Представление знаний в экспертных системах




 

Первый и основной вопрос, который надо решить при представлении знаний, - это вопрос определения состава знаний, то есть определение того, "ЧТО ПРЕДСТАВЛЯТЬ" в экспертной системе. Второй вопрос касается того, "КАК ПРЕДСТАВЛЯТЬ" знания. Необходимо отметить, что эти две проблемы не являются независимыми. Действительно, выбранный способ представления может оказаться непригодным в принципе либо неэффективным для выражения некоторых знаний.

В круг вопросов, решаемых при представлении знаний, будем включать следующие:

- определение состава представляемых знаний;

- организацию знаний;

- представление знаний, то есть определение модели представления.

- Состав знаний ЭС определяется следующими факторами:

- проблемной средой;

- архитектурой экспертной системы;

- потребностями и целями пользователей;

- языком общения.

В соответствии с общей схемой статической экспертной системы для ее функционирования требуются следующие знания:

- знания о процессе решения задачи (то есть управляющие знания), используемые интерпретатором (решателем);

- знания о языке общения и способах организации диалога, используемые лингвистическим процессором (диалоговым компонентом);

- знания о способах представления и модификации знаний, используемые компонентом приобретения знаний;

- поддерживающие структурные и управляющие знания, используемые объяснительным компонентом.

Зависимость состава знаний от требований пользователя проявляется в следующем:

- какие задачи (из общего набора задач) и с какими данными хочет решать пользователь;

- каковы предпочтительные способы и методы решения;

- при каких ограничениях на количество результатов и способы их получения должна быть решена задача;

- каковы требования к языку общения и организации диалога;

- какова степень общности (конкретности) знаний о проблемной области, доступная пользователю;

- каковы цели пользователей.

В настоящее время основными классами моделей представления знаний в экспертных системах являются фреймы, семантические сети, продукционные модели и модели нечетких знаний.

Фрейм (англ. frame – рамка, каркас) познавательная структура, дающая целостное представление об объектах, явлениях и их типах в виде абстрактных образов для представления стереотипа восприятия.

Слоты – это структурные элементы фрейма, заполнение которых приводится к тому, что фрейм ставится в соответствие некоторой ситуации, явлению, объекту или процессу.

Имена фреймов и слотов обеспечивают интерпретируемость хранящихся во фреймах значений. Фреймы имеют свойство вложенности, т.к. значениями слота могут быть имена слотов более глубокого уровня. Значениями слотов могут быть приказы вызова процедур для активизации программ на основе имеющихся значений. Различают фреймы-образцы (прототипы), хранящиеся в БЗ, и фреймы-экземпляры, отображающие реальные ситуации на основе поступающих данных. Знания предметной области представляются фреймами-объектами, фреймами-сценариями, фреймами-ролями, фреймами-ситуациями и другие. Например, фреймами-объектами можно представить знания о веществах, процессах и аппаратах, производственных технологических схемах и так далее.

Фреймы математически представляются как ориентированные графы с помеченными вершинами и дугами. Они отражают концептуальную основу организации памяти человека, обладают наглядностью, модульностью, объединяют достоинства процедурного и декларативного представления знаний, эффективны при обработке семантической составляющей знаний.

Семантическая сеть это ориентированный граф, вершины которого представляют понятия (объекты, события, явления), а дуги изображают отношения между понятиями (например, класс – элемент класса, свойство – значение, пример элемента класса).

Основными видами семантических отношений являются лингвистические, теоретико-множественные, логические и квантифицированные. Семантические сети можно классифицировать по количеству типов отношений (однородные, неоднородные) и по типам отношений (бинарные, N – арные). Они обеспечивают наглядность отображения объектов, связей и отношений, а также гибкость представления знаний за счет ассоциативности и иерархичности. Эффективно, например, представление семантической сетью знаний о совокупности технологических операций в различных производствах.

Недостатком семантических сетей и фреймов как моделей знаний является отсутствие универсальной процедуры их обработки, а также сложность организации процедур поиска вывода, что может привести к неэффективному использованию ресурсов вычислительной техники.

Продукционная модельпозволяет представить знания в виде продукционных правил, то есть предложений типа: ЕСЛИ <перечень условий>, ТО <перечень действий >.

«Условие» - это образное предложение, по которому идет поиск в базе знаний, а «действие» - это операция, выполняемая при успешном результате поиска данных.

В зависимости от количества условий и действий в соответствующих перечнях различают следующие типы правил: простое одно условие и одно действие, составное много условий и действий, фиксирующее много условий и одно действие, разветвляющееся одно условие и много действий.

Продукционные модели (наряду с фреймами) являются наиболее распространенными средствами представления знаний (особенно в промышленных экспертных системах), так как обеспечивают простоту смысловой интерпретации, модульность, легкость корректировки и логического вывода. Применение продукционных правил способствует «прозрачности» экспертной системы, то есть ее способности к объяснению принятых решений и полученных результатов. Недостатками продукционных моделей являются трудности при добавлении правил, зависящих от уже имеющихся в базе знаний, а также при отладке программ.

Модели представления нечетких знаний используютсядля формализации человеческих знаний, описывающих качественные характеристики (например, большой, сильный, очень сильный, высокий и тому подобное.) объектов предметной области, которые могут интерпретироваться неоднозначно, но содержат важную информацию.

Теоретической основой данного представления являются нечеткая алгебра, нечеткая логика и теория нечетких множеств. Одним из основных понятий в нечеткой логике является понятие лингвистической переменной (ЛП), которая определяется как переменная, значения которой описываются набором словесных (вербальных) характеристик некоторого свойства. Совокупность значений (названий) лингвистической переменной образует так называемое терм-множество, а исходная переменная называется базовой. Различным термам могут соответствовать различные значения базовой переменной. Значения ЛП определяются через нечеткие множества, которые, в свою очередь, определены на базовой числовой шкале,имеющей размерность.

 



Поделиться:




Поиск по сайту

©2015-2024 poisk-ru.ru
Все права принадлежать их авторам. Данный сайт не претендует на авторства, а предоставляет бесплатное использование.
Дата создания страницы: 2016-08-08 Нарушение авторских прав и Нарушение персональных данных


Поиск по сайту: