3.8 Ситуационный подход в представлении знаний и выводе решений. ч.4



Последний способ предполагает больший объем работы с экспертами. Он представляется весьма эффективным в случаях, когда пользователь не обладает необходимым резервом времени для выбора решения.
Итак, сформулируем данного подхода к формированию ситуационной базы знаний на основе дерева ситуаций:
-вывод решения осуществляется в процессе уточнения того, выполняются ли заданные условия на ограничения тех или иных параметров (атрибутов ситуаций). Это может быть выполнено или путем диалога и ответа пользователем на вопросы программы, либо автоматически – путем опроса датчиков, измерителей, баз данных;
- в процессе диалога происходит уточнение типа наиболее абстрактной ситуации, например, от ситуации «Задержка авиарейса» к подтипу «Задержка авиарейса по причине нелетной погоды» и далее к подтипу «Длительная задержка авиарейса по причине нелетной погоды». Конечная вершина этого пути выдает то решение, которое будет справедливо в данной ситуации;
- в силу особенностей вывода в общем случае не вводится метрика и не требуется оценивать расстояние между ситуациями;
- в зависимости от конкретного наполнения БЗ, условий-ограничений в результате вывода описание конкретной пользовательской ситуации может и не формироваться. В результате вывода просто находится тот тип ситуации, к которому относится ситуация пользовательская.
В заключение данной главы отметим следующее. Одно из бурно развивающихся сегодня направлений в представлении знаний базируется на так называемой нечеткой логике и теории нечетких множеств. Принципиальным в этих относительно новых математических дисциплинах является утверждение о том, что в отличие от классической логики могут иметь место не два вывода – «истинно» или «ложно», но и промежуточные значения между ними (сравните это с коэффициентами в правилах продукций). Аналогично и в множествах – в классической теории множества объект или принадлежит некоторому множеству, или не принадлежит.
Однако в жизни все бывает сложнее. Например, не всегда мы можем сказать однозначно, что этот фильм «интересен» или «неинтересен». Чаще оценки даются более размытые, типа «фильм не очень-то интересен», т.е. он одновременно относится и к множеству интересных фильмов, и к множеству не интересных фильмов, причем к какому-то из них больше. Теория нечетких множеств предусматривает подобную возможность - отнести объект к тому или иному множеству с некоторой степенью принадлежности.
В практике построения ЭС применение математической теории нечетких множеств весьма полезно потому, что позволяет ввести аппарат лингвистических (т.е. словесно выраженных) переменных. Представьте правило продукций, которое звучит очень «по-человечески»: «Если в комнате температура высокая, То установить скорость вращения вентилятора большую». Важно, что эксперту сформулировать подобные правила бывает гораздо легче, нежели сопоставлять реальные значения температуры и рекомендуемые скорости вращения вентилятора.
Здесь такие параметры, как «температура» и «скорость» являются лингвистическими переменными с собственными множествами словесных значений. Так переменная «температура» может иметь множество значений «низкая», «средняя», «высокая», «очень высокая». Теория нечетких множеств позволяет ввести нечеткие множества с такими же названиями и правила, которые позволяют каждой точке цифровой температурной шкалы сопоставить степень принадлежности этим множествам. Так, например нечеткое множество «средняя температура» может быть задано как множество пар:
{0/8; 0,1/10; 0,3/13 ; 0,7/15; 1/18; 0,6/22; 0,2/25; 0/27},
где втрое число в паре – значение температуры в комнате (по шкале Цельсия);
первое число – степень принадлежности этого значения множеству «средняя температура».
Значения температуры, которые точно не принадлежат этому множеству имеют степень принадлежности 0 и обычно в множестве не упоминаются.
В итоге внутри компьютера обрабатываются не непонятные компьютеру слова «низкая», «средняя» и т.п., а вполне понятные наборы чисел – нечеткие множества.
Экспертные системы, где правила в БЗ с помощью аппарата нечетких множеств выражены в лингвистической форме, называются нечеткими ЭС, а процедуры вывода решений на таких правилах – нечетким выводом.
Более подробно об алгоритмах нечеткого вывода и самих нечетких множествах предлагается ознакомиться самостоятельно. Можно рекомендовать такие источники, как [1, 13] или же иные книги по нечеткой логике и нечетким множествам.

Читать резюме

Читать дальше:

Глава 4. ПРИОБРЕТЕНИЕ ЗНАНИЙ В ИИС. ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ. 4.1 Стратегии получения знаний в ИИС





Похожие статьи:

3.7 Фреймы и объектно-ориентированная представление знаний
26 июня 2012,
Концепция фреймов была разработана и предложена для представления знаний в 70-х годах 20 века американским ученым, профессором Массачусетского технологического института Марвиным Минским, который с ... Читать полностью

3.8 Ситуационный подход в представлении знаний и выводе решений. ч.1
26 июня 2012,
Ситуационный подход к управлению сложными объектами сформировался в 70-80-х годах 20 века в научных работах отечественных ученых, в частности, Д.А.Поспелова (см. например, [19]). Концептуальной осн ... Читать полностью

Резюме к 3 главе
26 июня 2012,
1. Модели представления знаний делятся на два типа – фор-мальные логические и эвристические модели. Соответственно определяется логический и эвристический метод рассуждений в СОЗ. Логически ... Читать полностью

Тема 2. Информация в экономических информационных системах. Количество информации. Методы оценки ч.3
07 мая 2012,
Прагматический подход определяет количество информации как меру, способствующую достижению поставленной цели. Мера ценности информации – количество информации, необходимое для достижения цели ... Читать полностью

3.8 Ситуационный подход в представлении знаний и выводе решений. ч.3
26 июня 2012,
Существуют решающие правила, позволяющие в каждом узле дерева сделать вывод о том, условия-ограничения какого из узлов следующего уровня выполняются. Посредством выяснения этого (в результате диало ... Читать полностью