Способи подання знань

[ виправити ] текст може містити помилки, будь ласка перевіряйте перш ніж використовувати.

скачати

Зміст

Введення. 3
Глава 1. Способи формального подання знань. 4
1.1 Історія в інформатиці. 4
1.2 Зв'язки і структури .. 5
1.3 Мова і нотація. 7
Глава 2. Моделі подання знань. Неформальні (семантичні) моделі 9
2.1 Методи представлення знань. 9
2.2 Формальні моделі подання знань. 12
2.3 Представлення знань у вигляді правил. 14
2.4 Представлення знань з використанням фреймів. 15
2.5 Представлення знань з використанням семантичних мереж. 17
2.6 Представлення знань у вигляді нечітких висловлювань. 18
Висновок. 20


Введення

Представлення знань - питання, що виникає в Когнітологія (науці про мислення), в інформатиці і в штучному інтелекті. У Когнітологія він пов'язаний з тим, як люди зберігають і обробляють інформацію. В інформатиці - основна мета - підбір представлення конкретних і узагальнених знань, відомостей і фактів для накопичення та осмисленої обробки інформації в ЕОМ.
У Штучному інтелекті (ІІ) основна мета - навчитися зберігати знання таким чином, щоб програми могли обробляти їх і досягти подоби людського інтелекту. Дослідники ІІ використовують теорії подання знань з когнітології. Такі методи як фрейми, правила, і семантичні мережі прийшли в ІІ з теорій обробки інформації людиною. Так як знання використовується для досягнення розумної поведінки, фундаментальної метою дисципліни подання знань є пошук таких способів уявлення, які роблять можливим процес логічного висновку, тобто створення висновків зі знань.
Деякі питання, які виникають у поданні знань з точки зору ІІ:
Як люди представляють знання?
Яка природа знань і як ми їх уявляємо?
Чи повинна схема представлення зв'язуватися з приватною областю знань, або вона повинна бути загально?
Наскільки виразна дана схема представлення?
Чи повинна бути схема декларативної або процедурної?
Спробуємо дати відповіді на ці питання в даній контрольній роботі.

Глава 1. Способи формального подання знань

1.1 Історія в інформатиці

В інформатиці (головним чином в області штучного інтелекту) для структурування інформації, а також організації баз знань та експертних систем були запропоновані декілька способів представлення знань. Одне з них подання даних і відомостей в рамках логічної моделі баз знань, на основі мови логічного програмування Пролог.
Під терміном «Представлення Знань» найчастіше маються на увазі способи представлення знань, орієнтовані на автоматичну обробку сучасними комп'ютерами, і зокрема, подання, що складаються з явних об'єктів ('клас всіх слонів ", або" Клайд - примірник'), і з суджень або тверджень про них ('Клайд слон', або 'всі слони сірі'). Подання знань в подібній явній формі дозволяє комп'ютерам робити дедуктивні висновки з раніше збереженого знання ('Клайд сірий').
У 1970-х і початку 1980-х були запропоновані, і з перемінним успіхом випробувані численні методи представлення знань, наприклад евристичні питально-відповідальна система, нейромережі, доказ теорем, і експертні системи. Головними областями їх застосування в той час були медична діагностика (наприклад Міцін) та ігри (наприклад шахи).
У 1980-х роках з'явилися формальні комп'ютерні мови представлення знань. Основні проекти того часу намагалися закодувати (занести в свої бази знань) величезні масиви загальнолюдського знання. Наприклад у проекті «Cyc» була оброблена велика енциклопедія, і кодувалася не сама зберігається в ній інформація, а знання, які потрібно читачеві щоб зрозуміти цю енциклопедію: наївна фізика, поняття часу, причинності і мотивації, типові об'єкти і їх класи. Проект Cyc розвивається компанією Cycorp, Inc.; Велика частина (але не вся) їх бази вільно доступна.
Ця робота привела до більш точної оцінки складності завдання представлення знань. Одночасно в математичній лінгвістиці, були створені набагато більш об'ємні бази мовної інформації, і вони, разом з величезним приростом швидкості та обсягів пам'яті комп'ютерів зробили більш глибоке уявлення знань більш реальним.
Було розроблено кілька мов програмування орієнтованих на представлення знань. Пролог, розроблений в 1972 (див. http://www.aaai.org/AITopics/bbhist.html # mod), але отримав популярність значно пізніше, описує висловлювання і основну логіку, і може виробляти висновки з відомих посилок. Ще більше націлений на представлення знань мова KL-ONE (1980-ті).
В області електронних документів були розроблені мови явно виражають структуру збережених документів, такі як SGML а згодом XML. Вони сприяли завдання пошуку та вилучення інформації, які останнім часом все більше пов'язані із завданням представлення знань. Веб-спільнота вкрай зацікавлено в семантичній павутині, в якій засновані на XML мови представлення знань, такі як RDF, Карта тим і інші використовуються для збільшення доступності комп'ютерних систем інформації, що зберігається в мережі.

