- Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих. — презентация
- Похожие презентации
- Презентация на тему: » Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.» — Транскрипт:
- Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих. — презентация
- Похожие презентации
- Презентация на тему: » Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.» — Транскрипт:
- Представление знаний – основа интеллектуальных систем
- Описание презентации по отдельным слайдам:
Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих. — презентация
Презентация была опубликована 6 лет назад пользователемСтанислав Челищев
Похожие презентации
Презентация на тему: » Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.» — Транскрипт:
1 Модели представления знаний
2 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семантических сетей.
4 Фреймы были впервые предложены в качестве аппарата для представления знаний М. Минским в 1975 году. Фреймы – это минимальные структуры информации, необходимые для представления класса объектов, явлений или процессов.
5 Фрейм может быть описан строкой: где ИФ – имя фрейма, ИС – имя слота, ЗС – значение слота, ПП – имя присоединенной процедуры.
6 Слоты – это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту. Фрейм с заполненными слотами называется экземпляром фрейма. Для организации связи между объектами предметной области строится сеть фреймов.
7 В качестве данных фрейм может содержать обращения к процедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры – демоны; процедуры – слуги.
8 Процедуры – демоны активизируются при каждой попытке добавления или удаления данных слота (по умолчанию). Процедуры-слуги активизируются только при выполнении условий, определенных пользователем при создании фрейма.
9 Для уменьшения информационной избы- точности во фреймовых системах реализуют принцип наследования информации, позволяющий общую (глобальную) для системы информацию хранить в отдельном фрейме, а во всех остальных фреймах указывать лишь ссылку на место хранения этой информации.
10 Основные свойства фреймов Наличие базового типа Наиболее важные объекты предмета запоминаются в виде базовых фреймов, на основании которых строятся фреймы для новых состояний.
11 Основные свойства фреймов Процесс сопоставления Процесс, в ходе которого проверяется правильность выбора фрейма.
12 Основные свойства фреймов Иерархическая структура Информация об атрибутах, которую содержит фрейм верхнего уровня, совместно используется всеми фреймами нижних уровней, связанных с ним.
13 Основные свойства фреймов Сети фреймов Соединение фреймов, описывающих объекты с небольшими различиями, с данными указателями.
14 Основные свойства фреймов Отношения «абстрактное – конкретное» и «целое – часть» Отношение «целое – часть» касается структурированных объектов и показывает, что объект нижнего уровня является частью объекта верхнего уровня.
15 Основные свойства фреймов Отношения «абстрактное – конкретное» и «целое – часть» Отношения «абстрактное – конкретное» характерны тем, что на верхних уровнях расположены абстрактные объекты, а на нижних – конкретные объекты, при чем объекты нижних уровней наследуют атрибуты объектов верхних уровней.
16 Применение фреймов Для представления и описания стереотипных объектов, событий или ситуаций (сложных структур данных).
18 Важной схемой представления знаний являются семантические сети. Впервые это понятие было введено в 60-х годах Куиллианом для представления семантических связей между концепциями слов.
19 Под семантической сетью понимают направленный граф с помеченными вершинами и дугами, в котором вершины соответствуют конкретным объектам, а дуги, их соединяющие, отражают имеющиеся между ними отношения.
20 Отношения, используемые в семантических сетях: лингвистические, включающие в себя отношения типа «объект», «агент», «условие», «место», «инструмент», «цель», «время» и др.; атрибутивные, к которым относят форму, размер, цвет и т.д.;
21 Отношения, используемые в семантических сетях: характеризации глаголов, т.е. род, время, наклонение, залог, число; логические, обеспечивающие выполне-ние операций для исчисления высказываний (дизъюнкция, конъюнкция, импликация, отрицание);
22 Отношения, используемые в семантических сетях: квантифицированные, т.е. использующие кванторы общности и существования; теоретико-множественные, включающие понятия «элемент множества», «подмножество», «супер множество» и др.
23 Интенсиональная семантическая сеть описывает предметную область на обобщенном, концептуальном уровне. Агент ДействиеОбъект Место Инструмент
24 В экстенсиональной сети производится конкретизация и наполнение фактическими данными. Агент ДействиеОбъект Место Инструмент Из склада MТовар Отгрузка
25 Преимущества семантических сетей По сравнению с логикой предикатов семантические сети имеют то важное преимущество, что вся точно известная информация о той или иной концепции расположена в базе знаний вокруг соответствующей вершины.
