Структура Экспертной Системы пользователь Интерфейс пользователя Решатель База знаний Подсистема объяснений Интеллектуальный редактор базы знаний + инженер по знаниям эксперт В наполнении знаниями базы знаний принимают участие: Инженер по знаниям; Эксперт пользуясь интеллектуальным редактором базы знаний Пользователь, желающий получить необходимую информацию через пользовательский интерфейс посылает запрос к ЭС Решатель,, пользуясь базой знаний, генерирует и выдает пользователю подходящую рекомендацию, объясняя ход своих рассуждений при помощи подсистемы объяснений программист
Идентификация проблемы Получение (извлечение) знаний Структурирование Формализация Реализация прототипа Тестирование Проблема (задача) Знания Поле знаний БЗ на ЯПЗ Программа-прототип ЭС Этапы разработки ЭС
Идентификация проблемы Проблема (задача) Этапы разработки ЭС На этапе идентификации проблемы уточняется задача, определяются необходимые ресурсы (время, люди, ЭВМ), источники знаний (книги, дополнительные эксперты), цели (распространение опыта, автоматизация рутинных действий), классы решаемых задач. Участвуют:
Идентификация проблемы Получение (извлечение) знаний Проблема Знания Этапы разработки ЭС На этапе извлечения знаний происходит перенос компетентности от эксперта к инженеру по знаниям с использованием различных методов (анализ текстов, диалоги, экспертные игры, лекции, дискуссии, интервью, наблюдение и др.). Участвуют:
Идентификация проблемы Получение знаний Структурирование Проблема Знания Поле знаний Этапы разработки ЭС Работает: При структурировании знаний выявляется структура полученных знаний о предметной области, то есть определяются: терминология, список основных понятий и их атрибутов, отношения между понятиями, структура входной и выходной информации, стратегия принятия решений и т.д.
Формализация БЗ на основе модели представления знаний Идентификация проблемы Получение (извлечение) знаний Структурирование Проблема Знания Поле знаний Этапы разработки ЭС На этапе формализации строится формализованное представление предметной области на основе выбранной модели представления знаний. Участвуют:
Реализация прототипа Программа-прототип ЭС Идентификация проблемы Получение (извлечение ) знаний Структурирование Формализация Проблема Знания Поле знаний БЗ на основе модели представления знаний Этапы разработки ЭС Работает Работает При реализации создается прототип ЭС, включающий базу знаний и остальные блоки, при помощи программирования на традиционных языках (C++, Pascal и др.), программирования на специальных языках, применяемых в задачах искусственного интеллекта (LISP, FRL, SMALLTALK) или с использованием инструментальных средств разработки ЭС.
Тестирование Идентификация проблемы Получение (извлечение) знаний Структурирование Формализация Реализация прототипа Проблема Знания Поле знаний БЗ на основе модели представления знаний Программа-прототип ЭС Этапы разработки ЭС Участвуют: Тестированием оценивается работа прототипа с целью приведения в соответствие с реальными запросами пользователя.
Модели представления знаний Модель представления знаний – это совокупность правил представления, описания и порождения знаний в базе знаний (ДСТУ )
Модель представления знаний является формализмом, призванным отобразить статические и динамические свойства предметной области, т.е. отобразить объекты и отношения предметной области, связи между ними, иерархию понятий предметной области и изменение отношений между объектами. Продукционная модель представления знаний Фреймовая модель представления знаний Логическая модель представления знаний Семантические сети Модель, основанная на нечеткой логике
Продукционная модель представления знаний Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «Если (условие), то (действие)». ЕСЛИ А1,А2..Аn ТО В. Если температура в помещении меньше +20, То включить обогреватель Условия А1,А2...Аn называют фактами. Действие В трактуется как добавление нового факта в описание текущего состояния предметной области.
Структура продукционной системы Механизм логического вывода Рабочая память База правил Модификация, управление поиск ссылки 1. Набор правил, используемых как база знаний. Его называют базой правил. 2. Рабочая память, в которой хранятся предпосылки, касающиеся конкретных задач предметной области и результаты выводов, полученных на их основании. 3. Механизм логического вывода, использующий правила в соответствии с содержимым рабочей памяти.
Продукционная модель представления знаний Достоинства: Недостатки: Достоинством применения правил продукций является их модульность. Это позволяет легко добавлять и удалять знания в базе знаний. Можно изменять любую из продукций, не затрагивая содержимого других продукций. Недостатки продукционных систем проявляются при большом числе правил и связаны с возникновением непредсказуемых побочных эффектов при изменении старых и добавлении новых правил. Кроме того, отмечают также низкую эффективность обработки систем продукций и отсутствие гибкости в логическом выводе.