1.2 Зв'язки і структури

Однією з проблем у поданні знань є як зберігати та обробляти знання в інформаційних системах формальним способом так, щоб механізми могли використовувати їх для досягнення поставлених завдань. Приклади застосування тут експертні системи, Машинний переклад, комп'ютеризоване технічне обслуговування та системи вилучення та пошуку інформації (включаючи користувальницькі інтерфейси баз даних).
Для представлення знань можна використовувати семантичні мережі. Кожен вузол такої мережі представляє концепцію, а дуги використовуються для визначення стосунків між концепціями. Одна з найбільш виразних і детально описаних парадигм представлення знань заснованих на семантичних мережах це MultiNet (акронім для Багатошарові Розширені Семантичні Мережі англ. Multilayered Extended Semantic Networks).
Починаючи з 1960-х років, використовувалося поняття фрейму знань або просто фрейму. Кожен кадр має своє власне ім'я і набір атрибутів, або слотів які містять значення; наприклад фрейм будинок міг би містити слоти колір, кількість поверхів і так далі.
Використання фреймів в експертних системах є прикладом об'єктно-орієнтованого програмування, з успадкуванням властивостей, яке описується зв'язком «is-a». Однак, у використанні зв'язку «is-a» існувало чимало суперечностей: Рональд Брахман написав роботу озаглавлену «Чим є і не є IS-A», в якій були знайдені 29 різних семантик зв'язку «is-a» у проектах, чиї схеми подання знань включали зв'язок «is-a». Інші зв'язки включають, наприклад, «has-part».
Фреймові структури добре підходять для представлення знань, представлених у вигляді схем та стереотипних когнітивних паттернів. Елементи подібних патернів володіють різними вагами, причому великі ваги призначаються тим елементам, які відповідають поточній когнітивної схемою (schema). Паттерн активізується за певних умов: Якщо людина бачить велику птицю, за умови що зараз активна його «морська схема», а «земна схема» - ні, він класифікує її скоріше як морської орлана, а не сухопутного беркута.
Фреймові подання об'єктно-центровані у тому ж сенсі що і Семантична мережа: Усі факти і властивості, пов'язані з однією концепцією, розміщуються в одному місці, тому не потрібно витрачати ресурси на пошук по базі даних.
Скрипт це тип фреймів, який описує послідовність подій у часі; типовий приклад опис походу в ресторан. Події тут включають очікування місця, прочитати меню, зробити замовлення, і так далі.
Різні рішення в залежності від їх семантичної виразності можуть бути організовані в так званий семантичний спектр (англ. Semantic spectrum).

