И методы интеллектуальной поддержки процессов принятия решений



страница3/7
Дата01.06.2016
Размер2.34 Mb.
ТипУчебное пособие
1   2   3   4   5   6   7

ЕСЛИ <посылка> ТО <заключение>,
называемой продукционным правилом.

Первая часть правила (<посылка>) называется антецедентом, вторая (<заключение>) консеквентом. Антецедент состоит из элементарных предложений (высказываний), соединенных логическими связками И и выражающих условия срабатывания правила. Консеквент включает одно или несколько предложений, описывающих выдаваемое правилом заключение в виде некоторых фактов и/или ссылки на определенное действие.

Правило может быть задано с коэффициентом уверенности [7, 14, 21], определяющим положительным значением меньше единицы степень адекватности вывода правила (консеквента) условиям его срабатывания (антецеденту). Другими словами, коэффициент уверенности правила определяет степень близости его к точной логической конструкции, для которой его значение принимается равным единице. Коэффициент уверенности может быть задан в скобках в конце правила.

С коэффициентами уверенности могут задаваться и факты антецедента, в достоверности которых существует определенная доля сомнения.

При организации базы знаний антецеденты и консеквенты продукционных правил могут представляться совокупностью пар <атрибут, значение> или троек <атрибут, объект, значение>. Это приводит к экономии числа задействованных переменных. Однако надо заметить, что использование троек усложняет процесс формирования правил и алгоритм вывода.

Представление знаний продукционными правилами обладает следующими преимуществами:


  • модульность;

  • единообразие структуры (возможность построения и использования оболочек);

  • естественность (имитация рассуждений эксперта);

  • гибкость иерархии понятий с точки зрения внесения изменений.

Вместе с тем данному представлению присущи и некоторые недостатки:

  • громоздкость процесса вывода, связанная с проверкой условий применимости правил;

  • сложность управления процессом вывода;

  • отсутствие наглядности представления иерархии понятий.

Если с точки зрения отмеченных достоинств и недостатков сопоставить продукционные правила с другими формами представления знаний, например, такими как иерархические структуры фреймов и семантические сети, то можно сделать следующие выводы.

Отмеченные преимущества продукционных правил неоспоримы, хотя создавать и настраивать на конкретные предметные области можно и оболочки СОЗ, использующие фреймовые структуры или семантические сети [16]. Но это оказывается сложнее с точки зрения программной реализации, а главное, затрудняет процесс формализации конкретных знаний на инфологическом уровне. В продукционной системе (системе, базирующейся на продукционных правилах) для этого удобно используется дерево решений, которое к тому же существенно компенсирует недостаток продукционных правил, связанный с отсутствием наглядности представления иерархии понятий.

Что касается громоздкости процесса вывода на продукционных правилах и сложности управления им, то эти проблемы также решаются, например путем учета статистики срабатывания правил, организации распределенной структуры базы правил и использования других доступных приемов.

Труднее компенсировать отсутствие у продукционных систем явного компактного представления иерархических связей понятий и наследования по умолчанию значений слотов путем ссылок на прототипы, характерных для фреймовых структур и семантических сетей.

В пользу продукционной модели представления знаний говорит и то, что она хорошо согласуется с представлением задач в пространстве состояний, характерным для целевого назначения многих интеллектуальных систем.

В системе интеллектуальной поддержки продукционного типа процесс поиска решений реализуется как логический вывод, основанный на сопоставлении по образцу. При этом состояние процесса вывода (процесса поиска решения) определяется содержимым рабочей памяти базы знаний, а роль операторов, переводящих систему из одного состояния в другое, выполняют продукционные правила.


ВОПРОСЫ И ЗАДАНИЯ ДЛЯ САМОКОНТРОЛЯ


  1. В чем состоит принципиальное отличие знаний от данных?

  2. Какие основные свойства знаний отличают их от данных?

  3. Перечислите традиционные формы представления знаний.

  4. Как Вы оцениваете логические модели представления и интерпретации знаний, основанные на исчислениях, с точки зрения их применения для решения практических задач?

  5. В чем состоит суть семиотической формальной системы?

  6. Что представляет собой семантическая сеть?

