Анализ видов моделей представления знаний в интеллектуальных системах

№10-1,

технические науки

В работе приводится анализ различных моделей представления знаний, позволяющих в дальнейшем формализовать данные.

Похожие материалы

При изучении интеллектуальных систем часто возникает вопрос — что же такое знания и чем они отличаются от обычных данных обрабатываемых ЭВМ.

Данные – это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства[1].

Знания в свою очередь это закономерности предметной области (принципы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.

Представление знаний является одной из наиболее важных проблем при создании системы искусственного интеллекта.

Форма представления знаний оказывает непосредственное влияние на характеристики и свойства системы.

Основная цель представления знаний – строить математические модели реального мира и его частей, без предварительных пояснений и установления дополнительных неформальных соответствий.

Модель представления знаний – рисунок 1 является формализмом, призванным отобразить статические и динамические свойства предметной области, отобразить объекты и отношения предметной области, связи между ними, иерархию понятий предметной области и изменение отношений между объектами[2].

Модель представления знаний

Рис. 1. Модель представления знаний

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложения:

«Если (условие), то (действие)».

Под условием понимается образец, по ко­то­рому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска.

Фреймовая модель представления знаний – предлагается как структура знаний для восприятия пространственных сцен.

Фреймом называется также и формализованная модель для отобра­же­ния образа.

Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов, называемых слотами, которым присва­и­ва­ют­ся имена. За слотами следуют шпации, в которые помещают данные, представляющие текущие значения слотов. Каждый слот в свою очередь представляется опреде­ленной струк­турой данных. В значение слота подставляется конкретная инфор­ма­ция, относящаяся к объекту, описываемому этим фреймом[3].

Логическая модель представления знаний формируются средствами логики предикатов.

Функция, принимающая два значения (истина или ложь) и предназначенная для выражения свойств объектов или связей между ними является предикатом. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием. Константы служат для именования объектов предметной области[3].

Логические предложения или высказывания  образуют атомарные формулы. Интерпретация предиката — это множество всех допустимых связываний переменных с константами.

В общем случае в основе логических моделей лежит понятие формальной теории, задаваемой четверкой:

S = <B, F, A, R>

B – счетное множество базовых символов (алфавит) теории S;

F – подмножество выражений теории S, называемые формулами теории;

A – выделенное множество формул, называемые аксиомами теории S;

R – конечное множество отношений {r1, …, rn} между формулами (правилами вывода).

Семантические сети представляют собой ориентированный граф, в узлах которого находятся имена объектов, а стрелки указывают на отношения между ними.

При этом если представить семантическую сеть как граф, выражающий семантические отношения (дуги) между понятиями (вершины), то можно утверждать, что различные сочетания входящих и исходящих дуг, присутствующих в цепях различной длины в значительной степени влияют на сложность рассматриваемой структуры[3].

Семантические сети содержат описание связей в явной форме, указанных с помощью синтаксических, семантических и прагматических отношений.

Модель, основанная на нечеткой логике предполагает использование теории нечетких множеств, где функция принадлежности элемента множеству не бинарная (да/нет), а может принимать любое значение в диапазоне 0-1.Это дает возможность определять понятия, нечеткие по самой своей природе: "хороший", "высокий", "слабый" и т.д. Нечеткая логика позволяет выполнять над такими величинами весь спектр логических операций: объединение, пересечение, отрицание и др. Нечеткая логика дает возможность строить базы знаний и интеллектуальные системы нового поколения, способные хранить и обрабатывать неточную информацию.

Таким образом, рассмотренные свойства и характеристики моделей представления знаний приводят в дальнейшем к возможности описания решения задач связанных с интеллектуальными системами.

Список литературы

  1. Бондарев В.Н. Искусственный интеллект: учеб. пособие для вузов /В.Н. Бондарев, Ф. Г.Аде. — Севастополь: Изд-во СевНТУ, 2002. — 615 с.
  2. Борисов А.Н. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, А.В. Алексеев, Г.В. Меркурьева и др. – М.: Радио и связь, 1989. – 304с.
  3. Прад А. Модальная семантика и теория нечетких множеств // Нечеткие множества и теория возможностей / Под ред. Р.Р. Ягера. - М.: Радио и связь, 1986. - С.161-177.