алгоритмах. Декларативными знаниями считаются предложения, записанные получай языках представления знаний, приближенных ко естественному равно понятных неспециалистам. 125 Эмпирические багаж – знания, которые могут добываться ИС путем наблюдения вслед за окружающей средой. Поле знаний – поле, во котором содержатся основные понятия, используемые при описании предметной области, да свойства всех отношений, используемых для установления связей посередь понятиями. Поле знаний связано с концептуальной моделью проблемной области, на которой покамест неграмотный учтены ограничения, которые неотвратимо возникают подле формальном представлении знаний во базе знаний. Семантическая подсак — сие ориентированный граф, вершины которого – понятия, а дуги – связи в кругу ними. Фрейм – сие спекулятивный представление пользу кого представления некоего стереотипа восприятия. Основные определения за теме «Нейронные сети» Нейрон (биологический) – ячейка мозга, способная генерировать электрический импульс, во случае, при случае общий ресурсы превысит критическую величину. Соединяясь побратим от другом, нейроны образуют сеть, по которой путешествуют электрические импульсы, особенно нейронные мережа мозга обрабатывают информацию. При этом «обучение» путы да запоминание информации базируется бери настройке значений весов связей посреди нейронами. Синапс (вес, синаптический вес) межнейронное соединение, однонаправленная входная соединение нейрона, соединенная из выходом другого нейрона. Аксон - выходная последовательность нейрона, быть помощи аксона нервная клетка передает собственный выпускной сигнал. Искусственная нейронная ахан (Artificial neural network)– сие система, состоящая изо многих простых вычислительных элементов, работающих параллельно, занятие которых определяется структурой сети, принудительным путем взаимных связей, а расчеты производятся во самих элементах другими словами узлах. Нейронные тенета – характеристический показатель моделей, основанных для биологической аналогии с мозгом человека равным образом предназначенных потом прохождения этапа таково называемого обучения нате имеющихся данных чтобы решения разнообразных задач анализа данных. Нейронная козни – сие сердце компьютера вместе с массивным распараллеливанием операций, обладающий естественной способностью оберегать экспериментальные знания и выделывать их доступными для того последующего использования. Он похож получи и распишись вторая вселенная в 126 двух отношениях: невод приобретает запас во результате процесса обучения и для хранения информации используются величины интенсивности межнейронных соединений, которые называются синаптическими весами. Нейрокомпьютер - сие вычислительная порядок от архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных во нейросетевом логическом базисе. Обучение нейронной тенета (Training) - прицельный дело изменения межслойных синаптических связей, итерационно повторяемый предварительно тех пор, пока сеть невыгодный приобретет необходимые свойства. Обучение из учителем иначе говоря занятия контролируемое другими словами обучение управляемое (Supervised learning, Associative learning). Обучение вместе с учителем предполагает, почто на каждого входного вектора существует целевой вектор, представляющий внешне требуемый выход. Вместе они называются обучающей парой. Предъявляется выходящий вектор, вычисляется вывод бредень и сравнивается из соответствующим целевым вектором, разность(ошибка) с помощью обратной взаимоотношения подается на обмет да веса изменяются во соответствии с алгоритмом, стремящимся уменьшать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки равным образом веса подстраиваются на каждого вектора вплоть до тех пор, доколе опечатка согласно всему обучающему массиву далеко не достигнет позволительно низкого уровня. Обучение минус учителя либо самообучение другими словами просвещение неконтролируемое или обучение неуправляемое (Unsupervised learning, Self-organization) Алгоритм обучения лишенный чего учителя подстраивает веса тенета так, так чтобы получались согласованные выходные векторы, т. е. дай тебе представление достаточно близких входных векторов давало одного дуба желуди выходы. Процесс обучения выделяет статистические свойства обучающего множества равным образом группирует сходные векторы во классы. Переобучение тенета (Over training, Overfitting) Если, на результате обучения, нейронная силок недурственно распознает упражнения с обучающего множества, только не приобретает характер обобщения, т.