Семантические сети Термин семантическая означает «смысловая» это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними. Семантическая сеть понятие отношение Являются исторически первым классом моделей представления знаний
В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения это связи типа: «это» («АКО A-Kind-Of», «is»), «имеет частью» («has part»), «принадлежит», «любит». Семантические сети Особенность семантических сетей: обязательное наличие трех типов отношений: класс элемент класса (цветок роза) свойство значение (цвет желтый) пример элемента класса (роза чайная)
Семантические сети Наиболее часто в семантических сетях используются следующие отношения: связи типа «часть целое» («класс подкласс», «элемент - множество»,и т. п.); функциональные связи (определяемые обычно глаголами производит»,«влияет»...); количественные (больше, меньше, равно...); пространственные (далеко от, близко от, за, под, над...); временные (раньше, позже, в течение...); атрибутивные связи (иметь свойство, иметь значение); логические связи (И, ИЛИ, НЕ); лингвистические связи
Пример семантической сети Волга автомобиль цвет белый вид транспорта двигатель Петровчеловек это имеет частью это свойство значение принадлежит любит Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.
Семантические сети Достоинством семантических сетей как модели представления знаний является наглядность описания предметной области, гибкость, адаптивность. Однако, свойство наглядности с увеличением размеров и усложнением связей базы знаний предметной области теряется Кроме того, возникают значительные сложности по обработке различного рода исключений. Для преодоления указанных проблем используют метод иерархического описания сетей (выделение на них локальных подсетей, расположенных на разных уровнях).
Фреймовая модель Фрейм был предложен Марвелом Минским в 70-е годы В основе теории фреймов лежит восприятие фактов посредством сопоставления полученной извне информации с конкретными элементами и значениями, а также с рамками определенными для каждого концептуального объекта в нашей памяти. Фрейм - структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации и их значений. Характеристики называют слотами
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение слота Указатель наследования Демон Имя фрейма Имя фрейма -идентификатор, присваиваемый фрейму. Фрейм должен иметь имя единственное (уникальное) в данной фреймовой системе.
Структура фрейма Слот 1 …………….. Слот n Значение слота Указатель наследования Демон Имя фрейма Имя Слота Имя слота -идентификатор, присваиваемый слоту. Слот должен иметь уникальное имя во фрейме. Имя слота не несет смысловой нагрузки кроме специфических: IS-A; DDESENDANTS (указатель дочернего фрейма) и др., а также системных слотов, используемых при управлении выводом.
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение Слота Демон Имя фрейма Указатель наследования показывает, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фрейме нижнего уровня. Типичные указатели наследования: Указатель наследования U (уникальный), S (такой же), R (установление границ).
Структура фрейма Имя Слота Слот 1 …………….. Слот n Значение слота Указатель наследования Имя фрейма Демон - процедура, автоматически запускаемая при появлении запроса или обновлении информации в структуре. 1.IF-ADDED (если добавлено). Он запускается, когда новая информация поступает в слот. Демон 2.IF-REMOVED (если удалено). Запускается при стирании значения слота. 3.IF-NEEDED (если нужно). Запускается если в момент обращения к слоту его значение не было установлено.
Фреймовая система IS-AМлекопитающее Умеетмыслить IS-AЧеловек Возраст 0 – 16 Любит Сладкое Совокупность фреймов, моделирующая какую либо предметную область, представляет собой иерархическую структуру, в которой фреймы соединяются с помощью родовидовых связей. Человек IS-AРебенок Возраст 6 – 17 УчитсяВ школе Ребенок Ученик связывание информации полученной с различных точек зрения. Несколько слотов одного фрейма обычно заранее определяются значениями по умолчанию. В одной системе различные фреймы могут иметь общие слоты. Благодаря этому возможно
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Отношения «абстрактное – конкретное» и «целое - часть.
Свойства фреймов Иерархическая структура. Особенность такой структуры заключается в том, что информация о слотах, которую содержит фрейм верхнего уровня, используется всеми фреймами нижних уровней.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Осуществление выводов в фреймовой системе возможно благодаря соединению в межфреймовые сети фреймов, описывающих объекты с небольшими различиями, указателями различия.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Фреймы обладают способностью наследовать значения слотов своих родителей, находящихся на более высоком уровне иерархии. Наследование свойств может быть частичным, тогда он должен быть указан в своем собственном фрейме. Значения слотов могут передаваться по умолчанию фреймам, находящимся ниже в иерархии.
Свойства фреймов Иерархическая структура. Межфреймовые сети. Значение по умолчанию. Отношения «абстрактное – конкретное» и «целое - часть. На верхних уровнях иерархии расположены абстрактные объекты, на нижних конкретные (отношения типа IS-A илиKIND OF). Отношение «целое - часть» касается структурированных объектов и показывает, что объект нижнего уровня является частью объекта верхнего уровня.
Фреймовая модель 1)Гибкость, т. е. структурное описание сложных объектов. 2)Наглядность, данные о родовидовых связях хранятся явно. 3)Значение может быть вычислено с помощью процедур или найдено эвристическими методами. Преимущества фреймовой модели представления знаний 1)Высокая сложность систем в целом. 2)Трудно внести изменение в иерархию 3)Затруднена обработка исключений. Недостатками фреймовой системы являются:
Л. Заде ввел одно из главных понятий в нечеткой логике - понятие лингвистической переменной. Лингвистическая переменная (ЛП) - переменная, значение которой определяется набором словесных характеристик некоторого свойства. лингвистическая переменная "скорость" определяется через набор {очень маленькая; низкая; средняя; высокая; очень высокая}. Нечеткая логика Существует целый класс описаний, оперирующих качественными характеристиками объектов: много, мало, сильный, очень сильный и т.п. Эти характеристики обычно размыты и не могут быть однозначно интерпретированы, однако содержат важную информацию.