1.3 Мова і нотація

Деякі люди вважають, що краще за все буде представляти знання також як вони представлені в людському розумі, який є єдиним відомим на сьогоднішній день працюють розумом, або ж представляти знання у формі природної мови. Доктор Річард Баллард, наприклад, розробив «семантичну систему, що базується на теорії», яка не залежить від мови, яка виводить мета і міркує тими ж концепціями і теоріями що і люди. Формула, що лежить в основі цієї семантики: Знання = Теорія + Інформація. Більшість поширених додатків і систем баз даних засновані на мовах. На жаль, ми не знаємо як знання представляються у людському розумі, або як маніпулювати природними мовами також як це робить людина. Однією з підказок є те, що примати знають як використовувати інтерфейси користувача point and click; таким чином інтерфейс жестів схоже є частиною нашого когнітивного апарату, модальність яка не прив'язана до усної мови, і яка існує в інших тварин, крім людини.
Тому для представлення знань були запропоновані різні штучні мови і нотації. Зазвичай вони засновані на логіці і математиці, і мають легко читається, граматику для полегшення машинної обробки. Зазвичай вони потрапляють в широку область онтологій.
Нотація.
Останньою модою в мовах представлення знань є використання XML як низькорівневого синтаксису. Це призводить до того, що виведення цих мов представлення знань машини можуть легко Синтаксичний аналіз, за ​​рахунок легкості читання для людини. Логіка першого порядку і мова Пролог широко використовується в якості математичної основи для цих систем, щоб уникнути надмірного ускладнення. Проте навіть прості системи засновані на цій простій логіці можна використовувати для представлення даних яке значно краще можливостей обробки для нинішніх комп'ютерних систем: причини розкриваються в теорії обчислюваності.
Приклади нотацій:
DATR є прикладом подання лексичних знань
RDF є простою Нотація для подання відносин між і серед об'єктів
Мови
Приклади штучних мов які використовуються переважно для представлення знань:
CycL
IKL
KIF
Loom
OWL
KM: Машина Знань (англ. Knowledge Machine) (фреймовий мову, що використовувався для задач уявлення знань)
мова Пролог