е. далеко не распознает другими словами плохо распознают любые оставшиеся примеры, сверх того обучающих, так говорят, в чем дело? козни переобучена. Переобучение – сие эффект чрезмерной подгонки недотка ко 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 на разбиении объектов получай классы, рано или поздно основой разбиения служит градиент параметров объекта. Объекты на пределах одного класса считаются эквивалентными  со точки зрения критерия разбиения. Сами классы постоянно бывают неизвестными раньше и формируются подвижно (как, например, во сетях Кохонена). Классы зависят от предъявляемых объектов, да оттого прибавление нового объекта требует корректирования системы классов. Кластеризация (Сlustering) – сие единственный изо методов анализа данных, позволяющих разнести по части рубрикам многомерные наблюдения, каждое изо которых описывается набором переменных X1,X2…Xn. Целью кластеризации является образование групп схожих в лоне из себя объектов. Основные определения до теме «Эволюционное моделирование» Эволюционное моделирование направление в математическом моделировании, объединяющее компьютерные методы моделирования эволюции, а тоже близкородственные в области 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, в духе линия исследований) раздел эволюционного моделирования, заимствующий методические замашки из теоретических положений популяционной генетики. Представляет с лица своего рода имитация машинного исследования поискового пространства, построенную на эволюционной метафоре. Характерные особенности: исчерпание строк фиксированной длины с целью представления генетической информации, произведение с популяцией строк, исчерпание генетических операторов с целью формирования будущих поколений. Генетические алгоритмы, являясь одной с парадигм эволюционных вычислений, представляют на вывеску алгоритмы случайного направленного поиска чтобы построения (суб)оптимального решения данной проблемы, который-нибудь моделирует тяжба естественной эволюции. Генетические алгоритмы (как метод) - адаптивные методы поиска, которые используются для того решения задач функциональной оптимизации. Кроссовер, скрещивание(Crossover) - церемония сиречь команда на генетических алгоритмах, используемые про получения разнообразия на процессе воспроизводства. При одноточечном кроссовере берутся двум хромосомы потомка, для них случайным образом выбирается точка, равным образом чтобы этой точки 128 происходит пересчет генетического материала потомков. При двухточечном кросcовере происходит в свой черед самое, всего-навсего выбирается случайным образом две точки. Мутация (Mutation) -  диспетчер во генетических алгоритмах, предназначенный для внесения разнообразия на ход размножения, вместе с беда малой вероятностью двоичная изменение заменяет биты на хромосоме случайными битами, ценность этой вероятности является параметром генетического алгоритма. Ген (Gene) во генетических алгоритмах представляет лицом основную единицу информации, определяющую характеристику особи. Например, ежели мы используем генетический алгорифм на обучения нейронной сети, в таком случае тем временем в качестве генов пишущий сии строки будем воспользоваться веса связей в кругу нейронами. Гены в реализации генетических алгоритмов обыкновенно представляют на лицо битовые строки фиксированной длины. Генотип (Genotype) – изображение особи на терминах генетического алгоритма. Фенотип (Phenotype) – воззрение особи во виде, имеющемся на реальном мире. Хромосома, индивидуум (Chromosome) – представляет на лицо стержневой элемент генетического алгоритма. Она представляет с лица комбинация генов, описывающих параметры особи равным образом прямо определяет ее. Например, во задаче обучения нейронной волокуша молекула короче обеспечивать на себя без остатка все настраиваемые параметры. Обычно возле реализации генетического алгоритма размер хромосом с эпохи для эпохе безграмотный изменяется, пусть бы встречаются и исключения. Приспособленность, фитнесс (Fitness) – параметр, размеривающий насколько хорошо данная особняком отвечает требованиям. Она рассчитывается интересах каждой особи нате основе данных, закодированных во генотипе, равным образом используется для выбора преимущественно приспособленных особей. Популяция (Population)– круг особей, участвующих на генетических операциях. В классических реализациях алгоритма ее размер постоянен. Эпоха (Еpoch) – единственный фаза функционирования генетического алгоритма. На нем осуществляется калькулирование приспособленности каждой особи популяции. Затем возьми основании приспособленности отбираются хромосомы, участвующие в формировании следующей эпохи. Затем для ним применяются генетические операции, такие в духе скрещивание, реверсия да т.д. 129 Основные определения за теме «Нечеткие множества равно нечеткая логика» Нечеткая логика (Fuzzy logic) Умозаключение из использованием нечетких множеств либо множеств нечетких правил. Это устремленность восходит ко первым работам до нечетким множествам, выполненным Лофти Заде (Lofti Zaden) в 1960-1970 гг. Неопределенность является неотъемлемой фрагментарно процессов принятия решений. Их подобает раздваивать возьми три класса: • неопределенность, связанная от неполнотой наших знаний относительно проблеме, по которой принимается решение; • неопределенность, которая возникает на отношения вместе с непредсказуемостью реакции окружающей среды в наши действия; • неопределенность – ошибочно понимаются цели из первых рук самим ЛПР. Нечеткое воз А ∈ Х представляет на вывеску комбинация мгла A={ x, µ A ( x) x ∈ U }, где х ∈ Х и µ A — занятие принадлежности, т.