  7. Что представляет собой фрейм?

  8. Каковы достоинства и недостатки сетевых моделей представления знаний?

  9. Что представляет собой продукционное правило?

  10. Можно ли с помощью продукционных правил описывать нечеткую логику? Если можно, то как?

  11. Дайте сравнительную оценку моделей продукционного типа и сетевых моделей представления знаний.



  1. ПОСТРОЕНИЕ БАЗЫ ЗНАНИЙ

Многогранность классификации знаний, сложность и специфичность их выявления в различных предметных областях обусловливают плохую структурированность и цикличность процесса построения базы знаний. Тем не менее можно выделить нечто общее, определяющее методологию построения базы знаний в целом.

Циклический процесс построения базы знаний складывается из следующих этапов:


  • исследование и описание предметной области;

  • организация модели представления и формализация знаний;

  • приобретение знаний.


5.1. Исследование и описание предметной области
На данном этапе выполняется следующее:

  • определяется класс решаемых задач (целевое назначение системы);

  • выделяются объекты предметной области и устанавливаются связи между ними;

  • выявляются особенности предметной области.

Целевое назначение системы должно быть определено точно, достаточно полно и непротиворечиво. Например, от системы диагностики неисправности автомобиля можно потребовать получение ответов на следующие вопросы:

  1. Исправен ли автомобиль? Если нет, то что именно неисправно?

  2. Как устранить неисправность?

  3. Следует ли обратиться для устранения неисправности на станцию технического обслуживания?

  4. Как предупредить подобную неисправность в будущем?

Целевое назначение системы обычно детализируется в виде иерархической структуры: задачи, подзадачи, подподзадачи и т.д. Цели каждого уровня иерархии представляют собой часть некоторой общей цели или одно из возможных направлений поиска.

Например, исходную задачу «Исправен ли автомобиль?» можно разбить на подзадачи:



  1. Исправна ли система питания?

  2. Исправна ли система зажигания?

  3. Исправна ли система охлаждения?

  4. Исправна ли тормозная система?

и т.д. Это нисходящий метод описания — от абстрактного (общего) к конкретному.

При определении и структуризации целевого назначения системы используют то или иное представление задач, исходя, как правило, из двух основных критериев:



  • достаточно точное отражение реальности (адекватность модели);

  • удобство работы с данным представлением.

Среди известных типов представления задач можно выделить следующие.

Перечисляющее представление. Базируется на рассмотрении множества возможных решений с использованием определенного правила их оценки. Это представление основано на методе слепого порождения пробных решений до тех пор, пока не будет получено приемлемое решение. Каждый последующий шаг не зависит от результатов предыдущего и не отслеживает направление на цель. В качестве примера можно привести перечисляющее представление оптимизационной задачи, решаемой методом Монте-Карло.

Представление в пространстве состояний. Предполагает существование счетного множества S состояний и множества О операторов, отображающих состояния множества S в себя. Процесс поиска решения представляет собой передвижение в пространстве состояний с целью достижения желаемого множества состояний. Задача считается решенной, если найдена последовательность операторов

О *= о1, о2, ... , ок ,
порождающая s* = окк-1( ... (о21(so))) ... )) ,

где s* некоторое состояние из множества целевых состояний;

so некоторое состояние из множества начальных состояний.

Удобно графовое представление задач в пространстве состояний, в котором узлам (вершинам) графа соответствуют состояния, а ребрам (дугам) — операторы. Оно отличается наглядностью, естественностью обобщения задачи на случай учета стоимости выполнения операторов (взвешенный граф), а также возможностью во многих случаях выбирать каждый последующий шаг как результат сравнения целевого и текущего состояний.

В качестве примера опять можно взять оптимизационную задачу, но решаемую с помощью последовательного алгоритма поисковой оптимизации. Множеству состояний в этом случае соответствует множество точек пространства варьируемых переменных. Функции операторов, переводящих процесс поиска из одного состояния в другое, выполняют базовые оптимизационные процедуры, заложенные в алгоритме.

