Logo GenDocs.ru


Поиск по сайту:  


Лекции - Интеллектуальные информационные системы - файл 1.doc


Лекции - Интеллектуальные информационные системы
скачать (554.5 kb.)

Доступные файлы (1):

1.doc555kb.15.11.2011 19:56скачать

содержание

1.doc

  1   2   3   4
Реклама MarketGid:
Содержание

Литература 2

1. Основные понятия 3

2. Нечеткие множества и лингвистические переменные 4

3. Сущность лингвистического и численного описания 5

4. Понятие переменной 6

5. Понятие нечеткой переменной 8

6. Операции над нечеткими подмножествами 9

7. Расстояние Хэмминга 11

8. Свойства ближайших обычных множеств 13

9. Обычное подмножество α-уровня 14

10. Теорема декомпозиции 14

11. Нечеткая логика 15

12. Нечеткие выводы 18

13. Система параллельного запуска 20

14. Пример диагностической системы 21

15. Нечеткие соответствия 23

16. Нечеткие высказывания 24

17. Нечеткие логические функции 25

18. Нечеткое включение 26

19. Степень равенства 26

20. Построение функций принадлежности нечетких множеств 27

21. Прямые методы построения функции принадлежности 28

22. Косвенные методы построения функции принадлежности 28

23. Экспертные системы 29

24. Обработка факторов уверенности 30

25. Алгебра факторов уверенности для переменной среды E.CFJO 31

26. Алгебра факторов уверенности для переменной среды E.CFCO 32

27. Алгебра факторов уверенности для переменной среды E.CFVA 33

28. НЕ-факторы 34

29. Структурно-алгебраические основы описания НЕ-факторов (28.12.2008) 36

30. Анализ НЕ-факторов 38

31. Сложные и элементарные параметры 39

32. Основные источники неточности 39

33. Использование нечетких моделей и нечеткой логики в сфере бизнеса и финансов 39

34. Курсы валют 40

35. Нечеткость информации 40

36. Система FOREX 41

37. Многокритериальный выбор альтернатив на основе пересечения нечетких множеств 42


Интеллектуальные информационные системы

Список литературы

1. Интеллектуальные информационные системы в экономике. Учебное пособие. –М: Экзамен. – 2003 г.

2. Гаскаров Д. В. Интеллектуальные информационные системы. Учебное пособие. –М: Высшая школа. – 2003 г.

3. Рыбина. Теория и технология интегрированных экспертных систем. –М: Научтехлитиздат. – 2008 г.

4. Андрейчиков А. В., Андрейчикова О. Н. Интеллектуальные информационные системы. –М: Финансы и статистика. – 2004 г.

5. Джораттано Дж., Гайли Г. Экспертные системы: принципы разработки и программирования. –М: Вильямс. – 2007 г.

6. Люгер Дж. Искусственные интеллектуальные стратегии и методы решения сложных проблем. –М: Вильямс. – 2003 г.

7. Рассел, Норвиг. Искусственны интеллект: современный подход. –М: Вильямс. – 2006 г.

8. Тарасов. От многоагентных систем к интеллектуальным организациям – 2002 г.

9. Смолин Д. В. Введение в искусственный интеллект. – 2004 г.

10. Степанюк. Локальная организация интеллектуальных систем. Модели и приложения.

11. Братко. Алгоритмы искусственного интеллекта.

12. Гаврилова, Хорошевский.

13. Частиков, Гаврилова, Белов. Разработка экспертных систем.

14. Девятков. Системы искусственного интеллекта.

15. Круглов, Борисов. Искусственные нейронные сети.

16. Хайкин. Нейронные сети. Полный курс. – 2004 г.

17. Фролов. Интеллектуальные системы и управленческие решения.

18. Фоминых, Кисель, Попов, Шапот. Статические и динамические экспертные системы.

19. Джексон. Введение в экспертные системы.

20. Уотермен. Руководство по экспертным системам.

21. Уотермен. Построение экспертных систем.

10.02.2009

1. Основные определения

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

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

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

Знания делятся на глубинные и поверхностные.

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

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

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

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

Знания подразделяются на процедурные и декларативные.

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

Т.е. увеличилась роль декларативного знания.

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



Рисунок 1 – Таблица Ньюэлла


Существуют следующие модели представления знаний:

  1. Продукционная модель;

  2. Семантические сети;

  3. Фреймы;

  4. Формальные логические модели.

Существует 2 группы языков: модульные и сетевые.

Модульные языки оперируют отдельными несвязными элементами знаний (правила

или аксиомы).

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




Рисунок 2 – Классификация моделей





Рисунок 3 – Модель восприятия человека





Рисунок 4 – Понятия предметной области


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




Рисунок 5 – Процесс формирования понятийной структуры


Понятийная структура проблемной области использует 3 источника знаний:

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

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

В основе деятельности специалиста (инженера по знаниям) находится процессы концептуализации – способы отображения понятийной структуры в компьютер.

