на каком формализме не основаны логические модели

Тест по теме «Представление знаний»

Что понимается под представлением знаний?

a) это кодирование информации, на каком – либо формальном языке;

b) знания представленные в программе на языке С ++;

c) знания представленные в учебниках по математике;

d) моделирование знаний специалистов – экспертов.

Какие определения представленные ниже не являются моделями представления знаний?

a) продукционные модели;

c) имитационные модели;

d) семантические сети;

3. Что представляют собой семантическая сеть?:

b) это нейронная сеть, состоящая из нейронов;

e) функциональная связь.

Чем отличаются семантические сети и фреймы?

a) Элемент модели состоит из множества незаполненных значений некоторых атрибутов, именуемых «слотами»;

b) наследование по AKO- связям;

c) элемент модели – структура, использующаяся для обозначения объектов и понятий.

Что объединяет семантические сети и фреймы?

a) организация процедуры вывода;

b) наследование свойств;

c) множества незаполненных значений некоторых атрибутов, именуемых «слотами»;

d) структуры, использующихся для обозначения объектов и понятий.

7. Какие из выражений, представленных ниже, являются структурной частью фрейма?:

a) значение N- го слота;

c) примитивные типы данных.

8. На каком формализме НЕ основаны логические модели?:

a) исчисление высказываний;

b) пропозициональная логика;

c) силлогизмы Аристотеля;

d) правильно построенные формулы;

e) нечёткие системы (fuzzy set).

Литература по теме «Представление знаний»

1. Барсегян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining. – СПб.: БХВ-Петербург, 2004. – 336 с.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. с. 384.

Нейронные сети

Так как основная задача искусственного интеллекта – моделирование рассуждений, а природное «устройство способное думать» – это мозг, то очевидной задачей является создание «искусственного мозга» «по образу и подобию» человеческого. Исследованием этого вопроса стали заниматься в рамках направления искусственного интеллекта нейрокибернетика.

Устройства мозга изучают такие науки как психология, нейрофизиология, нейробиология, обладающие достаточным объемом знаний. Основной идеей нейрокибернетики стало воссоздание «в железе» клетки мозга – нейрона.

На рис. 8. приведена схема строения «типичного» нейрона.

Рис. 8. Общая схема строения биологического нейрона.

1943 год стал годом рождения теории искусственных нейронных сетей. Дж. Маккалок и У. Питт предложили модель формального нейрона (рис. 9) и описали основные принципы построения нейронных сетей.

Синапсы нейрона – места контактов нервных волокон – согласно этой модели, передают сигналы, определяя силу воздействия сигнала с этого входа на выходной сигнал, поступающий на аксон. Для этого каждому входу ставится в соответствие весовой коэффициент w_i. Дендриты получают входной сигнал, представленный вектором x_i. Затем нейрон обрабатывает поступивший сигнал, производя взвешенное суммирование и нелинейное преобразование, используя для этого активационную функцию (функции активации могут быть разными, наиболее распространенные линейная, пороговая и сигмойда), аргументом которой будет результат суммирования минус пороговое значение. Это значение определяет уровень сигнала, на который нейрон будет реагировать.

Рис. 9. Модель формального нейрона

Главным свойством биологического нейрона является его способность к обучению, его универсальность, способность решать различные задачи. Описанная выше модель неспособна к этому. Обучаемой она стала лишь в 1949 году благодаря Д.Хеббу (D. Hebb ), который, опираясь на физиологические и психологические исследования, выдвинул гипотезу об обучаемости биологических нейронов. Его метод обучения стал отправной точкой для алгоритмов обучения нейронных сетей без учителя.

Уже через год после этого в 1957 году в мировом научном мире произошло второе по значимости в истории нейронных сетей событие: американский физиолог Ф. Розенблатт разработал модель зрительного восприятия и распознавания — перцептрон (perceptron), а затем и построил первый нейрокомпьютер Марк-1.