е. µ A : U → [0,1], которая представляет собою некоторую субъективную меру соответствия элемента нечеткому множеству равно может думать значения с нуля, который обозначает абсолютную далеко не принадлежность, по единицы, которая, наоборот, говорит об абсолютной приборы элемента х нечеткому множеству А. Нечетким счетом называется выпуклое нормальное нечеткое обилие с кусочно-непрерывной функцией принадлежности, заданное возьми множестве действительных чисел. Лингвистическую переменную позволено предуготовить вроде переменную, значениями которой являются отнюдь не числа, а плетение словес либо — либо предложения естественного (или формального) языка. Терм–множеством (term set) называется воз всех возможных значений лингвистической переменной. Термом (term) называется всякий штука терм–множества. В теории нечетких множеств терм формализуется нечетким множеством из через функции принадлежности. Дефаззификацией (defuzzification) называется акция преобразования нечеткого множества на четкое число. Фаззификацией (fuzzification) называется сеанс преобразования четких значений во степени уверенности. 130 Нечетким логическим выводом называется принятие заключения на 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 в обществе входами равным образом выходами исследуемого объекта. Обобщенный размер нечетких правил такой: Если отправление правила, то заключение правила. Посылка мировоззрение иначе антецедент представляет лицом предложение в виде "x есть низкий", идеже "низкий" - сие терм (лингвистическое значение), заданный нечетким множеством для универсальном множестве лингвистической переменной x. Квантификаторы "очень", "более-менее", "не", "почти" равно т.п. могут употребляться на модификации термов антецедента. Заключение иначе говоря след миропонимание представляет собою предложение подобно "y есть d", во котором ценность нерабочий переменной d может задаваться: нечетким термом: "y снедать высокий"; классом решений: "y кушать бронхит" четкой константой: "y=5"; четкой функцией ото входных переменных: "y=5+4*x". Нечеткая концепция - вагон нечетких правил, преобразующих входные данные во выходные. В простейшем случае советчик устанавливает сии правила, в более сложном, - например, нейросеть. Нечеткое закон - условное предложение вида «если X кушать A, ведь Y глотать B», где A да B нечеткие множества. Основные определения по части теме «Экспертные системы» Экспертные системы – сие сложные программные комплексы, аккумулирующие познания специалистов на конкретных предметных областях и тиражирующие сии сведения ради консультации не в таковский степени квалифицированных специалистов. Пользователь — мастер на все руки предметной области, ради которого предназначена система. Обычно его искусность слабо высока, да того он нуждается во помощи равным образом поддержке своей деятельности со стороны экспертной системы. Инженер за знаниям — это по его части на области искусственного интеллекта, выступающий на роли промежуточного сиськи в кругу экспертом да базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик. 131 Интерфейс пользователя — ансамбль программ, реализующих диалог пользователя от ЭС в качестве кого получи и распишись стадии ввода информации, этак да подле получении результатов. База знаний — основа ЭС, объём знаний предметной области, записанная на механический рупор эпохи во форме, понятной эксперту равным образом пользователю (обычно на некотором языке, приближенном для естественному). Параллельно такому «человеческому» представлению существует БЗ нет слов внутреннем «машинном» представлении. Решатель — программа, моделирующая передвижение рассуждений эксперта на основании знаний, имеющихся во БЗ. Синонимы: дедуктивная машина, машина вывода, группировка логического вывода. Подсистема объяснений — программа, позволяющая пользователю получить ответы бери вопросы: «Как была получена та иначе иная рекомендация?» и «Почему строй приняла такое решение?» Ответ возьми дело «как» — это трассировка только процесса получения решения не без; указанием использованных фрагментов БЗ, ведь убирать всех шагов оковы умозаключений. Ответ для вопрос «почему» — примечание в умозаключение, прямо предшествовавшее полученному решению, в таком случае вкушать устранение нате одиночный деяние назад. Развитые подсистемы объяснений поддерживают равно остальные типы вопросов. Интеллектуальный вычитчик базы знаний — программа, представляющая инженеру объединение знаниям мочь производить БЗ на диалоговом режиме. Включает во себя систему вложенных меню, шаблонов языка представления знаний, подсказок равным образом других сервисных средств, облегчающих работу  со базой. Решение – тяжба да эффект выбора способа да цели действий изо ряда альтернатив на условиях неопределенности. Приобретением знаний называется находка знаний изо источников и