26 Недостатки Выразительная сила семантических сетей несколько слабее, чем в логике предикатов.
27 Применение В системах обработки естественного языка, частично в вопросно-ответных системах. В них представлены знания о мире, эпизодические знания (т.е. знания о пространственно-временных событиях и состояниях).
28 Применение в системах искусственного видения. используются для хранения знаний о структуре, форме и свойствах физических объектов.
Источник
Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих. — презентация
Презентация была опубликована 6 лет назад пользователемЮлия Домейко
Похожие презентации
Презентация на тему: » Модели представления знаний. 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семанти- ческих.» — Транскрипт:
1 Модели представления знаний
2 1. Логические; 2. Продукционные; 3. Представление знаний на основе фреймов; 4. Представление знаний на основе семантических сетей.
4 Логические модели являются формой представления знаний о проблемных областях с небольшим пространством поиска решений и определенными фактами и знаниями. Они удобны также для формального описания мышления человека, так часто его рассуждения при решении задач носят дедуктивный характер.
5 Классическим механизмом представления знаний в системах является исчисление предикатов. В системах, основанных на исчислении предикатов, знания представляются с помощью пере- вода утверждений об объектах некоторой предметной области в формулы логики предикатов и добавления их как аксиом в систему.
6 Высказывание есть утвердительное предложение истинно (И)либо ложно (Л)
7 Достоинства системы представления знаний на основе исчисления предикатов: 1. Они достаточно хорошо исследованы как формальная система. 2. Существуют ясные правила, т.е. результаты операций над БЗ также достаточно ясно определены.
8 Недостаткок: ограниченная выразимость, так как существует большое число факторов, которые тяжело или даже невозможно выразить средствами исчисления предикатов. основой большинства языков логического представления знаний является язык Пролог.
9 Существуют три основные вида логического вывода: 1. дедукция — аналитический процесс, основанный на применении общих правил к частным случаям, с выводом результата; 2. индукция – синтетические рассуждения, которые выводят правило, исходя из предпосылок и результата;
10 Существуют три основные вида логического вывода: 3. абдукция – другая форма синтетического вывода, выводящая предпосылки из правила и результата. Она заключается в нахождении объяснений для наблюдаемых фактов. Существование различных объяснений одного и того же эффекта – основная черта абдуктивного вывода.
11 1. Правило (главная посылка) 2. Факт (второстепенная посылка) 3. Цель (вывод) Дедукция: Логический вывод, заключающийся в выведении цели 3 из посылок 1 и 2.
12 1. Правило (главная посылка) 2. Факт (второстепенная посылка) 3. Цель (вывод) Индукция: Логический вывод, при котором предполагается, что между двумя известными фактами – второстепенной посылкой 2 и выводом 3 – существует главная посылка 1. Т.к. 1 – аксиома или общий принцип, то индукция — это вывод существования общего принципа между двумя отдельными фактами.
13 1. Правило (главная посылка) 2. Факт (второстепенная посылка) 3. Цель (вывод) Индукция: Для подтверждения правильности вывода на основе индукции необходимы проверки под разными углами зрения. Верен ли общий принцип, полученный с помощью индукции?
14 1. Правило (главная посылка) 2. Факт (второстепенная посылка) 3. Цель (вывод) Абдукция: Логический вывод, при котором предполагается, что между известными – главной посылкой 1 и выводом 3 – существует второстепенная посыл- ка 2. Это вывод второстепенной посылки 2 на основании главной посылки 1 и цели 3.
15 Перспективные области применения абдукции: Диагностика в области медицинских диагнозов кандидатами в абдуктивные объяснения являются возможные заболевания, а наблюдениями являются симптомы заболеваний. Например,
16 Перспективные области применения абдукции: Распознавание графических объектов объяснениями являются объекты распознавания, а наблюдениями – описание изображения в поле зрения. Например,
17 Перспективные области применения абдукции: Обработка естественных языков в обработке естественных языков для интерпретации неоднозначных предложений. Здесь абдуктивными объяснениями являются различные варианты понимания таких предложений
18 Перспективные области применения абдукции: Планирование планируемые действия можно трактовать как объяснения целевого состояния, которое должно быть достигнуто.