Нейронные сети была просты, понятны и многообещающи. Сложные процессы мышления, казалось, были готовы раскрыться перед человеком, для их описания требовались лишь элементарные математические операции: сложение, умножение и линейная функция. На персептрон, а затем и многослойный персептрон возлагались большие надежды, поэтому бурный энтузиазм, с которым он был принят, достаточно быстро сменился жесткой критикой.

В 1969 году вышла в свет книга «Персептроны» М. Минского и С. Паперта, которая ознаменовала окончание первого этапа в истории нейронных сетей. В этой книге был проведен анализ возможностей однослойных нейронных сетей и их ограничений.

Ограничения, обнаруженные Минским, были характерны однослойным нейронным сетям, но не многослойным нейронным сетям, которым была присуща другая проблема – их обучение.

Предложенный 1986 году Д. Румельхардом алгоритм обратного распространения ошибки стал одним из ведущих факторов, породивших современный нейросетевой бум, т.к. являлся эффективным способом обучения нейронной сети достаточно произвольной структуры.

Нейронные сети могут реализовываться как программно, так и аппаратно. Постепенно направление нейрокибернетика преобразовалось в нейрокомпьютинг, шестое поколение компьютеров, базирующееся на нейронных сетях, имеющее свои достоинства и недостатки. Сравнительный анализ машины фон Неймана, идеи которой воплощены в первых 4 поколениях, и биологической нейронной системы, являющейся прообразом нейрокомпьютера, представлен в таблице 1.

Таблица 2. Сравнение машины фон Неймана с биологической нейронной системой.

Источник

Учебное пособие Ульяновск 2010 удк 004. 8 (075. 8)

Главная > Документ

Эмпирические знания получают в результате применения эмпирических методов познания: наблюдения, измерения, эксперимента. Это знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области. Эмпирические знания, как правило, констатируют качественные и количественные характеристики объектов и явлений. Эмпирические законы часто носят вероятностный характер и не являются строгими.

Вненаучные знания могут быть различными. Паранормальные знания – знания, несовместимые с имеющимся гносеологическим стандартом. Широкий класс паранаучного (пара от греч. около, при) знания включает в себя учения или размышления о феноменах, объяснение которых не является убедительным с точки зрения критериев научности. Лженаучные знания – сознательно эксплуатирующие домыслы и предрассудки. В качестве симптомов лженауки выделяют малограмотный пафос, принципиальную нетерпимость к опровергающим доводам, а также претенциозность. Лженаучные знания сосуществуют с научными знаниями.

Личностные (неявные, скрытые) знания – это знания людей, полученные из практики и опыта.

Формализованные (явные) знания – знания, содержащиеся в документах, на компакт-дисках, в персональных компьютерах, в Интернете, в базах знаний, в экспертных системах. Формализованные знания объективизируются знаковыми средствами языка, охватывают те знания, о которых мы знаем, их можно записать, сообщить другим.

Классификация моделей представления знаний

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний – базы знаний (небольшого объема, но исключительно дорогие информационные массивы).

База знаний – основа любой интеллектуальной системы, где знания описаны на некотором языке представления знаний, приближенном к естественному. Сегодня знания приобрели чисто декларативную форму, то есть знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных неспециалистам.

При представлении знаний в памяти интеллектуальной системы традиционные языки, основанные на численном представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний. Наиболее часто используется на практике классификация моделей представления знаний, приведенная на рис. 6, где модели представления знании делятся на детерминированные (жесткие) и мягкие.

Рис. 6. Модели представления знаний

Детерминированные модели включают в себя фреймы, логико-алгебраические модели, семантические сети и продукционные модели. Мягкие модели включают в себя нечеткие системы, нейронные сети, эволюционные модели, гибридные системы.

С моделированием знаний непосредственно связана проблема выбора языка представления. В целях классификации моделей представления знаний выделяется девять ключевых требований к моделям знаний:

наглядность представления знаний;

реализация в модели свойства активности знаний;

возможность отражения структурных отношений объектов предметной области;

наличие механизма «проецирования» знаний на систему семантических шкал;

возможность оперирования нечеткими знаниями;

использование многоуровневых представлений (данные, модели, метамодели, метаметамодели и т.д.).