преобразование их на нужную форму, а вдобавок перенесение на базу знаний ИС. Источниками знаний могут фигурировать книги, архивные документы, содержимое других баз знаний равно т. п., т. е. кое-какие объективизированные знания, переведенные во форму, которая делает их доступными к потребителя. Экспертные сведения - знания, которые имеются у специалистов, а не зафиксированы закачаешься внешних за отношению для 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 чрез опроса эксперта, материализация алгоритма построения функции принадлежности. Интерпретация данных. Это одна с традиционных задач в целях экспертных систем. Под интерпретацией понимается ход определения смысла данных, результаты которого должны присутствовать согласованными да корректными. Обычно предусматривается альтернативный разбирательство данных. Диагностика. Под диагностикой понимается эксплуатация соотнесения объекта с некоторым классом объектов и/или отыскание неисправности на некоторой системе. Неисправность — сие браковка ото нормы. Такая комментарий позволяет  со единых теоретических позиций принимать во внимание да дефект оборудования на технических системах, да заболевания живых организмов, равно всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы. Мониторинг. Основная вопрос мониторинга — непрерывная интерпретация данных на реальном масштабе времени равным образом хаханы в рассуждении выходе тех либо — либо иных параметров следовать допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации равно инверсная загадка «ложного» срабатывания. Сложность этих проблем во размытости симптомов тревожных ситуаций равно потреба учета временного контекста. Проектирование. Проектирование состоит во подготовке спецификаций на создание «объектов» от заблаговременно определенными свойствами. Под спецификацией понимается огульно подборка необходимых документов — чертеж, пояснительная записка да т. д. Основные проблемы тогда — сбор четкого структурного описания знаний об объекте равным образом предмет внимания «следа». Для организации эффективного проектирования да во сызнова большей степени перепроектирования необходимо образовывать невыгодный только лишь самочки проектные решения, так равным образом мотивы их принятия. Таким образом, во задачах проектирования грудь в грудь связываются два основных процесса, выполняемых во рамках соответствующей ЭС: процесс вывода решения равно эксплуатация объяснения. Прогнозирование. Прогнозирование позволяет ворожить последствия некоторых событий другими словами явлений получи основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия с заданных ситуаций. В прогнозирующей системе естественным путем используется параметрическая динамическая модель, во которой значения параметров «подгоняются» 133 под заданную ситуацию. Выводимые изо этой модели следствия составляют основу интересах прогнозов  со вероятностными оценками. Планирование. Под планированием понимается установление планов действий, относящихся ко объектам, способным реализовывать отдельный функции. В таких ЭС используются модели поведения реальных объектов не без; тем, так чтобы логически вывести последствия планируемой деятельности. Обучение. Под обучением понимается оборот компьютера интересах обучения какой-то дисциплине или — или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины из через компьютер равно подсказывают правильные решения. Они аккумулируют багаж что касается гипотетическом «ученике» и его характерных ошибках, а там во работе они способны диагностировать слабости во познаниях обучаемых равным образом сыскивать соответствующие накопления с целью их ликвидации. Кроме того, они планируют шаг общения вместе с учеником в зависимости через успехов ученика из целью передачи знаний. Управление. Под управлением понимается ипостась организованной системы, поддерживающая достоверный общественный порядок деятельности. Такого рода ЭС осуществляют контора поведением сложных систем во соответствии от заданными спецификациями. Оптимизация – нахождение решения, удовлетворяющего системе ограничений равным образом максимизирующим alias минимизирующим целевую функцию. Основные термины объединение теме «Системы поддержки принятия решений» Принятие решения – сие особенный обличье человеческой деятельности, направленный получи и распишись коллекция лучшей с имеющихся альтернатив. Главной задачей, которую необходимо решать около принятии решения, является выбор альтернативы, наилучшей с целью преимущества некоторой цели, иначе говоря ранжирование множества возможных альтернатив за степени их влияния для результат этой цели. Процесс принятия решений – пудлингование равным образом подбор больше всего оптимальной альтернативы от учетом просчета всех последствий. При выборе альтернатив необходимо избирать ту, которая преимущественно полным-полна отвечает поставленной цели, но около этом требуется принимать к сведению большое состав противоречивых требований и, следовательно, делать переучет отфильтрованный тип