20 Продукционные модели широко используются в системах представления знаний. Предложены Постом в 1943 г. В 1972 году были применены в системах ИИ, получив свое развитие в последующие годы.
21 Продукционные модели являются развитием логических моделей в направлении эффективности представления и вывода знания. Реализация продукционных моделей – язык Пролог (механизм обратного вывода)
22 Продукционные модели могут быть реализованы процедурно декларативно
23 Продукционные модели – это набор правил вида «условие – действие», где условиями являются утверждения о содержимом некой базы данных, а действия представляют собой процедуры, которые могут изменять содержимое БД.
24 Основные компоненты продукционных систем 1. БД; 2. некоторое число продукционных правил или просто продукций;
25 Каждая продукция состоит из: 1. условий (антецедент); в этой части определяются некоторые условия, которые должны выполняться в БД для того, чтобы были выполнены соответствующие действия;
26 Каждая продукция состоит из: 2. действий (консеквент); эта часть содержит описание действий, которые должны быть совершены над БД в случае выполнения соответствующих условий. В простейших продукционных системах они только определяют, какие элементы следует добавить (или удалить) в БД.
27 Каждая продукция состоит из: 3. интерпретатора последовательно определяет какие продукции могут быть активированы в зависимости от условий, в них содержащихся; выбирает одно из применимых в в данной ситуации правил продукций; выполняет действие из выбранной процедуры
28 1. В качестве решателей или механизмов выводов. Применение продукционных моделей 2. Для областей знаний, о которых располагают только некоторым набором независимых правил (эвристик).
29 Преимущества продукционной модели Независимость продукции и легкость модификации БД; Строгость, изученность механизма логического вывода; Асинхронность и параллелизм функционирования, что дает возмож-ность использовать параллельные вычисления.
30 Недостатки продукционной модели Неясность взаимных отношений продукций; Сложность выявления противоречий; Неуниверсальность (не любое знание удобно представить в виде продукции).
Источник
Представление знаний – основа интеллектуальных систем
Описание презентации по отдельным слайдам:
Описание слайда:
Представление знаний – основа интеллектуальных систем
Лекция 15
Информатика
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
2
Представление знаний в системах искусственного интеллекта
Основной особенностью интеллектуальных систем является то, что они основаны на знаниях, а вернее, на некотором их представлении.
Знания здесь понимаются как хранимая информация, формализованная в соответствии с некоторыми правилами, которую ЭВМ может использовать при логическом выводе по определенным алгоритмам.
Наиболее фундаментальной и важной проблемой является описание смыслового содержания проблем самого широкого диапазона, т.е. должна использоваться такая форма описания знаний, которая гарантировала бы правильную обработку их содержимого по некоторым формальным правилам. Эта проблема называется проблемой представления знаний.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
3
Отличие знаний от данных
Более структурированы и связны, т.е. самое важное в знаниях не сами данные, а связи между ними
Более самоинтерпретируемы
Отвечают не только на вопросы «что», «кто», «где», «когда», но и на вопросы «как» и «почему»
Субъективны в отличие от объективности данных
Могут быть противоречивы, не полны и не точны
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
4
Методы представления знаний
В настоящее время наиболее используемые подходы к представлению знаний в интеллектуальных системах:
Методы инженерии знаний, ориентированные на формализацию знаний:
логические модели, в том числе продукционные;
семантические сети;
фреймы;
Методы, ориентированные на обучение:
нейронные сети;
байесовские сети (условные вероятности)
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
5
Другая классификация методов представления знаний
Логические
Эвристические
Нейронные сети
Вероятностные
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
6
Логические
Логика предикатов 1-го порядка
Модальные логики
Нечеткие логики
Псевдофизические логики
Дескрипторная логика
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
7
Эвристические
Правила-продукции
Семантические сети
Фреймы
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
8
Продукционная модель
Продукционные правила — наиболее простой способ, представления знаний. Он основан на представлении знаний в форме правил, структурированных в соответствии с образцом «ЕСЛИ — ТО». Часть правила «ЕСЛИ» называется посылкой, а «ТО» — выводом или действием. Правило в общем виде записывается так:
ЕСЛИ A1, A2, . An, ТО В.