Модели представления знаний не удовлетворяют полностью этим требованиям, чем и объясняется их многообразие и активное развитие данного направления.

Логико-алгебраические модели представления знаний

В логических моделях знания представляются в виде совокупности правильно построенных формул какой-либо формальной системы (ФС), которая задается четверкой

Следствием (выводом) формулы в теории S называется такая последовательность правил, что для любого из них представленная формула является либо аксиомой теории S, либо непосредственным следствием.

Простейшей логической моделью является исчисление высказываний, которое представляет собой один из начальных разделов математической логики, служащий основой для построения более сложных формализмов. В практическом плане исчисление высказываний применяется в ряде предметных областей (в частности, при проектировании цифровых электронных схем). Развитие логики высказываний нашло отражение в исчислении предикатов первого порядка.

Под исчислением предикатов понимается формальный язык для представления отношений в некоторой предметной области. Основное преимущество исчисления предикатов – хорошо понятный механизм математического вывода, который может быть непосредственно запрограммирован. Предикатом называют предложение, принимающее только два значения: «истина» или «ложь». Для обозначения предикатов применяются логические связки между высказываниями: ¬ – не, – или, – и, – если, а также квантор существования и квантор всеобщности .

Таким образом, логика предикатов оперирует логическими связками между высказываниями, например она решает вопросы: можно ли на основе высказывания A получить высказывание B и т.д.

Допустимые выражения в исчислении предикатов называются правильно построенными формулами, состоящими из атомных формул. Атомные формулы состоят из предикатов и термов, разделяемых круглыми, квадратными и фигурными скобками.

Предикатные символы – это в основном глагольная форма (например: ПИСАТЬ, УЧИТЬ, ПЕРЕДАТЬ), но не только глагольная форма, а форма прилагательных, наречий (например: КРАСНЫЙ, ЗНАЧЕНИЕ, ЖЕЛТЫЙ).

Предикатные символы и константы, как правило, обозначаются
заглавными символами, функциональные символы и переменные – строчными.

В абстрактных примерах они обозначаются латинскими буквами f, g, h. В предложениях предикатной формы важны отношения и элементы. Определяя отношения, мы определяем значимость элементов выражения. Элементы могут быть предикатами и термами.

Если существует некоторая предметная область, то предикаты определяют отношения в этой предметной области, константы – элементы этой предметной области, функциональный символ – функцию.

Рассмотрим некоторые примеры. Высказывание «у каждого человека есть отец» можно записать:

x y (ЧЕЛОВЕК(x) ОТЕЦ(y,x))

Выражение «Антон владеет красной машиной» записывается, например, так:

x (ВЛАДЕЕТ(АНТОН, x) МАШИНА(x) КРАСНЫЙ(x))

Представление знаний в рамках логики предикатов служит основой направления ИИ, называемого логическим программированием. Методы логического программирования в настоящее время широко используются на практике при создании ИИС в ряде предметных областей. Положительными чертами логических моделей знаний в целом являются:

высокий уровень формализации, обеспечивающий возможность реализации системы формально точных определений и выводов;

согласованность знаний как единого целого, облегчающая решение проблем верификации БЗ, оценки независимости и полноты системы аксиом и т.д.;

единые средства описания как знаний о предметной области, так и способов решения задач в этой предметной области, что позволяет любую задачу свести к поиску логического вывода некоторой формулы в той или иной ФС.

Однако такое единообразие влечет за собой основной недостаток модели – сложность использования в процессе логического вывода эвристик, отражающих специфику предметной области. К другим недостаткам логической модели относят:

слабость структурированности описаний.

Продукционные модели представления знаний

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа «если (условие), то (действие)».

Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» (консеквентом) – действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

Продукционная модель в чистом виде не имеет механизма выхода из тупиковых состояний в процессе поиска. Она продолжает работать, пока не будут исчерпаны все допустимые продукции. Практические реализации продукционных систем содержат механизмы возврата в предыдущее состояние для управления алгоритмом поиска.