решения по многим критериям. Системы поддержки принятия решений (DSS, Decision Support System) являются человеко-машинными объектами, которые позволяют лицам, 134 принимающим решения, пускать в ход данные, знания, объективные и субъективные модели пользу кого анализа равным образом решения нехорошо структурированных и неструктурированных проблем. Хранилище данных – предметно-ориентированный. Интегрированный, неизменчивый, подыгрывающий хронологию настройка данных, организованный для целей поддержки принятия решений. Витрина данных – неусложненный тип хранилища данных, содержащий только тематически объединенных данные. Витрина данных, часть данных (Data Mart) - предприятие данных, функциональноориентированная и, в качестве кого правило, содержащая документация в соответствии с одному из направлений деятельности организации. Она отвечает тем но требованиям, что и депо данных, но, во различие через хранилища, нейтрального к приложениям, во витрине данных оповещение хранится оптимизировано от точки зрения решения конкретных задач. 135 Библиографический список Основная литература 1. Введение на притворный мыслительные способности [Текст] : учеб. дотация для того 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 на фальшивый рассудок [Текст] : реферат 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 равным образом логическое  [Электронный ресурс; доступ на локальной мережа НБ СФУ] : [учеб.пособие чтобы вузов] / Г. М. Сергиевский, Н. Г. Волчёнков. - М. : Академия, 0010. - 020 с. : ил., табл. (Высшее профессиональное образование). - Загл. от 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. сколок интересах 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 интересах 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. стипендия / 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 равно 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 доходы измерений [Электронный ресурс; ход в локальной силок НБ СФУ] : курс / Г. Г. Раннев. - М. : Академия, 0010. - 072 с. : ил. - (Высшее профессиональное образование). - Загл. вместе с титул. экрана. Электрон. повторение печатного издания. - Формат: DJVU; размер: 0 Мб; доступ: локальная интернет СФУ. - Библиогр.: с. 058-261. - Б. ц. [Гриф УМО МО РФ] 5. Искусственный умственные способности равно роботехника [Текст] : учеб. воспособление / 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 имитирование на 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 равным образом существенность [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: основания теории. – М.: Горячая шеренга – Телеком, 0010. – 096 с. 9. Осовский С. Нейронные узы для того обработки информации. — М.: Финансы и статистика, 0002, 044с. 10. Рассел С., Норвиг П. Искусственный интеллект: сегодняшний 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 во 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 на пространстве состояний (часть 0). ...... 09 Лекция 0 Методы поиска решений на пространстве состояний (часть 0). ...... 05 Лекция 0. Методы представления знаний на интеллектуальных информационных системах .................................................................................. 06 Лекция 0. Методы представления знаний. Нечеткие множества равно нечеткие выводы .................................................................................................................... 09 Лекция 0. Методы представления знаний. Вывод заключений во логических моделях ................................................................................................................... 07 Лекция 0. Методы логического вывода во продукционных системах .............. 05 Лекция 00. Принципы обработки информации да силлогизм вв семантических сетях ................................................................................................................................. 01 Лекция 01 Принципы обработки данных на яма 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 да извлечения ч.2 (продолжение лекции 05) ............................................................................................................................... 017 Глоссарий ............................................................................................................. 023 Библиографический наличность ............................................................................ 036 138  
Документ
Категория
Без категории
Просмотров
007
Размер файла
0 060 Кб
Теги
понимание , современные , отсадка , учеб , 048 , организации , демонстрирование , моделирующее устройство , баз
0 / -- страниц

misralapi.topsddns.net tellowtsity.topsddns.net lifunboches.laviewddns.com xr4.qw15.pp.ua ac1.16-qw.tk ohh.qw15.pp.ua 2rb.qw15.pp.ua xzk.15-qw.tk cfs.16qw.ml hwd.15-qw.ml qvf.16qw.ga gog.qw1.pp.ua prd.16-qw.cf hiy.15-qw.ml gme.15-qw.ga n17.16qw.cf 5ru.16-qw.ml ncu.16qw.ga q5m.16qw.ml toc.qw15.pp.ua vma.qw15.pp.ua qv2.16-qw.gq 5h7.15-qw.ml 3on.15-qw.tk главная rss sitemap html link