Глава 2. Моделі подання знань. Неформальні (семантичні) моделі

2.1 Методи представлення знань

Існують два типи методів представлення знань (ПЗ):
Формальні моделі ПЗ;
Неформальні (семантичні, реляційні) моделі ПЗ.
Очевидно, всі методи представлення знань, які розглянуті вище, включаючи продукції (це система правил, на яких заснована продукційна модель представлення знань), відносяться до неформальних моделями. На відміну від формальних моделей, в основі яких лежить сувора математична теорія, неформальні моделі такої теорії не дотримуються. Кожна неформальна модель годиться тільки для конкретної предметної області і тому не володіє універсальністю, яка властива моделям формальним. Логічний висновок - основна операція в СІІ - у формальних системах строгий і коректний, оскільки підпорядкований жорстким аксіоматичним правилами. Висновок у неформальних системах багато в чому визначається самим дослідником, який і відповідає за його коректність.
Кожному з методів ПЗ відповідає свій спосіб опису знань.
1. Логічні моделі. В основі моделей такого типу лежить формальна система, що задається четвіркою виду: M = <T, P, A, B>. Безліч T є безліч базових елементів різної природи, наприклад слів з деякого обмеженого словника, деталей дитячого конструктора, що входять до складу деякого набору і т.п. Важливо, що для множини T існує деякий спосіб визначення належності або неналежності довільного елемента до цього безлічі. Процедура такої перевірки може бути будь-який, але за кінцеве число кроків вона повинна давати позитивну або негативну відповідь на питання, чи є x елементом множини T. Позначимо цю процедуру П (T).
Безліч P є безліч синтаксичних правил. З їх допомогою з елементів T утворюють синтаксично правильні сукупності. Наприклад, зі слів обмеженого словника будуються синтаксично правильні фрази, з деталей дитячого конструктора за допомогою гайок і болтів збираються нові конструкції. Декларується існування процедури П (P), за допомогою якої за кінцеве число кроків можна отримати відповідь на питання, чи є сукупність X синтаксично правильною.
У безлічі синтаксично правильних сукупностей виділяється деяка підмножина A. Елементи A називаються аксіомами. Як і для інших складових формальної системи, повинна існувати процедура П (A), за допомогою якої для будь-якої синтаксично правильної сукупності можна отримати відповідь на питання про належність її до безлічі A.
Безліч B є безліч правил виводу. Застосовуючи їх до елементів A, можна отримувати нові синтаксично правильні сукупності, до яких знову можна застосовувати правила з B. Так формується безліч виведених в даній формальній системі сукупностей. Якщо є процедура П (B), за допомогою якої можна визначити для будь-якої синтаксично правильної сукупності, чи є вона виводиться, то відповідна формальна система називається розв'язною. Це показує, що саме правило висновку є найбільш складною складовою формальної системи.
Для знань, що входять до бази знань, можна вважати, що множина A утворюють всі інформаційні одиниці, які введені в базу знань ззовні, а за допомогою правил виведення з них виводяться нові похідні знання. Іншими словами формальна система являє собою генератор породження нових знань, що утворюють множину виводяться в даній системі знань. Це властивість логічних моделей робить їх привабливими для використання в базах знань. Воно дозволяє зберігати в базі лише ті знання, які утворюють безліч A, а всі інші знання отримувати з них за правилами виводу.
2. Мережеві моделі. В основі моделей цього типу лежить конструкція, названа раніше семантичної мережею. Мережеві моделі формально можна задати у вигляді H = <I, C1, C2,..., Cn, Г>. Тут I є безліч інформаційних одиниць; C1, C2 ,..., Cn - безліч типів зв'язків між інформаційними одиницями. Відображення Г задає між інформаційними одиницями, що входять до I, зв'язку із заданого набору типів зв'язків.
Залежно від типів зв'язків, які використовуються в моделі, розрізняють классифицирующие мережі, функціональні мережі і сценарії. У класифікуючих мережах використовуються відносини структуризації. Такі мережі дозволяють у базах знань вводити різні ієрархічні відносини між інформаційними одиницями. Функціональні мережі характеризуються наявністю функціональних відносин. Їх часто називають обчислювальними моделями, так як вони дозволяють описувати процедури «обчислень» одних інформаційних одиниць через інші. У сценаріях використовуються каузальні відносини, а також відносини типів «засіб - результат», «знаряддя - дія» і т.п. Якщо у мережевій моделі допускаються зв'язку різного типу, то її зазвичай називають семантичної мережею.
3. Продукційні моделі. У моделях цього типу використовуються деякі елементи логічних і мережевих моделей. З логічних моделей запозичена ідея правил виведення, які тут називаються продукціям, а з мережевих моделей - опис знань у вигляді семантичної мережі. У результаті застосування правил виведення до фрагментів мережевого опису відбувається трансформація семантичної мережі за рахунок зміни її фрагментів, нарощування мережі та виключення з неї непотрібних фрагментів. Таким чином, у продукційних моделях процедурна інформація явно виділена і описується іншими засобами, ніж декларативна інформація. Замість логічного висновку, характерного для логічних моделей, у продукційних моделях з'являється висновок на знаннях.
4. Фреймові моделі. На відміну від моделей інших типів у фреймових моделях фіксується жорстка структура інформаційних одиниць, яка називається протофреймом. У загальному вигляді вона виглядає таким чином:
(Ім'я фрейму:
Ім'я слота 1 (значення слота 1)
Ім'я слота 2 (значення слота 2)
... ... ... ... ... ... ...
Ім'я слота К (значення слота К)).
Значенням слота може бути практично що завгодно (числа або математичні співвідношення, тексти на природній мові або програми, правила виводу або посилання на інші слоти даного фрейму або інших фреймів). Як значення слота може виступати набір слотів більш низького рівня, що дозволяє під фреймових уявленнях реалізувати «принцип матрьошки».
При конкретизації фрейму йому і слотам присвоюються конкретні імена і відбувається заповнення слотів. Таким чином, з протофреймов виходять фрейми - екземпляри. Перехід від вихідного протофрейма до фрейму - примірнику може бути багатокрокових, за рахунок поступового уточнення значень слотів.