Значение лингвистической переменной определяются через нечеткие множества, которые в свою очередь определены на некотором базовом множестве значений или базовой числовой шкале, имеющей размерность. Нечеткая логика Каждое значение лингвистической переменной определяется как нечеткое множество.
Основы теории нечетких множеств Пусть X - непустое множество Нечеткое множество A в X характеризуется его функцией принадлежности А: X Х[0;1] и А интерпретируется как степень принадлежности элемента x нечеткому множеству A для каждого x X.
Основы теории нечетких множеств Таким образом, нечеткое множество B – совокупность пар вида.
Основы теории нечетких множеств Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству Функция принадлежности интерпретируется как степень принадлежности элемента X нечеткому множеству A для любого x X.
Основы теории нечетких множеств Если X={x1,…xn} есть конечное множество и A- нечеткое множество в X, тогда мы используем запись A= 1 x1+ 2 x2 +…+ n xn Где член i xi, i=1,...n означает, что i есть степень принадлежности xi в A и знак суммы представляет объединение.
Основы теории нечетких множеств Нечеткое множество A называется триангулярным нечетким числом с вершиной (или центром) a, шириной слева > 0 и шириной справа > 0, если его функция принадлежности имеет следующий вид:
Основы теории нечетких множеств Триангулярное нечеткое число с центром a можно понимать как нечеткую величину «x приблизительно равен a».
Основы теории нечетких множеств Нечеткое множество A называется трапецеидальным нечетким число с интервалом допуска [a,b], левой шириной и правой шириной, если его функция принадлежности имеет вид
Основы теории нечетких множеств Трапецеидальное нечеткое число можно понимать как нечеткую величину «x приблизительно находится в интервале [a,b] » а- а b b+ 1
Теория приближенных рассуждений Теория приближенных рассуждений была создана Лотфи Заде в 1979 году Пусть x и y – лингвистические переменные, например «x- высокий» и «y - маленький». Основная задача приблизительного рассуждения – найти функцию принадлежности следствия С по базе правил (N1,…Nn) и факту A: N 1 если x есть A 1, то y есть С 1 также N 2 если x есть A 2, то y есть С 2 ………………………………… также N n если x есть A n, то y есть С n Факт x есть A Следствие y есть С
Вывод нечеткой импликации основан на композиционном правиле вывода для приближенного рассуждения, предложенного Заде. Композиционное правило вывода посылка если x есть A, то y есть B факт x есть A следствие y есть B где B определяется как композиция факта и оператора нечеткой импликации B =A º( A B) то есть B (v)=sup min{ A (u), ( A B)(u,v) } v V u U
Нечеткое управление Контроллеры нечеткой логики - наиболее важное приложение теории нечетких множеств. Их функционирование немного отличается от работы обычных контроллеров; для описания системы используются знания экспертов вместо дифференциальных уравнений Эти знания могут быть выражены естественным образом с помощью лингвистических переменных, которые описываются нечеткими множествами.
Нечеткое управление Наиболее широкое распространение нечеткие системы получили в управлении. Нечеткие логические системы управления обычно состоят из четырех основных частей: Интерфейс фаззификации База нечетких правил Машина нечеткого вывода Интерфейс дефаззификации
Нечеткий логический контроллер Четкий х в Х фаззификатор Нечеткое множество в Х Машина нечеткого вывода База нечетких правил дефаззификатор Нечеткое множество в Y Четкий y в Y
РАЗВИТИЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ Пример графического представления ИНМТ2 в трехмерной области w Пример графического представления вложенных множеств и занимаемой площади неопределенности для ИНМТ2
Пример архитектуры ЭС на основе нечеткой логики
Модели представлений знаний (Проф.Н.Г. Аксак) Жёсткие модели: - продукции - семантическая сеть - фреймы - логическая модель Мягкие методы: - нейронная сеть - генетический алгоритм - нечёткая логика - гибридная интеллектуальная система
With YOLO, you only look once at an image to perform detection YOLO: You Only Look Once Направления дальнейших исследований Исследование глубоких нейронных сетей в рамках методов машинного обучения.
Литература 1. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. 4-е изд. М.: Вильямс, с. 2. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. М.: Наука, с. 3. Иллюстрированный самоучитель по экспертным системам. 3-е изд. [Электронное] с. 4. Воронин В.В., Семченко П.Н. Технология интеграции продукционных экспертных систем в клиент-серверное окружение Хабаровск: Изд-во Тихоокеан. гос. ун-та, – 141 с. 5. Нечеткие модели и сети/ В. В. Борисов, В. В. Круглов, А. С. Федулов М.: Горячая линия - Телеком, 2007 – 283 с.