Рассмотрим пример использования продукционных правил.

П1: Если «отдых – летом» и «человек – активный», то «ехать в горы».

П2: Если «любит солнце», то «отдых летом».

Предположим, в систему поступили данные: «человек активный» и «любит солнце».

Прямой вывод : исходя из данных, получить ответ.

Шаг 1. Пробуем П1; не работает (не хватает данных «отдых – летом»).

Шаг 2. Пробуем П2; работает, в базу поступает факт «отдых – летом».

Обратный вывод : подтвердить выбранную цель при помощи имеющихся правил и данных.

Шаг 2. Цель «отдых – летом»: правило П2 подтверждает цель и активирует ее.

Шаг 3. Пробуем П1; подтверждается искомая цель.

Основные преимущества продукционных систем:

простота и гибкость выделения знаний;

отделение знаний от программы поиска;

модульность продукционных правил (правила не могут «вызывать» другие правила);

возможность эвристического управления поиском;

возможность трассировки «цепочки рассуждений»;

независимость от выбора языка программирования;

продукционные правила являются правдоподобной моделью решения задачи человеком.

Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними. Термин «семантическая» означает «смысловая», а сама семантика – это наука, устанавливающая отношения между символами и объектами, которые они обозначают, то есть наука, определяющая смысл знаков. Модель на основе семантических сетей была предложена американским психологом Куиллианом.

В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: «это» (АКО – A-Kind-Of, is или «элемент класса»), «имеет частью» (has part), «принадлежит», «любит» и т.д.

Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями.

По количеству типов отношений:

однородные (с единственным типом отношений);

неоднородные (с различными типами отношений).

По типам отношений:

бинарные (в которых отношения связывают два объекта);

N-арные (в которых есть специальные отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:

элемент класса (роза – это цветок);

атрибутивные связи /иметь свойство (память имеет свойство – объем);

значение свойства (цвет имеет значение желтый);

связи типа «часть-целое» (велосипед включает руль);

функциональные связи (определяемые обычно глаголами «производит», «влияет» и др.);

количественные (больше, меньше, равно и др. );

пространственные (далеко от, близко от, за, под, над и др. );

временные (раньше, позже, в течение и др. );

логические связи (и, или, не) и др.

Минимальный состав отношений в семантической сети таков:

элемент класса или АКО;

атрибутивные связи /иметь свойство;

Недостатком этой модели является сложность организации процедуры вывода.

Пример семантической сети для предложения типа «Поставщик осуществил поставку изделий для клиента до 1 июня 2010 года в количестве 10 000 штук» представлен на рис. 7.

Рис. 7. Пример семантической сети

Фрейм – это минимально возможное описание сущности какого-либо события, ситуации, процесса или объекта. В историческом плане развитие фреймовой модели связано с теорией фреймов М. Минского, определяющей способ формализации знаний, используемый при решении задач распознавания образов (сцен) и понимания речи. «Отправным моментом для данной теории служит тот факт, что человек, пытаясь познать новую для себя ситуацию или по-новому взглянуть на уже привычные вещи, выбирает из своей памяти некоторую структуру данных (образ), называемую нами фреймом, с таким расчетом, чтобы путем изменения в ней отдельных деталей сделать ее пригодной для понимания более широкого класса явлений или процессов». Другими словами, фрейм – это форма описания знаний, очерчивающая рамки рассматриваемого (в текущей ситуации при решении данной задачи) фрагмента предметной области.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель);

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Различают фреймы-образцы, или прототипы, и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных.

Фрейм имеет имя (название) и состоит из слотов.

Традиционно структура фрейма может быть представлена как список свойств:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

(имя N-гo слота: значение N-го слота)).

Ту же запись можно представить в виде таблицы (см. табл. 1), дополнив ее двумя столбцами.

Таблица 1. Структура фрейма

Способ получения
значения

В таблице дополнительные столбцы (3-й и 4-й) предназначены для описания способа получения слотом его значения и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма – так образуются сети фреймов.

Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС.

Тест по теме «Представление знаний»

1. Что понимается под представлением знаний?

кодирование информации на каком-либо формальном языке

знания, представленные в программе на языке С++

знания, представленные в учебниках по математике

моделирование знаний специалистов-экспертов

2. Какие определения, представленные ниже, не являются моделями представления знаний?

3. Что представляет собой семантическая сеть?

сетевой график, вершины которого – сроки выполнения работ

нейронная сеть, состоящая из нейронов

ориентированный граф, вершины которого – понятия, а дуги – отношения между ними

5. Чем отличаются семантические сети и фреймы?

элемент модели состоит из множества незаполненных значений некоторых атрибутов, именуемых «слотами»

наследование по AKO-связям

элемент модели – структура, использующаяся для обозначения объектов и понятий

6. Что объединяет семантические сети и фреймы?

организация процедуры вывода

множества незаполненных значений некоторых атрибутов, именуемых слотами

структуры, использующиеся для обозначения объектов и понятий

7. Какие из выражений, представленных ниже, являются структурной частью фрейма?

значение N-го слота

примитивные типы данных

8. На каком формализме не основаны логические модели?

правильно построенные формулы

нечеткие системы (fuzzy set)

Литература по теме «Пре дставление знаний»

Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. – СПб. : Питер, 2001. – 384 с.

Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян и др. – СПб. : БХВ-Петербург, 2004. – 336 с.

Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. – 2-е изд. – М. : Вильямс, 2006. – 1408 с.

Источник

Формальные логические модели

Фреймы

В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.

Структуру фрейма можно представить так;

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

(имя N-го слота: значение N-гo слота).

Ту же запись представим в виде таблицы, дополнив двумя столбцами.

В таблице дополнительные столбцы предназначены для описания тина слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов.

Различают фреймы-образцы, или прототипы, хранящиеся в базезнаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающихданных.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.

Пример 16.4. Например, в сети фреймов на рис. 16.2 понятие «ученик» наследует свойства фреймов «ребенок» и «человек», которые находятся на более высоком уровне иерархии. Гак, на вопрос: «Любят ли ученики сладкое?» Следует ответ: «Да», так как ним свойством обладают все дети, что указано во фрейме «ребенок». Наследование свойств может быть частичным, так, возраст для учеников не наследуется ил фрейма «ребенок», поскольку указан явно в своем собственном фрейме.

Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека [13], а также гибкость и наглядность.

Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language) [1] и другие позволяют эффективно строить промышленные ЭС. Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС [3,8].

Рис. 16.2. Сеть фреймов

Традиционно в представлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов 1 порядка, когда предметная область или задача описывается в виде набора аксиом. Мы же опустим описание этих моделей по следующим причинам. Исчисление предикатов 1 порядка в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских «игрушечных» системах, так как предъявляет очень высокие требования и ограничения к предметной области.

Вопросы к семинарскому занятию №1:

1. Основные понятия и определения ИИ. Задачи ИИ. Цель изучения дисциплины.

2. Два направления в области ИИ. Область применения.

3. Понятие интеллекта, мышления, искусственного интеллекта. Цель создания СИИ.

4. История развития СИИ.

5. Нейрокибернетика, кибернетика «чёрного ящика», нейросети.

6. Основные направления исследований в области ИИ:

Экспертные системы, Программное обеспечение систем ИИ, Робототехника. Распознавание образов, Машинный перевод, Модели игр, Доказательство теорем, Генетические алгоритмы,Обучающие сети (нейросети), Когнитивное моделирование, Мультиагентные системы, Онтологии, Менеджмент знаний, Формальные модели, Сочинении машинной музыки,

7. Данные и знания. Основные определения.

8. Особеннсти знаний и их отличие от данных.

9. Переход от базы данных к базе знаний.

10. Классификация моделей представления знаний

Источник