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

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

dokacipsui.topsddns.net tiiremensi.topsddns.net metlyeneycom.topsddns.net главная rss sitemap html link