Иерархическое представление. Оперирует деревом задачи, которое каждой подзадаче определенного уровня иерархии ставит в соответствие совокупность ее И-подзадач либо ИЛИ-подзадач следующего (более низкого) уровня иерархии. Это означает, что для решения исходной подзадачи необходимо решить все ее И-подзадачи либо одну из ИЛИ-подзадач. В процессе поиска решения каждый узел дерева, начиная с листьев, помечается как решенная задача. Узлы, для которых какая-нибудь ИЛИ-подзадача либо все И-подзадачи решены, помечаются как решенные. Процесс поиска продолжается до тех пор, пока не будет помечен корень дерева, т.е. решена исходная задача.

Комбинированное представление. Использует различные типы представлений. Например, иерархическое представление задачи может быть полезно для представления ее глобальных аспектов. Для решения более специфических задач целесообразно использовать пространство состояний или перечисляющее представление.

Для систем продукционного типа характерно представление задач в пространстве состояний. Вместе с тем при структуризации задач, например с целью создания распределенной базы правил, может быть использовано и иерархическое представление.

Следующим шагом после определения и структуризации целевого назначения системы является выделение объектов предметной области и установление связей между ними. Эта фаза исследования и описания предметной области в наибольшей степени зависит от содержания предметной области и специфики рассматриваемых для нее задач. В качестве способов определения базовых понятий предметной области можно использовать введение их посредством интенсионала или экстенсионала [21].

Интенсионал понятия реализует аналитический подход к его определению через абстракции более высокого уровня с указанием специфических свойств. Например, интенсионал понятия «дерево» — «многолетнее растение с твердым стволом и отходящими от него ветвями, образующими крону».

В отличие от интенсионала, экстенсионал использует синтетический метод определения понятия путем перечисления его конкретных примеров, т.е. понятий более низкого уровня абстракции. Например, экстенсионал того же понятия «дерево» — «береза, дуб, сосна, рябина, яблоня и т.д.».

Совокупность выделенных объектов (понятий) предметной области должна быть достаточно полной с точки зрения класса рассматриваемых задач и непротиворечивой. Связи между объектами должны быть выявлены по возможности все.

В качестве особенностей предметной области можно рассматривать:



  • перекрытие некоторых признаков (фактов) другими;

  • скачкообразное изменение отдельных признаков (в зависимости от внешних условий);

  • трудность или невозможность анализа ряда признаков;

  • вероятность сбоев используемого оборудования.



    1. Организация модели представления
      и формализация знаний

Любое «осмысленное» поведение искусственной системы в условиях реального мира требует наличия у нее определенным образом организованной модели этого мира. В надежной и гибкой ЭС в основе такой модели, очевидно, должны лежать различные виды представления знаний: продукционные правила, фреймовые структуры, семантические сети.

Процесс формализации знаний может быть упрощен путем разбиения их на классы в соответствии с иерархией целей (задач). При этом способ организации знаний, состав классов, вид структуры зависят от того, с какой точки зрения рассматривается предметная область. Можно выделить три вида иерархии в зависимости от точки зрения на предметную область:


  • структурная иерархия;

  • причинно-следственная иерархия;

  • функциональная иерархия.

С точки зрения структурной иерархии, например, автомобиль рассматривается как совокупность иерархически организованных физических компонентов (агрегатов, узлов, деталей). При этом поиск неисправности автомобиля можно осуществлять путем последовательной замены агрегатов, узлов, деталей. Такой метод локализации неисправности не требует никаких специальных знаний об устройстве и функционировании автомобиля. Он базируется на поверхностных знаниях (знаниях только о том, как разобрать и собрать автомобиль).

Причинно-следственная иерархия лежит в основе модели поведения системы. Например, поворот ключа в замке зажигания автомобиля должен привести к включению определенных контрольных приборов. Если этого не происходит, необходимо перейти к следующему уровню иерархии и проверить исправность аккумулятора, приборов и т.д. Очевидно, что причинно-следственная иерархия базируется на знаниях более глубокого уровня.

Функциональная иерархия связана с самым высоким уровнем абстракции, когда объект рассматривается как совокупность систем, подсистем и модулей, выполняющих определенные функции. Например, в функциональную иерархию автомобиля входят система зажигания, система питания, система охлаждения, тормозная система и т.д. В свою очередь, система зажигания включает подсистему (цепь) низкого напряжения и высоковольтную цепь и т.д. Очевидно, что функциональная иерархия базируется на глубинных знаниях.

Модель представления знаний необходима для перехода от содержательного описания предметной области к форме, допускающей включение этого описания в базу знаний.




    1. Приобретение знаний

Знания системы могут формироваться на основе:



  • рекомендаций эксперта;

  • аналогий;

  • примеров;

  • наблюдений, открытий и экспериментов;

  • умозаключений на базе глубинных представлений.

Неавтоматизированный сбор знаний экспертов – это трудоемкий процесс, плохо структурированный и носящий циклический характер. Одна его итерация состоит в получении от эксперта максимального количества знаний о каком-либо фрагменте предметной области и анализ их на непротиворечивость.

Для ускорения процесса накопления знаний и придания ему комфортного характера необходима разработка специального программного интерфейса приобретения знаний от эксперта. При создании такого интерфейса важно правильно определиться с языком описания знаний на инфологическом (содержательном) уровне. С одной стороны, этот язык должен быть достаточно формален, нагляден и удобен для эксперта; он должен позволять эксперту использовать свою терминологию на естественном языке. С другой стороны, этот язык не должен создавать проблем компьютеру с его распознаванием и интерпретацией, как, например, естественный язык.

Указанным требованиям при описании знаний продукционного типа на инфологическом уровне в достаточной степени удовлетворяет традиционное дерево решений [13, 17]. Это бинарная древовидная структура с вершинами двух типов:


  • вершины условий (типа «овал»), из которых могут исходить только две ветви (одна – по «Да», другая – по «Нет»);

  • вершины выводов (типа «прямоугольник»), имеющие единственный выход (обязательно на вершину условия) для промежуточных выводов и не имеющие выхода (не продолжающие логику рассуждений) в случае окончательного вывода.

Каждая вершина условия содержит некоторое высказывание, которое может принимать значения «Истина» или «Ложь» (соответствует выходам по «Да» или «Нет»). Вершина вывода содержит одно или несколько предложений, описывающих некоторое промежуточное или окончательное заключение в виде набора фактов или ссылок на определенные действия. Корень дерева обозначается как вершина условия (овал), содержащая высказывание, с которого начинается процесс логических рассуждений.

В качестве примера на рис. 3 дано представление в виде дерева решений фрагмента знаний из области диагностики неисправности автомобиля.

Таким образом, дерево решений представляет собой структуру, описывающую логику рассуждений в предметной области. Для описания структурированных (с целью сужения пространства поиска) знаний может использоваться не одно, а несколько деревьев решений.

Можно построить алгоритм, способный по описанию дерева решений в графическом или символьном (например, с помощью операторов типа IF THEN ELSE) виде генерировать эквивалентный ему набор продукционных правил. Принцип формирования правил заключается в следующем. В определенном порядке просматриваются все цепочки дерева, включающие следующие подряд:


  • вершины-овалы до ближайшей вершины-прямоугольника, начиная с вершины-овала корня дерева;

  • вершину-прямоугольник промежуточного вывода и следующие за ней вершины-овалы до ближайшей вершины-прямоугольника.

В первом случае высказывания вершин-овалов с логическими связками И заносятся в антецедент правила, а содержимое ближайшей вершины-прямоугольника (оборвавшей цепочку следующих подряд овалов) – в консеквент. Во втором случае в антецедент заносятся соединенные логическими связками И факты из вершины-прямоугольника, с которой начинается цепочка, и следующих за ней вершин-овалов до ближайшей вершины-прямоугольника. Содержимое последней заносится в консеквент правила.

В качестве примера приведем два правила из числа сгенерированных для фрагмента знаний, представленного на рис. 3:



ЕСЛИ Двигатель = не заводится И Искра = есть ТО Неисправна = система питания

ЕСЛИ Неисправна = система питания И Бензин = есть И Бензин в карбюратор = не поступает ТО Неисправность = в бензонасосе

Рассмотренная структура дерева решений обладает следующими недостатками. Во-первых, она не ориентирована на описание нечеткой логики рассуждений эксперта. Во-вторых, заставляет дублировать фрагменты дерева решений в случаях прихода к ним с разных направлений.

Избавиться от указанных недостатков позволяет введение понятия графа решений [5].

Граф решений представляет собой ориентированный помеченный граф с вершинами двух типов:


  • вершины условий (типа «овал»), из которых могут исходить несколько ребер (по «Да» или «Нет» со своими коэффициентами уверенности, помечающими эти ребра);

  • вершины выводов (типа «прямоугольник»), имеющие один вход и один выход (обязательно на вершину условия) для промежуточных выводов и не имеющие выхода (не продолжающие логику рассуждений) в случае окончательного вывода.

Каждая вершина условия (вершина-овал) содержит некоторое высказывание, которое может принимать значения «Истина» или «Ложь» с различными коэффициентами уверенности (каждому коэффициенту уверенности соответствует помеченный им выход).

Вершина вывода содержит одно или несколько предложений, описывающих некоторое промежуточное или окончательное заключение в виде набора фактов или ссылок на определенные действия. Вершина вывода помечается (например, в нижнем правом углу) коэффициентом уверенности, определяющим положительным значением меньше единицы степень адекватности (правдоподобия) вывода условиям его активации.

Граф имеет одну корневую вершину-овал, содержащую высказывание, с которого начинается описание логики рассуждений. Некоторые из вершин-овалов могут иметь несколько входных ребер с разных направлений, не приводящих к появлению обратных связей (исключением является корневая вершина-овал, не имеющая ни одного входного ребра).

Таким образом, граф решений позволяет описать более глубокую, нечеткую логику рассуждений эксперта в предметной области. Для описания структурированных (с целью сужения пространства поиска) знаний может использоваться не один, а несколько графов решений.

Пример описания в виде графа решений фрагмента знаний из проблемной области представления задач в нейросетевом базисе приведен на рис. 4.

Для реализации механизмов приобретения знаний на основе аналогий, примеров, наблюдений и экспериментов скорее всего целесообразно использовать нейросетевые технологии.



Умозаключения на базе глубинных представлений в виде логических моделей, основанных на исчислениях, можно организовать посредством доказательства теорем с применением метода резолюций Робинсона [8, 16].

ВОПРОСЫ И ЗАДАНИЯ ДЛЯ САМОКОНТРОЛЯ


  1. Из каких основных этапов складывается циклический процесс построения базы знаний?

  2. Какая последовательность действий выполняется на этапе исследования и описания предметной области?

  3. Какими основными критериями руководствуются при выборе того или иного представления задач, на которые ориентируется система?

  4. Какие типы представления задач Вы знаете? В чем состоит их суть?

  5. При выделении объектов предметной области и установлении связей между ними необходимые понятия могут вводиться посредством интенсионала или экстенсионала. Чем различаются эти два способа определения понятий?

  6. Что может рассматриваться в качестве особенностей предметной области?

  7. Какие виды иерархий могут приниматься за основу при структуризации целевого назначения системы и организации модели представления знаний? В чем суть этих иерархий?

  8. Какие источники приобретения знаний Вы можете назвать?

  9. Что собой представляет дерево решений как формализм описания знаний на инфологическом уровне?

  10. Изложите основные принципы трансформации дерева решений в эквивалентный набор продукционных правил.

  11. В чем состоит суть понятия графа решений как обобщения понятия дерева решений?

  12. Какие технологии могут быть использованы для приобретения знаний на основе аналогий, примеров, наблюдений, экспериментов и умозаключений на базе глубинных представлений?



  1. Каталог: assets -> docs
    docs -> Общие положения основные интерактивные методы
    docs -> Что такое деятельностный подход в образовании? А. А. Леонтьев
    docs -> Системы обработки документов. Основные компоненты
    docs -> Добро пожаловать в ассоциацию emma!
    docs -> Добро пожаловать в ассоциацию emma
    docs -> Дистанционное обучение через Интернет
    docs -> Прикладные аспекты построения систем на основе документооборота
    docs -> Программа актуальна для топ-менеджеров, менеджеров среднего звена. Для всех, кто желает повысить свою эффективность в бизнесе


    Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7


База данных защищена авторским правом ©psihdocs.ru 2017
обратиться к администрации

    Главная страница