Такая запись означает, что «если все условия от A1 до Аn являются истинными, то В также истинно» или «когда все условия от А1 до Аn выполняются, то следует выполнить действие В».
Рассмотрим правило
ЕСЛИ (1) у является отцом х
(2) z является братом у
ТО z является дядей х
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
9
Продукционная модель (2)
Знания, представленные в интеллектуальной системе, образуют базу знаний.
В интеллектуальную систему входит также механизм выводов, который позволяет на основе знаний, имеющихся в базе знаний, решать задачи, для которых построена система, и получать новые знания.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
10
Продукционная модель (пример)
Положим, что в базе знаний вместе с описанным выше правилом содержатся и такие знания:
ЕСЛИ (1) z является отцом х
(2) z является отцом у
(3) х и у не являются одним и тем же человеком
ТО х и у являются братьями
Иван является отцом Сергея
Иван является отцом Павла
Сергей является отцом Николая
Следовательно Павел является дядей Николая
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
11
Интеллектуальная система, основанная на знаниях включает в себя:
Базу знаний:
Формализованные знания, упорядоченные и закреплённые на материальном носителе
Формализованные метазнания, включая знания о достоверности источников знаний
Программное обеспечение, обеспечивающее:
доступ к знаниям
пополнение знаний (обучение)
использование знаний для решения практических задач
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
12
Семантическая сеть
Семантическая сеть — иной подход к представлению знаний, который основан на изображении понятий (сущностей) с помощью точек (узлов) и отношений между ними с помощью дуг на плоскости.
Семантические сети способны отображать структуру знаний во всей сложности их взаимосвязей, увязать в единое целое объекты и их свойства.
В качестве примера может быть приведена часть семантической сети, относящейся к понятию «фрукты».
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
13
Семантическая сеть (пример)
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
14
Фреймы
Фреймовая система имеет все свойства, присущие языку представления знаний, и одновременно являет собой новый способ обработки информации.
Слово «фрейм» в переводе с английского языка означает «рамка».
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
15
Фреймы (2)
Фрейм является единицей представления знаний об объекте, которую можно описать некоторой совокупностью понятий и сущностей.
Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов, называемых слотами.
Каждый слот, в свою очередь, представляется определенной структурой данных, процедурой, или может быть связан с другим фреймом.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
16
Фреймы (пример)
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
17
Особенности машинного представления знаний
Внутренняя интерпретируемость. Обеспечивается наличием у каждой информационной единицы своего уникального имени, по которому система находит ее для ответа на запросы, в которых это имя упомянуто.
Структурированность. Информационные единицы должны обладать гибкой структурой, для них должен выполняться «принцип матрешки», т.е. вложенности одних информационных единиц в другие, должна существовать возможность установления соотношений типа «часть — целое», «род — вид», «элемент — класс» между отдельными информационными единицами.
Связность. Должна быть предусмотрена возможность установления связей различного типа между информационными единицами, которые бы характеризовали отношения между информационными единицами. Эти отношения могут быть как декларативными (описательными), так и процедурными (функциональными).
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
18
Особенности машинного представления знаний (2)
Семантическая метрика. Позволяет устанавливать ситуационную близость информационных единиц, т.е. величину ассоциативной связи между ними. Такая близость позволяет выделять в знаниях некоторые типовые ситуации, строить аналогии.
Активность. Выполнение действий в интеллектуальной системе должно инициироваться не какими-либо внешними причинами, а текущим состоянием представленных в системе знаний. Появление новых фактов или описание событий, установление связей должны стать источником активности системы.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
19
Формализм как средство представления знаний
Формализм – это формальная система, используемая в качестве средства представления знаний
Формализм включает:
языковой (изобразительный) компонент
алфавит и синтаксис
процедурный (алгоритмический, вычислительный) компонент
аксиоматика и продукционные правила, модели рассуждений над знаниями
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
20
Моделирование рассуждений
Рассуждение — один из важнейших видов мыслительной деятельности человека, в результате которого он формулирует на основе некоторых предложений, высказываний, суждений новые предложения, высказывания, суждения.