Основная задача инженера по знаниям является связанной с построением модели проблемной области. Любая система, обладающая базой знаний о некоторой предметной области, может рассматриваться как интеллектуальная система.

Онтология – система, состоящая из набора понятий, на основе которых можно строить отношения, функции, классы, объекты и теории предметной области.

O = <A, B, C>

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

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

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

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


^ 2. Понятие интеллектуальной информационной системы (ИИС)

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

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

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

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

Фактуальные – экстенсиональные знания (детализированные).

Операционные знания – интенсиональные знания (обобщенные).

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

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

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

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

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

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

  1. Развитые коммуникационные способности;

  2. Умение решать сложные, плохо формализованные задачи;

  3. Способность к самообучению.

Коммуникационные способности ИИС характеризует способ взаимодействия

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

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

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


^ 3. Когнитивные процессы

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

Когнитология – наука о знании.

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

  1. Многоаспектность происходящих в них процессов и их взаимосвязанность;

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

  3. Изменчивость характера процессов во времени.

В силу указанных особенностей экономические, социальные и другие системы

относят к слабоструктурированным системам. Под текущей ситуацией понимается состояние слабоструктурированной системы в рассматриваемый момент времени. Число факторов в такой ситуации может измеряться десятками.

Все они зависят от времени, а также между ними есть причинно-следственные отношения. В этом случае увидеть и осознать логику развития в такой ситуации крайне трудно.

На многие сложные вопросы, относящиеся к слабоструктурированным системам, можно ответить, если использовать компьютерные средства познавательного (когнитивного) моделирования ситуаций.

Специфика прикладных средств когнитивного моделирования заключается в их ориентированности на конкретные условия развития ситуации в той или иной стране, регионе, городе.


^ 4. Понятие когнитивной карты ситуации

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

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

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

Считается что факторы, входящие в посылку, влияют на факторы следствия. Это

влияние может быть либо усиливающим (положительным), либо тормозящим (отрицательным).

Когнитивная карта отображает лишь наличие влияния факторов друг на друга. В ней не отображены ни детальный характер этих влияний, ни динамика изменения влияний в зависимости от изменения ситуации, ни временные изменения самих факторов.

Учет всех этих обстоятельств требует перехода на следующий уровень

структуризации информации, отображаемой в когнитивной карте, т.е. к когнитивной модели.

На этом (новом) уровне каждая связь между факторами когнитивной карты раскрывается до соответствующего уровня, который может содержать как количественные (измеряемые), так и качественные (не измеряемые) переменные.

Количественные переменные входят в виде численных переменных, а качественные - в виде лингвистических. По мере накопления знаний в процессе исследования ситуации, становится возможной более детально раскрывать характер связей между факторами.

Однако каждая дуга в этом графе представляет некоторую функциональную зависимость между соответствующими базовыми факторами. Когнитивная модель представляется функциональным графом.


^ 5. Вопросы обеспечения целенаправленного поведения в сложной ситуации

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

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

Задача выработки решений по управлению процессами в ситуации состоит в том, чтобы обеспечивать желательные изменения целевых факторов. Цель считается корректно заданной, если желательные изменения одних целевых факторов не приводят к нежелательным изменениям других целевых факторов.

В исходном множестве базисных факторов выделяется совокупность так называемых управляющих факторов (входные факторы когнитивной модели).

Эти воздействия считаются согласованными с целью, если не вызывают нежелательных изменений ни в одном из целевых факторов.

При корректно заданной цели управления и при наличии управляющих воздействий, согласованных с целью, решение задачи управления не вызывает особых трудностей. Но в общем же случае наличие целей для обеспечения целенаправленного поведения в ситуации, является весьма непростой задачей, требующей специального рассмотрения.


^ 6. Методика когнитивного анализа сложных ситуаций

1) Формулировка задачи и цели исследования;

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

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

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

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

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

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


^ 7. Построение когнитивной (графовой) модели проблемной ситуации

1) Выделение факторов, характеризующих проблемную ситуацию

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

1.2 Определение факторов, влияющих на целевые факторы.

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

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


16.02.2009 (Фокин)

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

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

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

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

3) Определение связи между факторами.

3.1 Определение связей и взаимодействий между факторами.

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

3.2 Определение непосредственных связей факторов внутри блока.

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

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

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

3.3 Определение связей между факторами различных блоков.

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


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

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


1

2

3



4

10

9

8

6

7

5



Рисунок 6 – Процесс моделирования

Объект исследований: проблемы, процессы, системы, ситуации.

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

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

  3. Построение когнитивной карты ситуации.

  4. Когнитивная модель ситуации.

  5. Изучение модели системы(структурный анализ).

  6. Знания о принципах и реальной возможности решения проблемы.

  7. Моделирование сценариев развития и решения проблемы.

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

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

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

Сценарий может моделироваться по трем основным направлениям:

  1. Прогноз развития системы без воздействия на процесс ситуации.

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

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


Этапы моделирования:

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

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

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

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

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

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




Направление моделирования

Этапы моделирования

  1. Развитие системы без управляющего воздействия

  1. Прямая задача

  1. Обратная задача

  1. Определение качества целей

+

+

+

  1. Задание целевых факторов и направлений и силы их изменения

+

+

+

  1. Выбор совокупности управляющих факторов и силы




+




  1. Выбор комплекса мероприятий







+

  1. Выбор наблюдаемых факторов (индикаторов)

+

+

+


Особенности управления сложными ситуациями.

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

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

  2. Какие изменения ситуаций возможны в ближайшем будущем.

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

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

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


02.03.2009 (Федоров)

8. Классификация ИИС




Рисунок 7 – Классификация ИИС


1) Системы с интеллектуальным интерфейсом.

2) Экспертные системы.

3) Самообучающиеся системы.

4) Интеллектуальные базы данных.

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

6) Гипертекстовые системы.

7) Контекстные системы помощи.

8) Системы с когнитивной графикой.

9) Классифицирующие системы.

10) Доопределяющие системы.

11) Трансформирующие системы.

12) Многоагентные системы.

13) Индуктивные системы.

14) Нейронные сети.

15) Системы на прецедентах.

16) Информационные хранилища.


^ 8.1 Системы с интеллектуальным интерфейсом

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

Пример:

- Вывести список товаров, цена которых выше среднеотраслевой.

- Вывести список товаров-заменителей некоторой продукции.

- Вывести список потенциальных покупателей некоторых товаров.

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

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

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

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

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

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


^ 8.2 Системы с естественно-языковым интерфейсом

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

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

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

Семантический анализ предполагает установление смысловой правильности синтаксических конструкций.

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

ЕЯ интерфейс используется для следующих целей:

1) для доступа к интеллектуальным БД;

2) для контекстного поиска документальной текстовой информации;

3) для голосового ввода команд в системах управления;

4) для машинного перевода с иностранных языков.


^ 8.2 Гипертекстовые системы

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


^ 8.3 Системы контекстной помощи

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

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

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


^ 8.4 Системы когнитивной графики

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

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


15.03.2009

Моделирование процессов обработки информации для принятия решений


9 Модели представления знаний

^ 9.1 Продукционная модель

- Модель, основанная на правилах – позволяет представить знания в виде предложений, состоящих из 2 частей – “если” и “то”.

Под условием понимается некоторое предложение (образец), по которому осуществляется поиск в базе знаний. А под действием понимается наше действие при успешном исходе поиска.

Они могут быть промежуточными, выступающими далее как другие условия, а могут быть терминальными (целевыми), т.е. такие, которые завершают работу условия.

При использовании продукционной модели база знаний состоит из набора правил. Перебором правил управляет программа, которая называется машина вывода (интерпретатор).

Вывод бывает прямым – от данных к цели. И обратным – вывод от цели для ее подтверждения к данным.

^ Данные – исходные факты, на основе которых запускается машина вывода.

Пример:

Имеется фрагмент базы знаний, включающей только 2 правила:

R1 – если «отдых планируется летом и человек активный», то «следует ехать в горы».

R2 – если «любит солнце», то «отдых следует запланировать летом».

Данные: человек активный, любит солнце.

Проход правил:

Шаг 1. Пробуем правило R1 – не работает, нет данных.

Шаг 2. Пробуем правило R2.

Проход 2.

Шаг 1. Пробуем правило R1 – активизируется правило «ехать вгоры».

Обратный вывод:

1й проход

Шаг1. Цель ехать в горы, пробуем R1, данных нет, они становятся целью, ищется правило в переменной цели.

Шаг2. Отдых летом подтверждает R2 и активизирует ее.

Шаг3. Пробуем R1, подтверждается цель.

Продукционная модель чаще всего применяется в промышленных экспертных системах.

Она привлекает разработчиков своей наглядностью, высокой модульностью.

Легкостью внесения дополнений и изменений.

И простотой механизма логического вывода.

Существует большое число программных средств, которые реализуют продукционную модель.

Например ^ OPS-5, EXSIS, СПЭИС

  1   2   3   4

Реклама:





Скачать файл (554.5 kb.)

Поиск по сайту:  

© gendocs.ru
При копировании укажите ссылку.
обратиться к администрации
Рейтинг@Mail.ru
Разработка сайта — Веб студия Адаманов