2.2 Формальні моделі подання знань

Система ІІ в певному сенсі моделює інтелектуальну діяльність людини і, зокрема, - логіку його міркувань. У грубо спрощеній формі наші логічні побудови при цьому зводяться до наступної схеми: з однієї або декількох посилок (які вважаються справжніми) слід зробити «логічно вірне» висновок (висновок, наслідок). Очевидно, для цього необхідно, щоб і посилки, і висновок були представлені на зрозумілій мові, адекватно відбиває предметну область, в якій проводиться висновок. У звичайному житті це наш природний мова спілкування, у математиці, наприклад, це мова певних формул і т.п. Наявність же мови передбачає, по - перше, наявність алфавіту (словника), що відображає в символьній формі весь набір базових понять (елементів), з якими доведеться мати справу і, по - друге, набір синтаксичних правил, на основі яких, користуючись алфавітом, можна побудувати певні вирази.
Логічні вирази, побудовані в даній мові, можуть бути істинними або помилковими. Деякі з цих висловів, які є завжди істинними. Оголошуються аксіомами (або постулатами). Вони складають ту базову систему посилок, виходячи з якої і користуючись певними правилами виведення, можна отримати висновки у вигляді нових виразів, які також є істинними.
Якщо перераховані умови виконуються, то говорять, що система задовольняє вимогам формальної теорії. Її так і називають формальною системою (ФС). Система, побудована на основі формальної теорії, називається також аксіоматичної системою.
Формальна теорія повинна, таким чином, задовольняти наступного визначення:
всяка формальна теорія F = (A, V, W, R), що визначає деяку аксіоматичну систему, характеризується:
наявністю алфавіту (словника), A,
безліччю синтаксичних правил, V,
безліччю аксіом, що лежать в основі теорії, W,
безліччю правил виведення, R.
Обчислення висловлювань і числення предикатів є класичними прикладами аксіоматичних систем. Ці ФС добре досліджені і мають чудово розроблені моделі логічного висновку - головної метапроцедури в інтелектуальних системах. Тому все, що може і гарантує кожна з цих систем, гарантується і для прикладних ФС як моделей конкретних предметних областей. Зокрема, це гарантії несуперечності виведення, алгоритмічної розв'язності (для обчислення висловлювань) і полуразрешімості (для числень предикатів першого порядку).
ФС мають і недоліки, які змушують шукати інші форми подання. Головний недолік - це «закритість» ФС, їх негнучкість. Модифікація та розширення тут завжди пов'язані з перебудовою всієї ФС, що для практичних систем складно і трудомістко. У них дуже складно враховувати що відбуваються зміни. Тому ФС як моделі подання знань використовуються в тих предметних областях, які добре локалізуються і мало залежать від зовнішніх факторів

2.3 Представлення знань у вигляді правил

Такий спосіб є найбільш зрозумілим і популярним методом формального подання знань. Правила забезпечують формальний спосіб подання рекомендацій, знань або стратегій. Вони частіше підходять в тих випадках, коли предметні знання виникають з емпіричних асоціацій, накопичених за роки роботи з вирішення завдань в даній області.
У системах, заснованих на правилах, предметні знання представляються набором правил, які перевіряються на групі фактів і знань про поточну ситуацію (вхідної інформації). Коли частина правила ЯКЩО задовольняє фактами, то дії, зазначені в частині ТО, виконується. Коли це відбувається, то говорять, що правило спрацьовує. Інтерпретатор правил зіставляє частині правил ЯКЩО з фактами і виконує те правило, частина ЯКЩО якого сходиться з фактами, тобто інтерпретатор правил працює в циклі «Зіставити - виконати», формуючи послідовність дій.
Дії правил можуть полягати:
в модифікації набору фактів у базі знань, наприклад додавання нового факту, який сам може бути використаний для зіставлення з частинами ЯКЩО;
у взаємодії із зовнішнім середовищем (наприклад, «Викликати пожежну команду»).

2.4 Представлення знань з використанням фреймів

Системи, бази знань іноді нараховують сотні правил, і для інженера знань при такій складності системи, процес оновлення складу правил і контроль зв'язків між ними стає дуже складною, оскільки додаються правила можуть дублювати наявні знання або вступати з ними у протиріччя.
Для виявлення подібних фактів можна використовувати програмні засоби, але включення їх у роботу системи призводить до ще більш негативних наслідків - втрати працездатності, так як в цьому випадку інженер знань втрачає уявлення про те, як взаємодіють правила.
Так як зростає кількість зв'язків між поняттями, інженеру знань важко їх контролювати.
Представлення знань, заснованих на фреймах, є альтернативним по відношенню до систем, заснованим на правилах: воно дає можливість зберігати ієрархію понять в базі знань в явній формі.
Фреймом називається структура для опису стереотипної ситуації, що складається з характеристик цієї ситуації і їх значень. Характеристики називаються слотами, а значення - заповнювачами слотів. Слот може містити не тільки конкретне значення, а й ім'я процедури, що дозволяє обчислити його по заданому алгоритму, а також одне або декілька правил, за допомогою яких це значення можна знайти. У слот може входити не одне, а кілька значень. Іноді слот включає компонент званий фасетів, який задає діапазон або перелік його можливих значень. Як вже зазначалося, крім конкретного значення, у слоті можуть зберігатися процедури і правила, які викликаються при необхідності обчислення цього значення. Якщо, наприклад, фрейм, що описує людину, включає слоти «Дата народження» і «Вік», і в першому з них знаходиться деяке значення, то в другому слоті може стояти процедура, що обчислює вік за датою народження та поточної дати.
Процедури, що розташовуються в слоті, називаються пов'язаними процедурами.
Найчастіше використовуються процедури:
«Якщо - додано» - виконується, коли нова інформація міститься у слот;
«Якщо - видалено» - виконується, коли інформація видаляється з слота;
«Якщо - потрібно» - виконується, коли запитується інформація з слота, а він порожній.
Ці процедури можуть перевіряти, що при зміні значення проводяться відповідні дії.
Сукупність фреймів, моделююча яку-небудь предметну область, являє собою ієрархічну структуру, до якої з'єднуються фрейми. На верхньому рівні ієрархії знаходиться фрейм, що містить найбільш загальну інформацію, дійсну для всіх інших фреймів. Фрейми мають здатність наслідувати значення характеристик своїх батьків, що знаходяться на більш високому рівні ієрархії. Значення характеристик фреймів можуть передаватися за замовчуванням фреймах, що знаходиться нижче них в ієрархії, але, якщо останні містять власні значення даних характеристик, то в якості істинних даних приймаються саме вони. Ця обставина дозволяє легко враховувати під фреймових системах різного роду виключення. Розрізняють статичні і динамічні системи фреймів. У системах статичних фрейми не можуть бути змінені в процесі виконання завдання, в динамічних системах це припустимо. Найбільш яскраво гідності фреймових систем представлення знань виявляється в тому випадку, якщо зв'язки між об'єктами змінюються нечасто і предметна область нараховує трохи винятків.
Значення слотів представляються в системі в єдиному екземплярі, оскільки включається тільки в один кадр, що описує найбільш загальне поняття з усіх тих, які містять слот з такою назвою. Така властивість систем фреймів дає можливість зменшити обсяг пам'яті, необхідний для їх розміщення в комп'ютері. Проте основна перевага полягає не в економії пам'яті, а в поданні до БЗ зв'язків, що існують між поняттями предметної області.

2.5 Представлення знань з використанням семантичних мереж

Семантична мережа використовується для опису методу представлення знання, заснованого на мережній структурі. Цей метод є одним з найбільш ефективних методів збереження знань. Семантичні мережі складаються з:
вузлів, відповідних об'єктів, поняттям і подій;
дуг, що зв'язують вузли і описують відносини між ними.
Іншими словами, семантична мережа відображає сукупність об'єктів предметної області і відносин між ними. При цьому, об'єктами відповідають вершини мережі, а відносинам - з'єднують їх дуги. У семантичну мережу включаються тільки ті об'єкти предметної області, які необхідні для вирішення прикладних завдань. В якості об'єктів можуть виступати події, дії, узагальнені поняття або властивості об'єктів.
Вершини мережі з'єднуються дугою, якщо відповідні об'єкти предметної області перебувають у будь-якому відношенні.
Найбільш поширеними є такі типи відносин:
«Є» - означає, що об'єкт входить до складу даного класу;
«Має» - дозволяє задавати властивості об'єктів.
Можливі також відносини види:
«Є наслідком» - відображає причинно-наслідкові зв'язки;
«Має значення» - задає значення властивостей об'єктів.

2.6 Представлення знань у вигляді нечітких висловлювань

Методи побудови математичних моделей часто засновані на неточною, але в об'єктивній інформації про об'єкт. Проте можливі ситуації, коли при побудові моделей вирішальне значення мають відомості, отримані від експерта, звичайно якісного характеру. Вони відображають змістовні особливості досліджуваного об'єкта і формулюються на природній мові. Опис об'єкта в такому випадку носить нечіткий характер.
Наприклад:
У булевої алгебри 1 являє істину, а 0 - брехня. І це має місце і в нечіткій логіці, але, крім того використовуються також всі дробу між 0 і 1, щоб вказати на часткову істинність [2, 5 - 11]. Так запис «μ (високий (Х)) = 0,75» говорить про те, що припущення «Х - високий» в деякому сенсі на три чверті істинно, а на одну чверть брехливо.
Для комбінування нецелочисленное значень істинності у нечіткій логіці визначаються еквіваленти логічних операцій:
μ1 І μ2 = min (μ1, μ2);
μ1 АБО μ2 = max (μ1, μ2);
НЕ μ1 = 1 - μ1.
Таким чином, уривчасті відомості можна комбінувати на основі строгих і узгоджених методів.
Слабким моментом у застосуванні нечіткої логіки є відображення (функція приналежності). Припустимо, вік Х - 40 років. Наскільки істинно припущення, що Х - старий. Дорівнює чи ця величина 0,5, оскільки Х прожив приблизно півжиття, або величини 0,4 і 0,6 більш реалістичні. Необхідно вирішити, яку функцію краще використовувати для відображення віку в інтервал від 0 до 1.
Чим, наприклад, крива краще, ніж лінійна залежність. Для переваги однієї форми функції іншої немає об'єктивних обгрунтувань, тому в реальній задачі будуть присутні десятки і сотні подібних функцій, кожна з яких до певної міри є довільною. Значить в системах, заснованих на нечіткій логіці, необхідно передбачити кошти, що дозволяють модифікувати функції приналежності.
Ще однією проблемою є проблема зважування окремих відомостей. Припустимо, наприклад, що ми маємо в своєму розпорядженні деякою сукупністю нечітких правил:
Правило 1: ЯКЩО нитка Х горить повільно І при горінні нитки Х утворюється твердий кулька бурого кольору ТО нитка Х - капронова;
Правило 2: ЯКЩО нитка Х поза полум'я гасне І при горінні нитки Х відчувається запах сургучу ТО нитка Х - капронова.

Висновок

У висновку хочеться сказати, що було дуже небагато top-down обговорення питань подання знань та дослідження в даній області is a well aged quiltwork. Є добре відомі проблеми, такі як «sdivading activation,« (завдання навігації в мережі вузлів) »категоризація» (це пов'язано з вибірковим спадкуванням; наприклад всюдихід можна вважати спеціалізацією (особливим випадком) автомобіля, але він успадковує лише деякі характеристики) і «класифікація ». Наприклад помідор можна вважати як фруктом, так і овочем.
У галузі штучного інтелекту, рішення завдань може бути спрощено правильним вибором методу представлення знань. Певний метод може зробити будь-яку галузь знань легко представимо. Наприклад діагностична експертна система Міцін використовувала схему подання знань засновану на правилах. Неправильний вибір методу подання утрудняє обробку. В якості аналогії можна взяти обчислення в індо-арабською чи римської запису. Ділення в стовпчик простіше в першому випадку і складніше в другому. Аналогічно, не існує такого способу подання, який можна було б використовувати у всіх завданнях, або зробити всі завдання однаково простими.

Список використаних джерел

1. Благодатскіх В.А., Волнін В.А., Поскакалов К.Ф. Стандартизація розробки програмних засобів. - М: Фінанси і статистика, 2003.
2. Вендров А.М. Проектування програмного забезпечення економічних інформаційних систем - М: Фінанси і статистика, 2002.
3. Вендрова А.М. Практикум з проектування програмного забезпечення економічних інформаційних систем - М: Фінанси і статистика, 2002.
4. Черемних С.В., Семенов І.О., Ручкін В.С. Структурний аналіз систем: IDEF-технології - М: Фінанси і статистика, 2001.
Додати в блог або на сайт

Цей текст може містити помилки.

Програмування, комп'ютери, інформатика і кібернетика | Контрольна робота
58.5кб. | скачати


Схожі роботи:
Фреймові моделі подання знань
Подання знань в інформаційних системах
Інформація та способи її подання
Подання знань в агентних системах на прикладі системи Internet Knowledge Manager та динамічних
Способи контролю перевірки й оцінювання знань умінь і навичок за курсом Трудове навчання в 1-му
Способи контролю перевірки й оцінювання знань умінь і навичок за курсом Трудове навчання в 1 му
Способи одержання складних ефірів Конденсації формальдегіду з ізобутіленом Різні способи
Психологічні способи впливу на партнера і етикетні способи захисту
Види витрат виробництва та способи їх способи їх оптимізації
© Усі права захищені
написати до нас
Рейтинг@Mail.ru