Действительный механизм рассуждений человека остается пока недостаточно исследованным.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
21
Моделирование рассуждений (2)
Человеческим рассуждениям присущи:
неформальность,
нечеткость,
нелогичность,
широкое использование образов, эмоций и чувств, что делает чрезвычайно трудными их исследование и моделирование.
К настоящему времени лучше всего изучены логические рассуждения и разработано много механизмов дедуктивных выводов, реализованных в различных интеллектуальных системах, основанных на представлении знаний с помощью логики предикатов 1-го порядка
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
22
Исчисление предикатов первого порядка
применяется
в диагностических и советующих экспертных системах (ЭС)
в системах компьютерного перевода текстов
для реализации символьных преобразований
аналитическое решение уравнений
аналитическое упрощение выражений
аналитическое интегрирование и дифференцирование и т.п.
в качестве метаязыка
в системах, требующих определения специализированных формальных систем для представления специфических знаний
программная реализация
непроцедурный язык программирования Prolog
оболочки ЭС
автоматизация обучения проблематична
как правило, формализация знаний выполняется человеком – инженером по знаниям
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
23
Логика предикатов 1-го порядка
Предикат — это конструкция вида P(t1,t2. tn), выражающая какую-то связь между некоторыми объектами или свойствами объектов. Обозначение этой связи или свойства, Р, называют «предикатным символом»; t1,t2. tn обозначают объекты, связанные свойством (предикатом) Р и называют термами.
Термы могут быть только трех следующих типов:
1) константа (обозначает индивидуальный объект или понятие);
2) переменная (обозначает в разное время различные объекты);
3) составной терм – функция f(t1,t2. tn), имеющая в качестве своих аргументов m термов t1,t2. tn.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
24
Логика предикатов 1-го порядка (пример)
1. Предложение «Волга впадает в Каспийское море» можно записать в виде предиката
впадает (Волга, Каспийское море).
«Впадает» — предикатный символ; «Волга» и «Каспийское море» — термы-константы. Мы могли обозначить отношение «впадает» и объекты «Волга» и «Каспийское море» символами.
Вместо термов-констант можно рассматривать переменные:
впадает (Х, Каспийское море)
или
впадает (X,Y).
Это тоже предикаты.
2. Отношение х + 1 25 слайд
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
25
Логика предикатов 1-го порядка.
Формальная (логическая) система
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
26
Логика предикатов 1-го порядка
F(x1, x2 … xn) — предикат (логическая функция),
xi — переменная предметной области,
n — арность предиката.
f(x1, x2 … xm) — функция, определенная на области определения xi.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
27
Логика предикатов 1-го порядка
Формула состоит из предикатов, логических связок &, V, ¬, и кванторов всеобщности и существования
Импликация
Из истинности F1(x1) следует истинность F2(x2).
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
28
Логика предикатов 1-го порядка
Для всех x предикат F(x) истинен
Существует хотя бы одно такое значение x, при котором предикат F(x) истинен
x — связанная, y — свободная переменные
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
29
Логика предикатов 1-го порядка
Для всех x предикат F(x) истинен
Существует хотя бы одно такое значение x, при котором предикат F(x) истинен
x — связанная, y — свободная переменные
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
30
Логика предикатов 1-го порядка
Интерпретация
F(x) — свойство объекта x,
зеленый(кузнечик), высокий(столб),
F(x,y) — отношение между объектами x и y,
отец(Иван, Петр), учится(Иванов, НГТУ),
над(облако, земля), выше(башня, дерево),
на_территории(Россия, Байкал).
Решение задачи – логический вывод (доказательство целевого предиката) методом резолюции (доказательство от противного)
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
31
Пример 1 программы на Прологе – языке логического программировния
PREDICATES
bird(symbol)
parent(symbol,symbol)
CLAUSES
bird(sparrow). // Воробей – это птица.
bird(X):–parent(Y,X), bird(Y).// X – это птица,
//если у него есть родитель,
//который является птицей.
parent(sparrow,nestling).// Воробей – родитель
// птенца.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
32
Пример 2 программы на Прологе
DOMAINS
name=symbol
PREDICATES
father (name, name)
everybody
CLAUSES
father (“Павел”, “Петр”).
father (“Петр”, “Михаил”).
father (“Петр”, “Иван”).
everybody:- father (X, Y), write (X, “это отец ”, Y, “а”), nl, fail.
GOAL
everybody.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
33
Недостатки логики предикатов
1-го порядка
— монотонность логического вывода, т.е. невозможность пересмотра полученных промежуточных результатов (они считаются фактами, а не гипотезами);
— невозможность применения в качестве параметров предикатов других предикатов, т.е. невозможность формулирования знаний о знаниях;
— детерминированность логического вывода, т.е. отсутствие возможности оперирования с нечеткими знаниями.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
34
Традиционное решение задачи принадлежности множеству
Основано на законах логики, которые, в свою очередь, опираются на два предположения:
для любого элемента и множества элемент либо является членом множества, либо принадлежит дополнению этого множества;
закон исключения третьего — элемент не может одновременно принадлежать множеству и его дополнению.
Классическая теория множеств базируется на булевой, двухзначной логике. Принадлежность объекта к классу а А может принимать значения ИСТИНА, если объект а входит в множество А, или ЛОЖЬ — в противоположном случае. После появления понятия «нечеткие множества», обычные множества стали также называть «жесткими».
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
35
Проблема нечеткой принадлежности
В реальных ситуациях редко встречаются объекты, которые точно соответствуют той или иной категории или классу. У конкретного экземпляра часть признаков может присутствовать, а другая часть отсутствовать. Таким образом, принадлежность этого объекта к какому-либо классу является размытой.
Для формирования суждений о подобных категориях и принадлежащих к ним объектов Лофти Заде (Zadeh) предложил теорию нечетких множеств. Этот формализм нарушает оба предположения классической теории «четких» множеств. Для вычислений на нечетких множествах используется аппарат нечеткой логики, позволяющей использовать понятие неопределенности в логических вычислениях.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
36
Формальное определение нечеткого множества
Нечеткое множество определяется через некоторую базовую шкалу B и функцию принадлежности НМ — (x), xB, принимающую значения на интервале [0..1]. Таким образом, нечеткое множество B — это совокупность пар вида (x, (x)), где xB.
Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому НМ. Эту функцию не стоит путать с вероятностью, носящей объективный характер и подчиняющейся другим математическим зависимостям.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
37
Понятие «лингвистической переменной»
В нечеткой логике вводится понятие лингвистической переменной, значениями которой являются не числа, а слова естественного языка, называемые термами. Например, лингвистическая переменная «скорость» может иметь значения «высокая», «средняя», «очень низкая» и т. д. Фразы, значение которых принимает переменная, в свою очередь, являются именами нечетких переменных. Значения лингвистической переменной (ЛП) определяются через нечеткие множества (НМ), которые, в свою очередь, определены на некотором базовом наборе значений или базовой числовой шкале, имеющей размерность. Каждое значение ЛП определяется как нечеткое множество (например, НМ «низкий рост»).
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
38
Формирование НМ «Дорогой автомобиль»
Рассмотрим нечеткую категорию «дорогой автомобиль». В классической теории множество А «дорогих автомобилей» можно сформировать либо перечислением конкретных представителей данного класса, либо введя в рассмотрение характеристическую функцию f, такую, что для любого объекта X:
f(X) = ИСТИНА тогда и только тогда, когда X A.
Например, эта функция может отбирать только те автомобили, цена которых более 50 000 евро:
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
39
Продолжение
Используя предикат CAR(X) и функцию PRICE(X), можно сформировать множество, элементами которого являются только те элементы множества CAR, цена которых превышает 50000 евро:
< X CAR | PRICE (X) >50000 >.
Представляя все множество «дорогих» автомобилей, интуитивно кажется, что границы этого множества должны быть размыты, а принадлежность элементов этому множеству может быть каким либо образом ранжирована.
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
40
Продолжение
Можно сказать, что каждый элемент (автомобиль) множества «дорогих автомобилей» более или менее типичен для данной категории. Следовательно, с помощью некоторой функции можно выразить степень принадлежности элемента к множеству. Если для объекта X функция (X) = 1, то этот объект определенно является членом множества, а если для него (X) = 0, то он определенно не является членом множества. Все промежуточные значения (X) выражают степень принадлежности к множеству. В примере с автомобилями требуется функция, оперирующая с ценой. Ее можно определить таким образом, что fExp(30000) = 0 и fExp(40000) = 1, а все промежуточные значения представляются некоторой монотонной кривой, имеющей значения в интервале [0, 1]
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
41
Пример лингвистической переменной «Возраст»
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
42
Логический вывод в нечеткой логике
При решении задач используя нечеткую логику надо в процессе логического вывода продвигать оценку нечеткости к полученному решению.
При этом для каждого промежуточного решения (доказанного предиката) вычисляется значение достоверности (функции принадлежности), используя аналоги операций дизъюнкции и конъюнкции
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
43
Нечеткие логические операции в нечеткой логике
Аналоги операций конъюнкции и дизъюнкции в нечеткой логике имеют следующие определения:
fF G(X) = min(fF(X), fG(X)),
fF G(X) = max(fF(X), fG(X)).
F(X) = 1 – F(X),
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
44
Формализм условных вероятностей
применяется
в спам-фильтрах
в диагностических ЭС
если для объекта характерна неполнота или недостаточная достоверность данных
программная реализация
Bayes Net Learner
обучение легко поддаётся автоматизации
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
45
Нейронные сети
применяются для решения задач:
краткосрочного экономического прогнозирования
в т.ч. для прогнозирования курсов ценных бумаг, валют, оценки рисков кризисов
распознавания образов
освобождения информационного сигнала от помех
программная реализация
OWL
VieNet
NeuroPro
обучение поддаётся автоматизации
но требует больших вычислительных ресурсов
Нейронные сети
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
46
Нейронная сеть
Многослойная нейронная сеть
Прямого распространения
Модель нейрона
Все задачи, решаемые нейронной сетью, можно свести к следующим:
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
47
Методы решения задач
Поиск в пространстве состояний
Поиск в глубину
Поиск в ширину ,
Различные эвристики
Логический вывод
Метод резолюции,
Унификация,
Прямой вывод,
Обратный вывод
Ассоциативный поиск
В нейронных сетях
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
48
Методы решения задач (2)
Вероятностный вывод
Байесовкие сети
Цепи Маркова
Сопоставление (Matching) описания или образа (pattern) с хранимыми в базе знаний
Структурное (syntactic)
Параметрическое
Семантическое
Детерминированное
Нечеткое
С использованием контекста
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
49
Методы решения задач (3)
Все методы решения задач могут рассматриваться как поиск знания, релевантного некоторому паттерну (цели, запросу, входному образу, полученному от сенсоров и т.п.)
Это объясняется происхождением всех методов решения задач от обработки входной сенсорной информации нашим мозгом
Формальные знания и логическая обработка информации основаны на абстрагировании (классификации, кластеризации), т.е. сжатии информации, содержащейся в конкретных образах (сенсорных)
Описание слайда:
Гаврилов А.В. НГТУ, каф. АППМ
50
Литература
http://www.insycom.ru
А.В. Гаврилов. Системы искусственного интеллекта. Уч. пособие, ч. 1. – Новосибирск, НГТУ, 2000, 2001. – 162 с.
А.В. Гаврилов. Системы искусственного интеллекта. Метод. указания для заочников АВТФ – Новосибирск, НГТУ, 2003.
А.В. Гаврилов. Гибридные интеллектуальные системы. – Новосибирск: НГТУ, 2003.
Т.А. Гаврилова, В.Ф. Хорошевский. Базы знаний интеллектуальных систем. – СПБ: Питер, 2000.
Джексон П. Введение в экспертные системы. – М., СпБ., Киев: «Вильямс», 2001.
Дж.Ф. Люгер. Искусственный интеллект: стратегии и методы решения сложных проблем. – М.: «Вильямс», 2003.
Н.Г. Ярушкина. Основы теории нечетких и гибридных систем. – М.: Финансы и статистика, 2004.
Р. Каллан Основные концепции нейронных сетей. – М.: «Вильямс», 2001.
В.В. Круглов, В.В. Борисов. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия-Телеком, 2001.
Д. Уотерман. Руководство по экспертным системам. – М.: Мир, 1989.
Если Вы считаете, что материал нарушает авторские права либо по каким-то другим причинам должен быть удален с сайта, Вы можете оставить жалобу на материал.
Источник